信息总量的爆炸性增长导致“信息过载”——用户难以在海量信息中找到自己需要的对象。信息推荐系统被认为是解决信息过载最有效的工具[1]，其最早的研究可以追溯到30年前[2]，而90年代早期关于信息推荐的概念就已基本成型[3]。

传统推荐系统往往基于用户或对象的相似性，本质上是集中化的静态系统[4]。海量数据的出现，Web2.0技术的成熟，用户实时反馈需求的增加和在线社会网络的涌现提出了对下一代信息推荐系统的需求[5]。这方面的研究不仅可以推动数据挖掘和信息过滤理论和技术的发展，而且对在线零售系统(如Amazon, Netflix)以及在线资源共享型社区(如Doban, Delicious)具有重要的商业价值。

对下一代信息推荐系统的研究，应突出其与传统系统的本质区别，包括：(1)海量动态系统的实时处理。对于绝大多数在线系统，新用户和新对象随时加入，老用户和对象之间也在发生新关系。针对新加入的数据，设计快速反应的实时算法，具有重要的应用价值[6,7]。(2)社会推荐机制与算法设计。有证据显示用户更喜欢来自朋友而非系统的推荐[8]。如何充分利用社会网络，从目标用户的朋友中挖掘可推荐的对象或者引导目标用户向其朋友推荐，设计局部化的可分布式实现的新算法，将信任评价机制和社会推荐有机结合起来，将成为近期关注的焦点[9,10]。(3)个性化自适应算法。下一代推荐系统针对不同行为模式的用户可采用完全不同的算法，且可随用户行为模式的变化自适应地改变算法，实现更本质的个性化。(4)鲁棒性问题。现有算法很少考虑恶意用户通过欺骗行为获取不正当利益或损害其他用户的正当利益。下一代推荐系统应充分考虑恶意用户的存在性，提高鲁棒性。

与此相应的，对推荐系统的评价不仅要考虑推荐的准确性，还应该考虑推荐的信息量，尽量避免推荐用户已经知道或者很多话题内容相近的对象。这就导致了如何同时保证推荐精确性、多样性和新颖性的难题[11,12]。分析用户真实反馈，总结规律，提出更能反映真实用户体验的新的性能评价指标，是亟待解决的重要问题。

 

------ 参考文献 ------

[1] 刘建国，周涛，汪秉宏，个性化推荐系统的研究进展，自然科学进展，2009年19卷1期，1-15页。

[2] E. Rich, User modeling via stereotypes, Cognitive Science 3 (1979) 329.

[3] D. Goldberg, D. Nichols, B. M. Oki, D. Terry, Using collaborative filtering to weave an information tapestry, Commun. ACM 35(12) (1992) 61.

[4] J. B. Schafer, D. Frankowski, J. Herlocker, S. Sen, Collaborative filtering recommender systems, LNCS 4321 (2007) 291.

[5] G. Adomavicius, A. Tuzhilin, Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions, IEEE Trans. Knowl. Data Eng. 17 (2005) 734.

[6] H. Wu, Y. Wang, X. Cheng, Incremental probabilistic latent semantic analysis for automatic question recommendation, Proc. 2008 ACM Conf. Recommender Systems, ACM Press, 2008, p. 99-106.

[7] L. AlSumait, D. Barbara, C. Domeniconi, On-line LDA: Adaptive Topic Models for Mining Text Streams with Applications to Topic Detection and Tracking, Proc. 2008 IEEE Intl. Conf. Data Mining, IEEE Computer Soecity, 2008, p. 3-12.

[8] P. Bonhard, M. A. Sasse, ‘Knowing me, knowing you’—Using profiles and social networking to improverecommendersystems, BT Tech. J. 24(3) (2006) 84.

[9] M. Medo, Y.-C. Zhang, T. Zhou, Adaptive model for recommendation of news, EPL 88 (2009) 38005.

[10] J. O’Donovan, B. Smyth, Trust in recommender systems, Proc. 10^th Intl. Conf. Intelligent User Interface, ACM Press, 2005, p. 167-174.

[11] C.-N. Ziegler, S. M. McNee, J. A. Konstan, G. Lausen, Improving recommendation lists through topic diversification, Proc. 14^th Intl. WWW Conf., ACM Press, 2005, p. 22-32.

[12] T. Zhou, Z. Kuscsik, J.-G. Liu, M. Medo, J. R. Wakeling, Y.-C. Zhang, Solving the apparent diversity-accuracy dilemma of recommender systems, Proc. Natl. Acad. Sci. U.S.A. 107 (2010) 4511.

--- 备注 ---

这是被抓壮丁写的XXX项目的立项建议，没有太认真的写，但是也花掉了两个多小时。内行看起来是比较肤浅，外行看或许还有一点意思。