标签推荐综述：从传统方法到深度学习及未来展望

社交媒体平台上用户生成内容的指数级增长给信息管理带来了重大挑战，特别是在内容组织、检索和发现方面。标签作为一种基本的分类机制，在提升内容可见性和用户参与度方面发挥着关键作用。然而，开发准确且鲁棒的标签推荐系统仍然是一项复杂且不断演进的研究挑战。该领域现有的综述在范围和时效性上存在局限，仅狭隘地关注特定平台、方法或时间段。为了填补这一空白，本文对标签推荐系统进行了系统分析，全面考察了多个维度的最新进展。我们研究了单模态与多模态方法、多样化的问题表述、过滤策略，以及从传统基于频率的模型到先进深度学习架构的方法论演进。此外，我们批判性地评估了性能评估范式，包括定量指标、定性分析和混合评估框架。我们的分析强调了向基于 Transformer 的深度学习模型的范式转变，这些模型利用上下文和语义特征以实现更高的推荐准确率。本文严格讨论了数据稀疏性、冷启动场景、多义性和模型可解释性等关键挑战，以及推文分类、情感分析和内容流行度预测中的实际应用。通过综合来自不同方法论和特定平台视角的见解，本综述提供了当前研究的结构化分类体系，指出了未解决的差距，并为开发自适应的、以用户为中心的推荐系统提出了未来方向。