從ACM RecSys’2014國(guó)際會(huì)議看推薦系統(tǒng)的熱點(diǎn)和發(fā)展

景民昌

(中國(guó)石油大學(xué)圖書(shū)館，北京 102249)

?

從ACM RecSys’2014國(guó)際會(huì)議看推薦系統(tǒng)的熱點(diǎn)和發(fā)展

景民昌

(中國(guó)石油大學(xué)圖書(shū)館，北京 102249)

美國(guó)計(jì)算機(jī)學(xué)會(huì)每年舉辦的RecSys年會(huì)是最重要的推薦系統(tǒng)國(guó)際會(huì)議之一，其內(nèi)容體現(xiàn)了當(dāng)前推薦系統(tǒng)研究的熱點(diǎn)和發(fā)展趨勢(shì)。本文分析RecSys’2014年會(huì)的論文內(nèi)容和主題，從推薦系統(tǒng)的新應(yīng)用、情景敏感推薦、冷啟動(dòng)和混合推薦、安全和用戶隱私、推薦系統(tǒng)評(píng)估、多樣性和新穎性、推薦理論和方法、排序和Top-N推薦、矩陣分解等9個(gè)方面對(duì)會(huì)議進(jìn)行綜述，總結(jié)當(dāng)前推薦系統(tǒng)研究的特點(diǎn)，認(rèn)為混合推薦是未來(lái)推薦系統(tǒng)研究的主要方向。

推薦系統(tǒng)；ACM RecSys；熱點(diǎn)主題

自1992年帕洛阿爾托研究中心的Tapestry系統(tǒng)[1]引入?yún)f(xié)同過(guò)濾的思想和概念以來(lái)，推薦系統(tǒng)日益引起人們的關(guān)注。推薦系統(tǒng)(RS：Recommender System)是能主動(dòng)地發(fā)現(xiàn)用戶當(dāng)前或潛在的信息需求，并主動(dòng)推送信息給用戶的一種Web信息系統(tǒng)。在信息爆炸時(shí)代，推薦系統(tǒng)是解決用戶“信息過(guò)載”的一種有效手段，已被成功應(yīng)用于電子商務(wù)、社交網(wǎng)絡(luò)、多媒體等眾多領(lǐng)域[2]。

由于推薦系統(tǒng)實(shí)際應(yīng)用效果顯著，近年來(lái)國(guó)際學(xué)術(shù)界與其相關(guān)的研究極為活躍。推薦系統(tǒng)研究的頂級(jí)會(huì)議是美國(guó)計(jì)算機(jī)學(xué)會(huì)(ACM)每年舉辦的RecSys年會(huì)，該會(huì)議自2007年以來(lái)已在世界各地(美國(guó)、瑞士、西班牙、愛(ài)爾蘭、中國(guó)香港等)舉辦了8屆，并成為全球關(guān)于推薦系統(tǒng)研究最重要的交流渠道和把脈其最新進(jìn)展的重要窗口。

最近一次ACM RecSys年會(huì)于2014年10月6～10日于美國(guó)硅谷(第8屆)舉辦，共收錄各國(guó)學(xué)者研究論文55篇，內(nèi)容基本涵蓋了當(dāng)前RS研究的主流領(lǐng)域，既有對(duì)傳統(tǒng)領(lǐng)域的深入探討，也有對(duì)新領(lǐng)域的探索；既有對(duì)實(shí)踐和技術(shù)的應(yīng)用研究，也有推薦基本理論和方法的探析。本文逐一研讀了本次會(huì)議論文，并按照主題分類進(jìn)行綜述，以期了解和掌握目前國(guó)際上推薦系統(tǒng)研究的熱點(diǎn)與發(fā)展趨勢(shì)，為國(guó)內(nèi)推薦系統(tǒng)研究提供借鑒。

1 會(huì)議主題分析

2014’RecSys年會(huì)論文按主題可分為9個(gè)方面：新應(yīng)用、情景推薦、冷啟動(dòng)推薦、安全和隱私、推薦系統(tǒng)評(píng)估、多樣性和新穎性、推薦方法和理論、排序和Top-N推薦、矩陣分解推薦方法等。

1.1 新應(yīng)用

推薦系統(tǒng)產(chǎn)生于快速發(fā)展的互聯(lián)網(wǎng)環(huán)境中，與理論研究相比，商業(yè)化實(shí)踐更為人們所關(guān)注，歷次ACM RecSys會(huì)議都把實(shí)踐應(yīng)用作為會(huì)議的重要主題之一。2014年會(huì)展示了推薦系統(tǒng)在兒童圖書(shū)推薦[3]、社交媒體[4-5]、學(xué)術(shù)論文同行評(píng)議[6]、MOOC[7]、數(shù)據(jù)挖掘流程設(shè)計(jì)[8]以及旅游指導(dǎo)、房屋租賃、健康顧問(wèn)等諸多方面的應(yīng)用。例如，Pera M S等[3]針對(duì)現(xiàn)有圖書(shū)推薦系統(tǒng)缺乏專門(mén)面向兒童閱讀推薦的功能缺陷，設(shè)計(jì)和開(kāi)發(fā)了一個(gè)模擬圖書(shū)館讀者咨詢服務(wù)的圖書(shū)推薦系統(tǒng)(Rabbit)，該系統(tǒng)不僅考慮了兒童讀者的閱讀能力，也考慮了圖書(shū)所包含的情感因素。Liu X等[6]通過(guò)在論文和評(píng)議專家之間構(gòu)建關(guān)聯(lián)圖，開(kāi)發(fā)了一個(gè)學(xué)術(shù)論文同行評(píng)議的專家推薦系統(tǒng)，增強(qiáng)了論文評(píng)議系統(tǒng)的功能。

1.2 情景敏感推薦

情景敏感推薦系統(tǒng)(CARS)是近幾年推薦系統(tǒng)研究的熱點(diǎn)[9]。情景也稱之為上下文(Context)，指的是用戶模型中的額外信息(如位置、時(shí)間、天氣等)，利用情景信息可以提高推薦系統(tǒng)的推薦精度。

本次會(huì)議的一些論文在推薦系統(tǒng)適應(yīng)動(dòng)態(tài)情景方面做了深入研究。如，Hariri N等[10]開(kāi)發(fā)了一個(gè)交互式推薦系統(tǒng)，系統(tǒng)根據(jù)用戶行為動(dòng)態(tài)地適應(yīng)情景變化，匹配用戶最近的興趣喜好，為其生成更合適的推薦結(jié)果，系統(tǒng)的獨(dú)特之處是包含了一個(gè)“情景變化偵測(cè)器”，負(fù)責(zé)探測(cè)用戶行為的變化，一旦檢測(cè)到有重大改變時(shí)，推薦系統(tǒng)就優(yōu)先采用用戶最新行為信息來(lái)重建情景模型。而B(niǎo)raunhofer M等[11]則通過(guò)在系統(tǒng)中設(shè)置“情景開(kāi)關(guān)”的方法解決推薦系統(tǒng)的情景適應(yīng)性問(wèn)題。

1.3 冷啟動(dòng)推薦

由于推薦系統(tǒng)中的新用戶(或新項(xiàng)目)的評(píng)分?jǐn)?shù)據(jù)稀少，系統(tǒng)很難為其產(chǎn)生推薦，這就是所謂的冷啟動(dòng)推薦問(wèn)題。在基于協(xié)同過(guò)濾和基于矩陣分解的推薦算法中，冷啟動(dòng)問(wèn)題尤其嚴(yán)重。

冷啟動(dòng)問(wèn)題通常采用混合推薦方法或融合其他數(shù)據(jù)源來(lái)解決。如，混合內(nèi)容過(guò)濾方法和協(xié)同過(guò)濾方法[12-13]、融合用戶評(píng)論與評(píng)分?jǐn)?shù)據(jù)[14]、在協(xié)同過(guò)濾算法中引入用戶的人口統(tǒng)計(jì)學(xué)信息(如性別、年齡、位置等)以及社會(huì)網(wǎng)絡(luò)信息(如Facebook好友關(guān)系、空間主頁(yè)等)[15]、利用Web日志信息中的用戶瀏覽路徑[16]等。

另外，動(dòng)態(tài)情景敏感策略也有助于解決冷啟動(dòng)問(wèn)題，如，Tang L等[17]提出對(duì)不同情景策略進(jìn)行組合，在多種預(yù)設(shè)情景上層構(gòu)建“元情景”(Meta-Context)，“元情景”根據(jù)新用戶與推薦系統(tǒng)交互產(chǎn)生的反饋信息，選擇相對(duì)合適的情景為新用戶推薦其感興趣的網(wǎng)頁(yè)，該方法在原理上類似于元搜索引擎。而B(niǎo)raunhofer M等[11]在不同的情景算法中設(shè)置“情景開(kāi)關(guān)”，當(dāng)系統(tǒng)偵測(cè)到不同的冷啟動(dòng)情景時(shí)(如新用戶或新項(xiàng)目)，則會(huì)轉(zhuǎn)換到適宜的算法。

1.4 安全和隱私

推薦系統(tǒng)是可以帶來(lái)實(shí)在經(jīng)濟(jì)效益的。正因如此，其可能受到惡意攻擊并不為奇，安全和隱私是每一屆會(huì)議的主要議題之一。

Seminario C E等[18]從攻擊者的角度，提出了“強(qiáng)項(xiàng)目”攻擊模型(PIA)，并通過(guò)實(shí)驗(yàn)?zāi)M，證明PIA不僅可以成功攻擊基于SVD和基于用戶的協(xié)同推薦系統(tǒng)，也可以成功攻擊基于項(xiàng)目的協(xié)同過(guò)濾推薦系統(tǒng)，研究結(jié)果為推薦系統(tǒng)的攻擊檢測(cè)提供指導(dǎo)。Bhagat S等[19]研究了用戶隱私的“善意”挖掘方法，設(shè)計(jì)了一個(gè)基于矩陣分解的貝葉斯分類器，僅根據(jù)少量的評(píng)分?jǐn)?shù)據(jù)就能推測(cè)用戶的二元屬性信息(如類別，性別等)，從而為推薦系統(tǒng)構(gòu)建用戶興趣模型提供輔助信息。

1.5 推薦系統(tǒng)評(píng)估

由于設(shè)計(jì)目標(biāo)、實(shí)施算法、評(píng)價(jià)策略等方面不同，且一些場(chǎng)合可能還需要人工參與，推薦系統(tǒng)目前尚沒(méi)有一個(gè)公認(rèn)的標(biāo)準(zhǔn)對(duì)其真實(shí)效果和作用進(jìn)行評(píng)估。本次年會(huì)，Said A等[20]在相同的評(píng)價(jià)環(huán)境下對(duì)不同的推薦算法作了對(duì)比，提出了一個(gè)評(píng)估推薦系統(tǒng)的指標(biāo)體系。Yi X等[21]利用用戶在網(wǎng)頁(yè)上的停留時(shí)間來(lái)量化評(píng)估用戶對(duì)網(wǎng)頁(yè)的興趣度，提出如何對(duì)不同設(shè)備和情景下的停留時(shí)間進(jìn)行標(biāo)準(zhǔn)化處理的方法。

推薦系統(tǒng)評(píng)估也包括對(duì)用戶評(píng)分真實(shí)性的評(píng)估。Krishnan S等[22]研究了社會(huì)影響偏見(jiàn)(SIB)對(duì)用戶真實(shí)評(píng)分的影響，提出在推薦系統(tǒng)中設(shè)置學(xué)習(xí)、分析、緩解3個(gè)階段來(lái)降低SIB效應(yīng)。

1.6 推薦多樣性和新穎性

多樣性是從推薦系統(tǒng)角度看RS的一種特性，即盡可能使全部或大多數(shù)項(xiàng)目都得到推薦，而不只局限于少數(shù)項(xiàng)目；新穎性是從用戶角度看RS的一種特性，即推薦結(jié)果對(duì)用戶來(lái)說(shuō)應(yīng)該是新奇而又感興趣的。

Vargas S等[23]從推薦任務(wù)的反方向思考，通過(guò)將用戶推薦給項(xiàng)目的方式，增強(qiáng)商品推薦的銷售多樣性。Adamopoulos P等[24]在協(xié)同過(guò)濾近鄰選擇過(guò)程中，考慮目標(biāo)用戶和候選近鄰的相似級(jí)別，確定k近鄰的權(quán)重，從而提高推薦結(jié)果的多樣性。Ekstrand M D等[25]通過(guò)用戶實(shí)驗(yàn)研究了用戶對(duì)推薦結(jié)果的滿意度和新穎性、多樣性之間的相關(guān)關(guān)系。Noia T D等[26]根據(jù)項(xiàng)目的內(nèi)容屬性計(jì)算多樣性，將推薦算法生成的Top-N結(jié)果重新進(jìn)行計(jì)算排序，以增強(qiáng)推薦結(jié)果的多樣性。

另外，Vargas S等[27]發(fā)現(xiàn)，推薦項(xiàng)目的類別(如電影分類、圖書(shū)類別、音樂(lè)類別等)屬性也可以用來(lái)增強(qiáng)推薦系統(tǒng)的多樣性。

1.7 推薦方法和理論

推薦系統(tǒng)研究雖然已取得了豐碩成果，但是仍有許多問(wèn)題需要進(jìn)一步研究。本次會(huì)議在推薦新算法的設(shè)計(jì)和傳統(tǒng)算法的改進(jìn)[28-29]、用戶興趣建模[30]、信任推薦[31-32]等方面都有新的研究成果展示。

另外，會(huì)議在跨域推薦、群組推薦方面也有一些和以往經(jīng)驗(yàn)不同的新發(fā)現(xiàn)。如，大部分推薦算法都假設(shè)評(píng)分矩陣中的缺失值是隨機(jī)分布的，而Kim Y D等[33]認(rèn)為實(shí)際情況并非如此，缺失數(shù)據(jù)的分布其實(shí)是依賴于用戶、項(xiàng)目以及評(píng)分值的，并提出一個(gè)貝葉斯兩項(xiàng)式混合模型，利用非隨機(jī)分布的評(píng)分?jǐn)?shù)據(jù)預(yù)測(cè)用戶評(píng)分?？缬蛲扑]可以在源RS和目標(biāo)RS之間共享推薦信息，Cremonesi P等[34]研究了跨域推薦的數(shù)據(jù)特征后，認(rèn)為所謂的密碼本傳遞方法(CBT)并不能在沒(méi)有重疊項(xiàng)目(或用戶)的源域和目標(biāo)域之間實(shí)現(xiàn)跨域推薦。

1.8 排序和Top-N推薦

推薦結(jié)果以何種方式展示給用戶非常重要，其中，推薦列表的排序、推薦數(shù)量的確定是兩個(gè)主要的研究?jī)?nèi)容。Vanchinathan H P等[35]利用用戶或項(xiàng)目之間的相似度解決推薦列表的排序問(wèn)題。Gueye M等[36]設(shè)計(jì)了一個(gè)無(wú)參數(shù)的優(yōu)化標(biāo)簽列表大小的算法，本質(zhì)是通過(guò)舍棄一些不相關(guān)的標(biāo)簽來(lái)提高推薦精度和效率。Naamani-Dery L等[37]采用迭代算法啟發(fā)用戶興趣，來(lái)縮小群組推薦的Top-N列表規(guī)模。而Liu X等[38]則通過(guò)線上、線下組件分別計(jì)算新、老項(xiàng)目的影響力，為用戶生成Top-N推薦。

1.9 矩陣分解推薦方法

矩陣分解是當(dāng)前最有效的推薦算法之一。矩陣分解過(guò)程中，計(jì)算項(xiàng)目的得分并排序是一個(gè)非常耗時(shí)的過(guò)程，會(huì)議的一些論文在如何提高算法的計(jì)算效率和可擴(kuò)展性方面提出了新的方法和思路[39-40]。

在矩陣分解算法中如何引入其它信息(如情景、信任等)，也是矩陣分解推薦方法的研究重點(diǎn)。分解機(jī)(Factorization Machine)和情景特征的結(jié)合[41-42]，時(shí)間維度[43]、評(píng)分聚類[44]、隱式信任關(guān)系[45]等在矩陣分解推薦算法中的應(yīng)用在本次會(huì)議中都有成果展示。

另外，也有論文研究了矩陣分解推薦算法在一般概率分布上的應(yīng)用，從而拓展了矩陣分解推薦算法的應(yīng)用范圍[46]。

2 當(dāng)前推薦系統(tǒng)研究的特點(diǎn)

ACM RecSys是國(guó)際上推薦系統(tǒng)研究的頂級(jí)會(huì)議，其研究?jī)?nèi)容理所當(dāng)然地反映著推薦系統(tǒng)的前沿和熱點(diǎn)。綜合來(lái)看，2014年推薦系統(tǒng)研究具有“新”、“深”、“合”的特點(diǎn)。

2.1 “新”：新技術(shù)、新應(yīng)用、新發(fā)現(xiàn)不斷出現(xiàn)

2014年ACM RecSys年會(huì)最大的特點(diǎn)是“新”，各種新技術(shù)、新發(fā)現(xiàn)、新應(yīng)用不斷出現(xiàn)。例如，組合情景策略解決冷啟動(dòng)問(wèn)題[17]、“強(qiáng)項(xiàng)目”攻擊模型[18]、用戶評(píng)分SIB的緩解方法[22]、用戶自生成分類的推薦方法[30]等都是較新的技術(shù)；評(píng)分矩陣的缺失值并非隨機(jī)分布[33]、CBT方法在跨域推薦的缺陷性[34]等也是會(huì)議的新發(fā)現(xiàn)；而新應(yīng)用更是會(huì)議的重點(diǎn)，推薦系統(tǒng)從來(lái)就是一個(gè)實(shí)踐性很強(qiáng)的領(lǐng)域，正是因?yàn)槠湓诒姸嘈袠I(yè)，如電子商務(wù)、新聞、音樂(lè)、電影、Apps的應(yīng)用收到了實(shí)際效益，才被研究人員們廣為關(guān)注。本次年會(huì)除了對(duì)一些傳統(tǒng)的推薦應(yīng)用有進(jìn)一步的深入研究外，也出現(xiàn)了許多新應(yīng)用，如MOOC中的問(wèn)題推薦[7]、社交網(wǎng)絡(luò)上的好友推薦[5]和專業(yè)技能標(biāo)簽推薦[4]、學(xué)術(shù)論文同行評(píng)議的專家推薦[6]、數(shù)據(jù)挖掘流程設(shè)計(jì)的操作符推薦[8]等。

2.2 “深”：推薦理論和方法不斷深入

推薦系統(tǒng)研究發(fā)展至今，已取得了非常豐碩的成果，理論基礎(chǔ)和技術(shù)體系逐漸成形，研究已不再局限于基礎(chǔ)問(wèn)題和淺層問(wèn)題的探討，而是已深入到推薦系統(tǒng)研究所涉及的方方面面。如，雖然情景敏感推薦方法、矩陣分解推薦方法仍是非常熱門(mén)的研究領(lǐng)域，但是研究已不再是方法的簡(jiǎn)單介紹和粗淺應(yīng)用，而是已深入到了推薦方法的細(xì)節(jié)研究。例如，設(shè)計(jì)“情景變化偵測(cè)器”探測(cè)用戶興趣的重大變化[10]、“元情景”解決用戶冷啟動(dòng)問(wèn)題[17]、一般概率分布上的矩陣分解方法[46]等都是對(duì)推薦方法非常深入的探討。

2.3 “合”：推薦算法不斷混合，推薦數(shù)據(jù)源不斷融合

各種推薦方法都有其優(yōu)、缺點(diǎn)，單一方法無(wú)法解決推薦系統(tǒng)的所有問(wèn)題，其研究越來(lái)越趨向組合不同技術(shù)實(shí)現(xiàn)混合推薦。大量的混合推薦方法研究出現(xiàn)于本次年會(huì)論文中，例如，內(nèi)容過(guò)濾和協(xié)同過(guò)濾的混合[12-13]、基于項(xiàng)目和基于用戶的協(xié)同過(guò)濾算法的混合[28]、情景敏感和矩陣分解推薦算法的混合[7，41-43]、多種情景算法的混合[17]、線上和線下推薦方法的混合[38]等。

經(jīng)典推薦系統(tǒng)利用的數(shù)據(jù)源只有用戶的評(píng)分?jǐn)?shù)據(jù)，然而由于評(píng)分?jǐn)?shù)據(jù)的稀疏性降低了推薦系統(tǒng)的精確度，一些研究人員開(kāi)始考慮將其它信息源引入到推薦系統(tǒng)，與評(píng)分?jǐn)?shù)據(jù)融合來(lái)提高推薦精度。如，評(píng)分?jǐn)?shù)據(jù)和評(píng)論文本的融合[14]、評(píng)分?jǐn)?shù)據(jù)和用戶其它信息(人口學(xué)、社交網(wǎng)絡(luò))的融合[15]、評(píng)分?jǐn)?shù)據(jù)和項(xiàng)目類別的融合[27，30]等。

3 結(jié) 語(yǔ)

本文從推薦系統(tǒng)的重要國(guó)際會(huì)議ACM RecSys角度，分析了當(dāng)前推薦系統(tǒng)研究的熱點(diǎn)和發(fā)展趨勢(shì)，認(rèn)為當(dāng)前國(guó)際上的推薦系統(tǒng)研究無(wú)論是理論基礎(chǔ)、還是實(shí)踐應(yīng)用都已經(jīng)取得了非常多的成果，而基于多種方法混合、多種數(shù)據(jù)源融合的混合推薦將是未來(lái)推薦系統(tǒng)研究的主要方向。

另外，值得注意的是，從55篇年會(huì)論文的來(lái)源國(guó)家看，歐美國(guó)家占了絕大部分，而我國(guó)僅有香港地區(qū)2篇論文被會(huì)議接收，反映出我國(guó)(尤其是大陸地區(qū))對(duì)該會(huì)議尚不夠重視或研究實(shí)力稍遜。鑒于該會(huì)議在推薦系統(tǒng)研究領(lǐng)域的重要程度，建議我國(guó)學(xué)者加強(qiáng)對(duì)該會(huì)議的了解和參與力度。

致謝：本文在寫(xiě)作過(guò)程中得到河北經(jīng)貿(mào)大學(xué)孫潔麗教授的指導(dǎo)意見(jiàn)，在此謹(jǐn)表謝意。

[1]Goldberg D,Nichols D,Oki B M,et al.Using Collaborative Filtering to Weave an Information Tapestry[J].Communications of the ACM,1992,35(12):61-70.

[2]Jannach D，Zanker M，F(xiàn)elfernig A，et al.推薦系統(tǒng)[M].蔣凡，譯.北京：人民郵電出版社，2013.

[3]Pera M S,Ng Y K.Automating Readers’ Advisory to Make Book Recommendations for K-12 Readers[C].ACM RecSys’2014會(huì)議論文，9-16.

[4]Bastian M,Hayes M,Vaughan W,et al.Skills:Large-Scale Topic Extraction and Inference[C].ACM RecSys’2014會(huì)議論文，1-8.

[5]Yuan G C,Murukannaiah P K.,Zhang Z,et al.Exploiting Sentiment Homophily for Link Prediction[C].ACM RecSys’2014會(huì)議論文，17-24.

[6]Liu X,Suel T,Memon N.A Robust Model for Paper Reviewer Assignment[C].ACM RecSys’2014會(huì)議論文，25-32.

[7]Yang D Y,Adamson D,Rosé C P.Question recommendation with constraints for massive open online courses[C].ACM RecSys’2014會(huì)議論文，49-56.

[8]Jannach D,Fischer S.Recommendation-based Modeling Support for Data Mining Processes[C].ACM RecSys’2014會(huì)議論文，337-340.

[9]Adomavicius G,Tuzhilin A.Context-aware recommender systems[C].ACM RecSys’2008:335-336.

[10]Hariri N,Mobasher B,Burke R.Context adaptation in interactive recommender systems[C].ACM RecSys’2014會(huì)議論文，40-48.

[11]Braunhofer M,Codina V,Ricci F.Switching hybrid for cold-starting context-aware recommender systems[C].ACM RecSys’2014會(huì)議論文，349-352.

[12]Saveski M,Mantrach A.Item cold-start recommendations:learning local collective embeddings[C].ACM RecSys’2014會(huì)議論文，89-96.

[13]Liu H S,Goyal A,Walker T,et al.Improving the discriminative power of inferred content information using segmented virtual profile[C].ACM RecSys’2014會(huì)議論文，97-104.

[14]Ling G,Lyu M R.,King I.Ratings meet reviews,a combined approach to recommend[C].ACM RecSys’2014會(huì)議論文，105-112.

[15]Sedhain S,Sanner S,Braziunas D,et al.Social collaborative filtering for cold-start recommendations[C].ACM RecSys’2014會(huì)議論文，345-348.

[16]Trevisiol M,Aiello L M,Schifanella R,et al.Cold-start news recommendation with domain-dependent browse graph[C].ACM RecSys’2014會(huì)議論文，81-88.

[17]Tang L,Jiang Y,Li L,et al.Ensemble contextual bandits for personalized recommendation[C].ACM RecSys’2014會(huì)議論文，73-80.

[18]Seminario C E,Wilson D C.Attacking item-based recommender systems with power items[C].ACM RecSys’2014會(huì)議論文，57-64.

[19]Bhagat S,Weinsberg U,Ioannidis S,et al.Recommending with an agenda:active learning of private attributes using matrix factorization[C].ACM RecSys’2014會(huì)議論文，65-82.

[20]Said A,Bellogín A.Comparative recommender system evaluation:benchmarking recommendation frameworks[C].ACM RecSys’2014會(huì)議論文，129-136.

[21]Yi X,Hong L J,Zhong E H,et al.Beyond clicks:dwell time for personalization[C].ACM RecSys’2014會(huì)議論文，113-120.

[22]Krishnan S,Patel J,Franklin M J.,et al.A methodology for learning,analyzing,and mitigating social influence bias in recommender systems[C].ACM RecSys’2014會(huì)議論文，137-144.

[23]Vargas S,Castells P.Improving sales diversity by recommending users to items[C].ACM RecSys’2014會(huì)議論文，145-152.

[24]Adamopoulos P,Tuzhilin A.On over-specialization and concentration bias of recommendations:probabilistic neighborhood selection in collaborative filtering systems[C].ACM RecSys’2014會(huì)議論文，153-160.

[25]Ekstrand M D,Harper F M,Willemsen M C,et al.User perception of differences in recommender algorithms[C].ACM RecSys’2014會(huì)議論文，161-168.

[26]Noia T D,Ostuni V C,Rosati J,et al.An analysis of users’ propensity toward diversity in recommendations[C].ACM RecSys’2014會(huì)議論文，285-288.

[27]Vargas S,Baltrunas L,Karatzoglou A,et al.Coverage,Redundancy and Size-Awareness in Genre Diversity for Recommender Systems[C].ACM RecSys’2014會(huì)議論文，209-216.

[28]Verstrepen K,Goethals B.Unifying nearest neighbors collaborative filtering[C].ACM RecSys’2014會(huì)議論文，177-184.

[29]Pedro J S,Karatzoglou A.Question recommendation for collaborative question answering systems with RankSLDA[C].ACM RecSys’2014會(huì)議論文，193-200.

[30]Liu Y D,Xie M,Lakshmanan V S L.Recommending user generated item lists[C].ACM RecSys’2014會(huì)議論文，185-192.

[31]Jason L.Harman,Tarek Abdelzaher.Dynamics of Human Trust in Recommender Systems[C].ACM RecSys’2014會(huì)議論文，305-308.

[32]Parantapa Bhattacharya,Muhammad Bilal Zafar,Niloy Ganguly,et al.Inferring User Interests in the Twitter Social Network[C].ACM RecSys’2014會(huì)議論文，357-360.

[33]Kim Y D,Choi S.Bayesian binomial mixture model for collaborative prediction with non-random missing data [C].ACM RecSys’2014會(huì)議論文，201-208.

[34]Cremonesi P,Quadrana M.Cross-domain Recommendations without Overlapping Data:Myth or Reality?[C].ACM RecSys’2014會(huì)議論文，297-300.

[35]Vanchinathan H P,Nikolic I,Bona F D,et al.Explore-exploit in top-N recommender systems via Gaussian processes[C].ACM RecSys’2014會(huì)議論文，225-232.

[36]Gueye M,Abdessalem T,Naacke H.A parameter-free algorithm for an optimized tag recommendation list size[C].ACM RecSys’2014會(huì)議論文，233-240.

[37]Naamani-Dery L,Kalech M,Rokach L,et al.Preference Elicitation for Narrowing the Recommended List for Groups[C].ACM RecSys’2014會(huì)議論文，333-336.

[38]Liu X,Aberer K.Towards a dynamic top-N recommendation framework[C].ACM RecSys’2014會(huì)議論文，217-224.

[39]Petroni F,Querzoni L.GASGD:stochastic gradient descent for distributed asynchronous matrix completion via graph partitioning[C].ACM RecSys’2014會(huì)議論文，241-248.

[40]Bachrach Y,Finkelstein Y,Gilad-Bachrach R,et al.Speeding up the Xbox recommender system using a euclidean transformation for inner-product spaces[C].ACM RecSys’2014會(huì)議論文，257-264.

[41]Cheng C,Xia F,Zhang T,et al.Gradient boosting factorization machines[C].ACM RecSys’2014會(huì)議論文，265-272.

[42]Zheng Y,Mobasher B,Burke R.CSLIM: Contextual SLIM Recommendation Algorithms[C].ACM RecSys’2014會(huì)議論文，301-304.

[43]Pálovics R,Benczúr A A.,Kocsis L,et al.Exploiting temporal influence in online recommendation[C].ACM RecSys’2014會(huì)議論文，273-280.

[44]Loni B,Said A,Larson M,et al.Free Lunch’ Enhancement for Collaborative Filtering with Factorization Machines[C].ACM RecSys’2014會(huì)議論文，281-284.

[45]Fazeli S,Loni B,Bellogin A,et al.Implicit vs.Explicit Trust in Social Matrix Factorization[C].ACM RecSys’2014會(huì)議論文，317-320.

[46]Bauer J,Nanopoulos A.A framework for matrix factorization based on general distributions[C].ACM RecSys’2014會(huì)議論文，249-256.

(本文責(zé)任編輯：馬 卓)

Hot Topics and Trends of Recommender System Research:A Review on ACM RecSys’2014 Annual Meeting

Jing Minchang

(Library，China University of Petroleum，Beijing 102249，China)

The ACM RecSys annual meeting is a highlight of recommender system.The accepted papers in ACM RecSys’2014 were analyzed and divided into 9 hot topics:novel applications,context-ware,cold start & hybrid recommenders,privacy & security,metrics & evaluation,diversity & novelty,recommendation methods & theory,ranking & top-n recommendation and matrix factorization.The characteristic of current research of RS was summarized as three representational words:new,deep and hybrid.The paper throught that hybrid recommender was the main direction of future research of RS.

recommender system;ACM RecSys;hot topics

2014-12-29

中國(guó)石油大學(xué)教學(xué)改革項(xiàng)目(項(xiàng)目編號(hào)：2013B27)。

景民昌(1972-)，男，技術(shù)部主任，副研究館員，研究方向：Web信息管理技術(shù)與信息系統(tǒng)，發(fā)表論文30余篇。

10．3969/j．issn．1008-0821．2015．04．009

TP311

A

1008-0821(2015)04-0041-05