文献类型：期刊文章

作　　者：刘君良[1] 李晓光[1]

LIU Jun-liang;LI Xiao-guang(College of information,Liaoning University,Shenyang 110036,China)

机构地区：[1]辽宁大学信息学院,沈阳110036

出　　处：《计算机科学》

基　　金：国家自然科学基金联合基金项目(U1811261);辽宁省教育厅服务地方项目(LFW201705)。

年　　份：2020

卷　　号：47

期　　号：7

起止页码：47-55

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：推荐系统通过获取用户的历史行为数据,如网页的浏览数据、购买记录、社交网络信息、用户地理位置等,来推断用户偏好。随着计算机技术的发展,推荐系统所采用的推荐技术由早期的基于用户-项的数据矩阵分解技术为主,逐渐向与数据挖掘、机器学习、人工智能等技术相融合的方向发展,从而深度挖掘用户行为的潜在偏好,以构建更加精准的用户偏好模型。推荐过程也从静态预测发展到实时推荐,通过与用户实时交互来使推荐结果更加丰富。文中重点回顾了推荐系统在不同时期所采用的关键技术,主要包括基于内容过滤的推荐技术、基于协同过滤的推荐技术、基于深度学习的推荐技术、基于强化学习的推荐技术和基于异构网络的推荐技术等。最后对比和分析了关键技术的优缺点,并对推荐系统的未来发展进行展望。

关 键 词：推荐算法  矩阵分解 神经网络 强化学习  异构信息网络  

分 类 号：TP311.5]