-
文献综述 - 推荐系统概述
随着信息技术和互联网的出现，世界进入了信息爆炸的时代。在网络中充斥着大量数据的今天，用户如何寻找自己感兴趣的信息，信息提供者如何使用户更加关注自己的信息，成为了一件非常困难的事情。而推荐系统则渐渐浮入眼帘，成为解决这一问题的重要工具。
推荐系统概念
目前被普遍接受的推荐系统的定义是Resnick和Varian提出的：利用电子商务网站向用户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售用户帮助用户完成购买过程。
推荐系统主要由三部分组成：用户行为数据、用户兴趣模型、推荐算法。推荐系统能够通过从庞大的数据中收集数据并进行处理，它将用户和信息联系起来，帮助用户预测他们最可能喜欢的内容，缓解用户的选择烦恼，并能够使信息提供者收获用户的青睐。
（二）国内外研究现状
推荐系统起初只是一种“人们提供推荐作为输入，然后系统整合并定向到合适的接收者”的技术。该术语现在有更为广泛的含义，指一切产生个性化推荐作为输出的系统，或者具有以个性化的方式引导用户在大量可能选项中找到有趣或有用的对象的效果。自20世纪90年代第一篇关于协同过滤的论文的出现，推荐系统成为一个重要的研究领域。在过去的几十年里，人们在工业和学术方面对推荐系统的发展做了很多工作。
21世纪以来，不管是在商业界，还是学术界，推荐系统都取得了长足的发展。在学术界，美国计算机协会从2007年开始召开有关推荐系统发展研究会议的国际会议（ACM RecSys），有许多关于推荐系统的优秀文章在该会议上发表，从各个方面优化了推荐系统，使推荐系统更加完善。与此同时，很多公司将数据集公开举行竞赛，并且将数据集提供给参赛者免费使用，其中NetFlix公司推荐众包、国内阿里巴巴举办的天池大数据竞赛就是较为典型的案例。值得一提的是，在这些竞赛的实战中，参赛者们创造了许多带有创新性的、与现实密切相关的推荐策略，例如，以矩阵分解为基础建立起来的推荐算法就是在NexFlix主办的有关竞赛中提出来的。在商业界，互联网领域越来越多地出现个性化推荐技术的运用实例：一方面，许多专业推荐网站产生了，Pandora、Jinni就是其中相对典型的案例；另一方面，越来越多的网站将推荐系统引入并作为网站的重要模块，为上网用户带来更好的体验，最终为网站带来更高的利润，亚马逊、京东、天猫就是其中较为大型且运用得比较成功的案例。
近年来，机器学习和深度学习等领域的发展，为推荐系统提供了方法指导。RecSys会议自2016年起开始举办定期的推荐系统深度学习研讨会，旨在促进研究和鼓励基于深度学习的推荐系统的应用。2017年Alexandros Karatzoglou等人在论文[15]中介绍了深度学习在推荐系统中的应用，描述了基于深度学习的内容推荐和协同过滤推荐方法，深度学习成为当前推荐系统研究的热点。
由于推荐的广泛应用和高商业价值，推荐研究也扩展到其他方面，如用户行为模式挖掘与分析，推荐系统脆弱性、推荐效果评估，推荐用户界面与用户体验等。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
