推荐系统-Part1——概述

[TOC]

推荐系统概述

传统推荐模型

传统推荐模型化关系图：img

  1. 协同过滤
  2. 矩阵分解算法——协同过滤的进化
  3. 逻辑回归——融合多种特征的推荐模型
  4. PLOY2、FM、FFM——自动特征交叉
  5. GBDT+LR——特征工程模型化的开端
  6. LS-PLM(MLR)——混合逻辑回归

深度学习推荐模型

模型发展时间线：img

  1. AutoRec、DeepCrossing——改变神经网络复杂程度
  2. NeuralCF、PNN——改变特征交叉方式
  3. Wide&Deep、Deep&Cross——记忆与泛化并存
  4. FNN、DeepFM、NFM——FM 在深度学习中的身影重现
  5. AFM、DIN——当推荐系统遇上注意力机制
  6. DIEN——序列模型与推荐系统的火花碰撞

前言

随着信息技术和互联网的发展，我们已经步入了一个信息过载的时代，无论是信息消费者还是信息生产者都遇到了很大的挑战：

  • 信息消费者：希望从大量的信息中找到自己感兴趣的信息。
  • 信息生产者：希望让自己生产的信息脱颖而出，受到广大用户的关注。

推荐系统，是缓解信息过载的重要技术。通过分析用户的历史行为给用户的兴趣建模，从而主动给用户推荐给能够满足他们兴趣和需求的信息。一方面帮助用户发现对自己有价值的信息，一方面让信息能够展现在对它感兴趣的用户前面。

论文要求

随着互联网、物联网、区块链、大数据、人工智能、5G技术的不断发展，特别是移动网络的发展，信息量成爆炸式增长。作为缓解信息过载的重要技术，推荐系统目前已经在健康、智能交通、教育、电子商务等领域有相当成功的应用。然而随着用户需求的持续变化，传统的推荐算法面临一些新的问题，如冷启动、推荐新颖度不够、数据稀疏等。针对这些问题，学者们将新技术应用于推荐系统中，产生了一批新的推荐方法。探讨如何将这些新的理论、方法及技术应用于推荐系统，对更好地提供个性化推荐服务具有积极的指导意义和重要的实践价值，也将促进智能时代的信息技术的持续发展。

《武汉大学学报（理学版）》是国内知名期刊，也是北大核心期刊和CSCD-C收录期刊。《武汉大学学报（理学版）》与中国软件大会（ChinaSoft2021）合作征稿，计划于2021年出版“面向人工智能的推荐系统前沿研究”专题。本专题将收录国内外有关推荐系统研究领域创新性和突破性的高水平研究成果，深入探讨推荐系统相关基础理论、关键技术以及支撑平台等方面创新成果，并探讨相关成果在产业界的应用前景。读者群体包括软件工程、人工智能、服务计算等相关领域的专家学者、研究人员和专业工程师等。欢迎从事该领域研究的学者积极投稿。

一、征文范围

包括但不限于以下主题：

（1） 推荐系统的理论性研究

（2） 面向时间序列的推荐系统研究

（3） 基于因果推断的推荐系统研究

（4） 面向工业领域的推荐系统及决策研究

（4） 基于推荐系统的软件工程

二、投稿要求

（1） 论文应属于作者的科研成果，未在国内外公开发行的刊物或会议上发表，不存在一稿多投问题。

（2） 论文一律用word格式排版，格式体例参考近期出版的《武汉大学学报（理学版）》的要求。http://whdy.cbpt.cnki.net/WKD/WebPublication/index.aspx?mid=whdy

（3） 投稿和评审方式：本专题投稿论文需经过两轮投稿和评审。

三、论文截止时间：10月10号

四、投稿方式：

编 辑 部： whdz@whu.edu.cn, 027-68752220

通信地址：武汉大学本科生院楼北楼《武汉大学学报（理学版）》编辑部，430072

特邀编委：黄 勃 副教授 上海工程技术大学 huangbosues@sues.edu.cn

​ 武 星 副教授 上海大学 xingwu@shu.edu.cn