推荐系统，对于我们来说并不陌生，可以说无处不在。抖音的视频推荐让我们欲罢不能，淘宝的猜你喜欢令大家流连忘返，网易云的每日歌单使我们沉浸其中。可见，推荐技术已经成为了业界的流量担当、变现神器，也成为了我们的生活小助手，渗透到生活的各个方面。

推荐系统的核心是推荐算法，其通过利用用户对项目的行为数据、用户画像以及物品属性来构建推荐模型，进而对用户的未来行为进行预测。

推荐系统根据不同的分类维度可进行多种分类，以下进行举例介绍。

• 根据产品的存在形式可以分为：首页推荐、热门推荐和相关推荐等。
• 根据推荐技术的不同分为：基于内容的推荐、基于协同过滤的推荐、基于混合的推荐。
• 根据利用的信息不同可分为：协同过滤推荐、社会化推荐、兴趣点推荐、知识图推荐以及标签推荐等。
• 根据推荐任务不同可分为：评分预测和项目排序。
• 根据模型所利用假设不同分为：以KNN为代表的非训练的方法，以MF为代表的传统机器学习方法，以及以Wide&Deep模型为代表的深度学习推荐等。

可见推荐的形式以及种类繁多，对于刚入门的同学来说有点头疼。那么如何才能入门呢，相信最好的办法是阅读相关的综述文章（当然最好是有一定的数学基础以及背景知识）。因此本文的作用起到综述索引的效果，我也把她叫做推荐系统综述的综述(Surveys on Survey on Recommendation)，将对25篇推荐系统综述归类为15种类别，希望能够对大家有一个整体的概念。然后便是选择其中一个具体细分领域进行深挖，成为该领域的佼佼者。

推荐系统综述

• Adomavicius et al. Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. IEEE TKDE, 2005.
• Zhu et al. Research Commentary on Recommendations with Side Information: A Survey and Research Directions. Electron. Commer. Res. Appl., 2019

协同过滤综述

• Su et al. A survey of collaborative filtering techniques. Advances in artificial intelligence, 2009.
• Cacheda et al. Comparison of collaborative filtering algorithms: Limitations of current techniques and proposals for scalable, high-performance recommender systems. ACM TWEB, 2011.
• Shi et al. Collaborative filtering beyond the user-item matrix: A survey of the state of the art and future challenges. ACM COMPUT SURV, 2014.
• Efthalia et al. Parallel and Distributed Collaborative Filtering: A Survey. Comput. Surv., 2016.

混合推荐综述

• Burke et al. Hybrid Recommender Systems: Survey and Experiments. USER MODEL USER-ADAP, 2002.

标签推荐综述

• Zhang et al. Tag-aware recommender systems: a state-of-the-art survey. J COMPUT SCI TECHNOL, 2011.

社会化推荐综述

• Tang et al. Social recommendation: a review. SNAM, 2013.
• Yang et al. A survey of collaborative filtering based social recommender systems. COMPUT COMMUN, 2014.
• Xu et al. Social networking meets recommender systems: survey. Int.J.Social Network Mining, 2015.
• Liu et al. Survey of matrix factorization based recommendation methods by integrating social information. Journal of Software, 2018.

文本推荐综述

• Chen et al. Recommender systems based on user reviews: the state of the art. USER MODEL USER-ADAP, 2015.

兴趣点推荐综述

• Yu et al. A survey of point-of-interest recommendation in location-based social networks. In Workshops at AAAI, 2015.

跨域推荐综述

• Muhammad et al. Cross Domain Recommender Systems: A Systematic Literature Review. ACM Comput. Surv, 2017.

序列推荐综述

• Massimo et al. Sequence-Aware Recommender Systems. ACM Comput. Surv, 2018.
• Shoujin et al. Sequential Recommender Systems: Challenges, Progress and Prospects. IJCAI, 2019.

会话推荐综述

• Shoujin et al. A Survey on Session-based Recommender Systems. arXiv, 2019.

可解释推荐综述

• Zhang et al. Explainable Recommendation: A Survey and New Perspectives. Found. Trends Inf. Retr., 2020.

对话推荐系统综述

• Dietmar et al. A Survey on Conversational Recommender Systems. arXiv, 2020.

知识图推荐综述

• Qingyu et al. A Survey on Knowledge Graph-Based Recommender Systems. arXiv, 2020.

组推荐综述

• Sriharsha et al. A Survey on Group Recommender Systems. J. Intell. Inf. Syst., 2020

深度学习推荐综述

• Singhal et al. Use of Deep Learning in Modern Recommendation System: A Summary of Recent Works. arXiv, 2017.
• Zhang et al. Deep learning based recommender system: A survey and new perspectives. ACM Comput.Surv, 2018.
• Batmaz et al. A review on deep learning for recommender systems: challenges and remedies. Artificial Intelligence Review, 2018.

更多论文参考：https://github.com/hongleizhang/RSPapers，欢迎Star。

当你看到这的时候，相信已经对某一篇或者多篇综述文章跃跃欲看了，别着急，走进后台回复【综述】即可打包享用。另外，若想一起交流推荐系统相关知识，欢迎进群。

推荐阅读

ECAI2020推荐系统论文聚焦

AAAI2020推荐系统论文集锦

推荐系统干货总结

WWW2020推荐系统论文合集(已分类整理)