推荐系统(Recommender System)是一类机器学习模型,用于预测用户对物品的偏好,从而向用户推荐可能感兴趣的内容或产品。它是现代信息过滤的核心技术,广泛应用于电子商务、社交媒体、流媒体平台与在线广告。
主要类型:协同过滤、内容推荐、混合推荐
核心目标:个性化内容排序与选择
典型应用:Amazon、Netflix、YouTube、TikTok
关键算法:矩阵分解、深度学习、图神经网络
推荐系统通过建模“用户—物品”交互关系来生成个性化推荐。协同过滤利用用户行为相似性或物品共现关系;内容推荐依赖物品特征(如文本、标签、嵌入向量);混合方法结合两者以提升准确性与鲁棒性。近年来,深度学习模型(如自编码器、注意力机制、Transformer)被广泛应用以捕捉非线性偏好模式。
基于用户的协同过滤:通过相似用户的行为预测目标用户偏好。
基于物品的协同过滤:依据用户历史偏好物品间的相似性进行推荐。
基于内容的方法:利用文本或视觉特征描述物品内容。
混合方法:结合多源特征与模型以缓解冷启动和稀疏性问题。
推荐系统已成为数字经济中关键的算法基础设施。它驱动个性化购物、音乐与视频播放列表、社交关系建议及广告投放。有效的推荐可提高用户留存率与平台收入,但也引发信息茧房与隐私保护等社会议题。
研究重点包括可解释性推荐、公平性与多样性控制、隐私保护(如联邦学习)、以及跨域推荐与大规模实时推理。大型语言模型与多模态表示正在推动推荐系统与生成式AI的融合。