一、基本信息

论文题目：《Collaborative Filtering beyond the User-Item Matrix:A Survey of the State of the Art and Future Challenges》

发表时间：ACM Computing Surveys (CSUR)47.1(2014):1-45.

论文作者及单位：Shi, Yue , M. Larson , and A. Hanjalic . （Delft University of Technology）

论文地址：https://dl.acm.org/citation.cfm?id=2556270

我的评分：5颗星
 

二、摘要

User-Item矩阵是在推荐系统领域占主导地位的协同过滤算法的基础，但近期一些新的推荐场景超出了UI矩阵所能表示的内容。这些新的场景下的信息可以被划分为两大类,一类是关于用户与商品的“rich side information”，另一类是将用户与物品的相互作用关联起来的“interaction information”。这篇文章综述并分析了推荐的场景包括涉及的信息源以及用来处理这些信息的协同过滤算法。这篇文章对大量的研究做出了全面的介绍，关键的参考文献有200多篇，目的是为了支撑推荐系统探索引入超越UI矩阵所能表示的信息进而发展。

三、论文的工作与主要内容

1、Rich Side Information of Users and Items:例如用户的属性（性别、年龄、爱好）和商品的属性（品类、内容），随着社会化推荐和用户生成内容（笔记5讲的就是这个）的出现，这些信息将在推荐系统发挥越来越重要的作用。

2、Interaction-Associated Information:例如用户与一个产品交互的时间戳或者用户下载一个手机应用的地点等等。这些都能有助于了解用户的偏好，产生更加精确的推荐。

3、介绍了基于记忆、模型和图的推荐方法的最前沿算法，并评估了这三种方法。

4、介绍了使用Interaction-Associated Information的推荐算法原理，主要有

• Time-Dependent CF:利用时间信息来建模或者预测用户关于物品的偏好
• Tensor Factorization:张量因子分解，相当于在矩阵分解的基础上引入了交互的上下文信息
• Factorization Machines:因子分解机，将支持向量机模型和因子分解模型结合起来
• Graph-Based Approaches:相当于将第3点中的图方法中的side information换成了Interaction-Associated Information

5、对面临的挑战进行了概览，将挑战分为两类

• Challenges of New Conditions and Tasks:社会化推荐、群体推荐（比如向一个家庭推荐电影）、长尾推荐（来源于长尾理论，将不流行、销量少的商品进行推荐）、跨领域协同过滤（推荐系统在某个领域的性能可以根据从其他领域获得的信息进行改进，比如从推荐音乐的系统中获取信息来改进推荐电影的系统）
• Challemges of New Perspectives and Models:搜索和推荐、交互和推荐、经济学与推荐

四、总结

这篇文章确实如最开始的introduction部分所言，阅读了大量的文献与研究成果，对协同过滤领域的研究方向与现状做出了十分详细的概览，对各种新兴的算法模型也做出了详尽的介绍。在这篇综述中我学习到的新的概念与方法比前面任何一篇综述都要多，可以说是入门推荐系统的必读论文了。