推荐系统，也称为推荐系统，是一种信息过滤系统，其尝试预测用户的额定值或偏好。本文根据类型，Pearson相关系数，基于KNN的基于KNN的基于KNN的滤波，使用TFIDF和SVD，基于TFIDF和SVD的协作滤波，基于TFIDF和SVD，基于TFIDF和SVD，基于TFIDF和SVD，基于SVD，基于TFIDF和SVD，基于SVD的协作的推荐系统技术来设计和实现完整的电影推荐系统原型。除此之外，我们还提供了一种新颖的想法，适用机器学习技术，基于流派构建电影的集群，然后观察定义了截线的惯性数量。已经描述了本工作中讨论的方法的约束，以及一个策略如何克服另一个策略的缺点。在集团镜头网站上的数据集电影镜片上完成了整个工作，其中包含100836个额定值和3683个TAG应用程序，跨越9742部电影。这些数据是由610年3月29日的610名用户在2018年3月29日和2018年9月24日创建。

多臂匪徒（MAB）提供了一种原则性的在线学习方法，以达到探索和剥削之间的平衡。由于表现出色和反馈学习低，没有学习在多种情况下采取行动，因此多臂匪徒在诸如推荐系统等应用程序中引起了广泛的关注。同样，在推荐系统中，协作过滤（CF）可以说是推荐系统中最早，最具影响力的方法。至关重要的是，新用户和不断变化的推荐项目池是推荐系统需要解决的挑战。对于协作过滤，经典方法是训练模型离线，然后执行在线测试，但是这种方法无法再处理用户偏好的动态变化，即所谓的冷启动。那么，如何在没有有效信息的情况下有效地向用户推荐项目？为了解决上述问题，已经提出了一个基于多臂强盗的协作过滤推荐系统，名为BanditMF。 BANDITMF旨在解决多军强盗算法和协作过滤中的两个挑战：（1）如何在有效信息稀缺的条件下解决冷启动问题以进行协作过滤，（2）强大社会关系域中的强盗算法问题是由独立估计与每个用户相关的未知参数并忽略用户之间的相关性引起的。

在这个大数据时代，当前一代很难从在线平台中包含的大量数据中找到正确的数据。在这种情况下，需要一个信息过滤系统，可以帮助他们找到所需的信息。近年来，出现了一个称为推荐系统的研究领域。推荐人变得重要，因为他们拥有许多现实生活应用。本文回顾了推荐系统在电子商务，电子商务，电子资源，电子政务，电子学习和电子生活中的不同技术和发展。通过分析有关该主题的最新工作，我们将能够详细概述当前的发展，并确定建议系统中的现有困难。最终结果为从业者和研究人员提供了对建议系统及其应用的必要指导和见解。

In this work a novel recommender system (RS) for Tourism is presented. The RS is context aware as is now the rule in the state-of-the-art for recommender systems and works on top of a tourism ontology which is used to group the different items being offered. The presented RS mixes different types of recommenders creating an ensemble which changes on the basis of the RS's maturity. Starting from simple content-based recommendations and iteratively adding popularity, demographic and collaborative filtering methods as rating density and user cardinality increases. The result is a RS that mutates during its lifetime and uses a tourism ontology and natural language processing (NLP) to correctly bin the items to specific item categories and meta categories in the ontology. This item classification facilitates the association between user preferences and items, as well as allowing to better classify and group the items being offered, which in turn is particularly useful for context-aware filtering.

随着人格计算的出现作为与人工智能和人格心理有关的新研究领域，我们目睹了一个前所未有的人格意识推荐系统的扩散。与传统推荐系统不同，这些新系统解决了传统问题，如冷启动和数据稀疏问题。该调查旨在研究和系统地分类人格意识推荐系统。据我们所知，这项调查是第一个重点关注人格意识推荐系统。通过比较其个性建模方法以及其推荐技术，我们探索了人格感知推荐系统的不同设计选择。此外，我们介绍了常用的数据集，并指出了人格感知推荐系统的一些挑战。

Recommender systems provide users with personalized suggestions for products or services. These systems often rely on Collaborating Filtering (CF), where past transactions are analyzed in order to establish connections between users and products. The two more successful approaches to CF are latent factor models, which directly profile both users and products, and neighborhood models, which analyze similarities between products or users. In this work we introduce some innovations to both approaches. The factor and neighborhood models can now be smoothly merged, thereby building a more accurate combined model. Further accuracy improvements are achieved by extending the models to exploit both explicit and implicit feedback by the users. The methods are tested on the Netflix data. Results are better than those previously published on that dataset. In addition, we suggest a new evaluation metric, which highlights the differences among methods, based on their performance at a top-K recommendation task.

A comprehensive pharmaceutical recommendation system was designed based on the patients and drugs features extracted from Drugs.com and Druglib.com. First, data from these databases were combined, and a dataset of patients and drug information was built. Secondly, the patients and drugs were clustered, and then the recommendation was performed using different ratings provided by patients, and importantly by the knowledge obtained from patients and drug specifications, and considering drug interactions. To the best of our knowledge, we are the first group to consider patients conditions and history in the proposed approach for selecting a specific medicine appropriate for that particular user. Our approach applies artificial intelligence (AI) models for the implementation. Sentiment analysis using natural language processing approaches is employed in pre-processing along with neural network-based methods and recommender system algorithms for modeling the system. In our work, patients conditions and drugs features are used for making two models based on matrix factorization. Then we used drug interaction to filter drugs with severe or mild interactions with other drugs. We developed a deep learning model for recommending drugs by using data from 2304 patients as a training set, and then we used data from 660 patients as our validation set. After that, we used knowledge from critical information about drugs and combined the outcome of the model into a knowledge-based system with the rules obtained from constraints on taking medicine.

在本文中，我们提出了一种方法，用于预测社交媒体对等体之间的信任链接，其中一个是在多识别信任建模的人工智能面积。特别是，我们提出了一种数据驱动的多面信任信任建模，该信任建模包括许多不同的特征以进行全面分析。我们专注于展示类似用户的聚类如何实现关键新功能：支持更个性化的，从而为用户提供更准确的预测。在信任感知项目推荐任务中说明，我们在大yelp数据集的上下文中评估所提出的框架。然后，我们讨论如何提高社交媒体的可信关系的检测可以帮助在最近爆发的社交网络环境中支持在线用户的违法行为和谣言的传播。我们的结论是关于一个特别易受资助的用户基础，老年人的反思，以说明关于用户组的推理价值，期望通过通过数据分析获得的洞察力集成已知偏好的一些未来方向。

协作过滤（CF）是推荐系统的重要方法，广泛应用于我们生命中的大量方面，在线的商业系统。 CF中的一个流行算法是K到最近邻居（KNN）算法，其中使用相似度测量来确定用户的最近邻居，从而量化相对用户/项目对之间的依赖程度。因此，CF方法不仅对相似性度量敏感，但它完全取决于对该措施的选择。虽然Jaccard - 作为CF任务的常用相似度措施之一 - 涉及评级的存在，余弦和皮尔逊等其他数值措施涉及评级的程度。特别说话，Jaccard不是一个主导的措施，但很长时间被证明是改善任何措施的重要因素。因此，在我们不断努力寻找最有效的CF相似性措施，本研究侧重于通过将Jaccard与多种数值措施相结合提出新的相似性度量。综合措施将采取存在和幅度的优点。电影镜头数据集的实验结果表明，综合措施是卓越的表现优于考虑的评估指标的所有单一措施。

在媒体流媒体的普及之后，许多视频流服务是不断购买新的视频内容来挖掘它们的潜在利润。因此，必须处理新添加的内容，以便建议给合适的用户。在本文中，我们通过探索各种深度学习功能提供视频建议的潜力来解决新的项目冷启动问题。调查的深度学习功能包括从视频内容中捕获视觉外观，音频和运动信息的功能。我们还探讨了不同的融合方法来评估这些功能模式如何组合以完全利用它们捕获的互补信息。关于电影建议的真实视频数据集的实验表明，深度学习功能优于手工制作的功能。特别是，使用深度学习音频功能和以自行信型的深度学习功能生成的建议优于MFCC和最先进的IDT功能。此外，与手工制作特征和文本元数据的各种深度学习特征的组合产生了显着的建议改善，而不是仅相结合的前者。

Such systems are particularly useful for entertainment products such as movies, music, and TV shows. Many customers will view the same movie, and each customer is likely to view numerous different movies. Customers have proven willing to indicate their level of satisfaction with particular movies, so a huge volume of data is available about which movies appeal to which customers. Companies can analyze this data to recommend movies to particular customers. RecommendeR system stRategiesBroadly speaking, recommender systems are based on one of two strategies. The content filtering approach creates a profile for each user or product to characterize its nature. For example, a movie profile could include attributes regarding its genre, the participating actors, its box office popularity, and so forth. User profiles might include demographic information or answers provided on a suitable questionnaire. The profiles allow programs to associate users with matching products. Of course, content-based strategies require gathering external information that might not be available or easy to collect.A known successful realization of content filtering is the Music Genome Project, which is used for the Internet radio service Pandora.com. A trained music analyst scores M odern consumers are inundated with choices. Electronic retailers and content providers offer a huge selection of products, with unprecedented opportunities to meet a variety of special needs and tastes. Matching consumers with the most appropriate products is key to enhancing user satisfaction and loyalty. Therefore, more retailers have become interested in recommender systems, which analyze patterns of user interest in products to provide personalized recommendations that suit a user's taste. Because good personalized recommendations can add another dimension to the user experience, e-commerce leaders like Amazon.com and Netflix have made recommender systems a salient part of their websites.

神经网络嵌入的成功使人们对使用知识图进行各种机器学习和信息检索任务产生了重新兴趣。特别是，基于图形嵌入的当前建议方法已显示出最新的性能。这些方法通常编码潜在的评级模式和内容功能。与以前的工作不同，在本文中，我们建议利用从图表中提取的嵌入，这些嵌入结合了从评分中的信息和文本评论中表达的基于方面的意见。然后，我们根据亚马逊和Yelp评论在六个域上生成的图表调整和评估最新的图形嵌入技术，优于基线推荐器。我们的方法具有提供解释的优势，该解释利用了用户对推荐项目的基于方面的意见。此外，我们还提供了使用方面意见作为可视化仪表板中的解释的建议的适用性的示例，该说明允许获取有关从输入图的嵌入中获得的有关类似用户的最喜欢和最不喜欢的方面的信息。

推荐系统是机器学习系统的子类，它们采用复杂的信息过滤策略来减少搜索时间，并向任何特定用户建议最相关的项目。混合建议系统以不同的方式结合了多种建议策略，以从其互补的优势中受益。一些混合推荐系统已经结合了协作过滤和基于内容的方法来构建更强大的系统。在本文中，我们提出了一个混合推荐系统，该系统将基于最小二乘（ALS）的交替正方（ALS）的协作过滤与深度学习结合在一起，以增强建议性能，并克服与协作过滤方法相关的限制，尤其是关于其冷启动问题。本质上，我们使用ALS（协作过滤）的输出来影响深度神经网络（DNN）的建议，该建议结合了大数据处理框架中的特征，上下文，结构和顺序信息。我们已经进行了几项实验，以测试拟议混合体架构向潜在客户推荐智能手机的功效，并将其性能与其他开源推荐人进行比较。结果表明，所提出的系统的表现优于几个现有的混合推荐系统。

许多研究人员使用标签信息来提高推荐系统推荐技术的性能。检查用户的标志将有助于获得他们的兴趣，并导致建议的更准确。由于用户定义的标签是自由选择的，因此在没有任何限制的情况下，在确定它们的确切含义和标签的相似性时出现问题。另一方面，由于用户在许多数据集中使用不同语言的自由定义，使用杂散和本体找到标签的含义并不是很有效。因此，本文使用数学和统计方法来确定词汇相似性和共发生标签解决方案以分配语义相似性。另一方面，由于用户随着时间的流利的变化，本文已经考虑了用于确定标签的相似性的共发生标签中标记分配的时间。然后基于这些相似之处创建图形。为了建模用户的利益，通过使用社区检测方法确定标签的社区。因此，基于标签社区和资源之间的相似性的建议。已经使用基于“美味”数据集的评估，使用两个精度和召回标准进行了所提出的方法的性能。评价结果表明，与其他方法相比，所提出的方法的精度和召回显着改善。

传统的推荐系统面临两个长期存在的障碍，即数据稀疏性和冷启动问题，这些问题促进了跨域建议（CDR）的出现和发展。 CDR的核心思想是利用从其他领域收集的信息来减轻一个域中的两个问题。在过去的十年中，许多努力进行了跨域建议。最近，随着深度学习和神经网络的发展，出现了许多方法。但是，关于CDR的系统调查数量有限，尤其是关于最新提出的方法以及他们解决的建议方案和建议任务。在本调查文件中，我们首先提出了跨域建议的两级分类法，该分类法对不同的建议方案和建议任务进行了分类。然后，我们以结构化的方式介绍并总结了不同建议方案下的现有跨域推荐方法。我们还组织了常用的数据集。我们通过提供有关该领域的几个潜在研究方向来结束这项调查。

如今，我们在各种基于Web的应用程序中拥有大量的在线项目，这使其成为构建有效的个性化推荐系统的重要任务，以节省用户在寻求信息中的努力。用于个性化建议的最广泛和成功使用的方法之一是协同过滤（CF）技术，这使得基于用户的历史选择以及其他人的建议。最受欢迎的CF方法，如潜在因子模型（LFM），是模拟用户如何通过了解他们意见的隐藏维度或因素来评估项目。如何模拟这些隐藏因素是提高推荐系统性能的关键。在这项工作中，我们考虑通过整合位置信息和用户的偏好来考虑旅行计划服务的酒店推荐问题。直觉是用户偏好可以在不同的位置动态地改变，从而将用户的历史决策视为静态或普遍适用的可能性在现实世界中可能是不可行的。例如，用户可以在商业旅行时更喜欢配有标准配置的连锁品牌酒店，而且在旅行时，他们可能更喜欢当地的当地酒店旅行时进行娱乐。在本文中，我们的目标是为推荐用户提供旅行级别的个性化。

神经网络嵌入的成功使人们对使用知识图进行各种机器学习和信息检索任务产生了重新兴趣。特别是，基于图嵌入的最新建议方法显示了最先进的性能。通常，这些方法编码潜在评级模式和内容功能。与以前的工作不同，在本文中，我们建议利用从图表中提取的嵌入，这些嵌入结合了从评分中的信息和文本评论中表达的基于方面的意见。然后，我们根据亚马逊和Yelp评论在六个域上生成的图表调整和评估最新的图形嵌入技术，优于基线推荐器。此外，我们的方法具有提供解释的优势，该解释涉及用户对推荐项目的基于方面意见的报道。

由于出版物的数量越来越多，找到与人的利益相关的在线研究论文非常具有挑战性。因此，个性化的研究论文建议已成为一个重要且及时的研究主题。协作过滤是一种成功的推荐方法，它利用用户给出的项目的评分作为学习的信息来源，以提出准确的建议。但是，由于每年的出版物数量大量增长，评级通常非常稀少。因此，人们对考虑评级和内容信息的混合方法有了更多的关注。然而，基于文本嵌入的大多数混合推荐方法都使用了词袋技术，它们忽略了单词顺序和语义含义。在本文中，我们提出了一种混合方法，该方法基于用户分配的社会标签来利用研究论文的深层语义表示。实验评估是对Citeulike进行的，Citeulike是一个真实且公开可用的数据集。获得的发现表明，即使评级数据非常稀疏，提出的模型也可以有效推荐研究论文。

大多数现有推荐系统仅基于评级数据，并且他们忽略了可能会增加建议质量的其他信息来源，例如文本评论或用户和项目特征。此外，这些系统的大多数仅适用于小型数据集（数千个观察）并且无法处理大型数据集（具有数百万观察结果）。我们提出了一种推荐人算法，该算法将评级建模技术（即潜在因子模型）与基于文本评论（即潜在Dirichlet分配）的主题建模方法组合，并且我们扩展了算法，使其允许添加额外的用户和项目 - 对系统的特定信息。我们使用具有不同大小的Amazon.com数据集来评估算法的性能，对应于23个产品类别。将建筑模型与四种其他型号进行比较后，我们发现将患有评级的文本评语相结合，导致更好的建议。此外，我们发现为模型添加额外的用户和项目功能会提高其预测精度，这对于中型和大数据集尤其如此。

尽管机器学习的其他领域越来越多地自动化，但设计高性能的推荐系统仍然需要高水平的人力努力。此外，最近的工作表明，现代推荐系统算法并不总是比调整良好的基线改进。一个自然的后续问题是：“我们如何为新数据集和性能指标选择正确的算法？”在这项工作中，我们首先要通过比较85个数据集和315个指标的18算法和100组超参数的大规模研究。我们发现，最好的算法和超参数高度依赖于数据集和性能指标，但是，每种算法的性能与数据集的各种元元功能之间也存在很强的相关性。在这些发现的激励下，我们创建了Reczilla，这是一种推荐系统的元学习方法，该方法使用模型来预测新的，看不见的数据集的最佳算法和超参数。通过使用比先前的工作更多的元培训数据，Reczilla可以大大降低面对新推荐系统应用时人类参与水平。我们不仅发布了我们的代码和预处理的Reczilla模型，而且还发布了所有原始的实验结果，因此从业者可以为其所需的性能指标训练Reczilla模型：https：//github.com/naszilla/reczilla。