基于标签的推荐系统研究进展综述

Zhang ZK, Zhou T, Zhang YC. Tag-aware recommender systems: A state-of-the-art survey. JOURNAL OF COMPUTER SCIENCE AND TECHNOLOGY 26(5): 767-777 Sept. 2011. DOI 10.1007/s11390-011-0176-1

基于标签的推荐系统研究进展综述

1．本文的主要内容

近年来，社会标签系统引起了包括物理学、计算机科学等诸多学科科学家的广泛关注。目前而言，对社会标签系统的研究主要集中在研究其结构、动力学和功能应用上。其中最主要的应用当属利用标签进行信息推荐。本文总结了当前该领域的最新进展，分别从网络结构、张量模型和潜层语义三个角度归纳了基于标签的推荐系统的思想、算法和性能。在此基础之上，文章最后讨论了三种方法的优劣，并对该方向的发展趋势进行了展望。

2．结论及未来待解决的问题

本文总结了基于标签的推荐系统的最新研究进展。主要归纳了以下三个方向的方法：(1)基于网络结构的方法；(2)基于张量的方法；(3)基于主题的方法。虽然目前还没有一种普适性的方法能够完全解决推荐系统中的冷启动、稀疏性和多样性等问题，但每种方法都能从一定程度上解决其中的一个或几个问题。基于网络结构的方法能解决大规模数据的稀疏性问题；基于张量的方法能解决多维数据的降维问题；基于主题的方法则能产生更加便于解释的推荐结果。因此，如能将几种方法的优点结合在一起，则有可能会设计更有效除了以上方法之外，随着对标签系统研究的不断深入，其中很多研究成果对于推荐系统有着非常重要的借鉴价值：(1)超图能完整的刻画多节点网络的结构特性，因此能很好地解决目前普遍采用的降维方法所带来的信息损失；(2)基于标签聚类的方法将有效地减少随意性标注所带来的信息噪声；(3)推荐节点对的方法打破了传统信息推荐只推荐一类节点的思维；(4)利用社会网络分析方法将标签系统中的社会影响力与传统推荐算法结合；(5)利用多层网络的耦合特性来更好地分析标签功能，在此基础上得到更有效的推荐算法；(6)通过分析分析用户标注行为的时间特性，将有望得到更加具有时效性的推荐结果。