混合推荐系统：系统性文献综述

推荐系统是借助各种策略生成并向用户提供物品及其他实体建议的软件工具。混合推荐系统以不同方式组合两种或更多推荐策略，以受益于它们的互补优势。本系统性文献综述介绍了过去十年中混合推荐系统的最新进展。它是首个完全聚焦于混合推荐器的定量综述工作。我们探讨了所考虑的最相关问题，并给出了用于克服这些问题的关联数据挖掘与推荐技术。我们还考察了每个混合推荐器所属的混合类别、应用领域、评估过程以及提出的未来研究方向。基于我们的发现，大多数研究将协同过滤与另一种技术常以加权方式结合。此外，冷启动和数据稀疏是分别被23项和22项研究解决的两个传统且首要的问题，而电影和电影数据集仍被大多数作者广泛使用。由于大多数研究通过与类似方法比较并使用准确性指标进行评估，提供更可信且以用户为导向的评估仍是一项典型挑战。除此之外，也识别出了较新的挑战，如响应用户上下文变化、演化的用户口味或提供跨域推荐。作为一个热点话题，混合推荐器通过探索上下文化推荐、涉及并行混合算法、处理更大数据集等更新机遇，构成了据此妥善应对的良好基础。