Multi-Behavior Recommender Systems: A Survey
作者: Kyungho Kim, Sunwoo Kim, Geon Lee, Jinhong Jung, Kijung Shin
发布时间: 2025-03-11
来源: arxiv
研究方向: 多行为推荐系统（Multi-behavior Recommender Systems）
主要内容
本文对多行为推荐系统进行了全面综述，重点关注数据建模、编码和训练三个关键步骤，并分析了现有方法在各个步骤中的具体应用和优缺点。
主要贡献
1. 系统地分类了现有的多行为推荐系统，并基于数据建模、编码和训练三个关键步骤进行了详细分析。
2. 详细讨论了多行为推荐系统中使用的数据结构、编码技术和训练目标。
3. 提出了未来多行为推荐系统的研究方向，包括数据稀疏性和不平衡性、可扩展性和效率、可解释性以及隐私和伦理问题。
4. 提供了大量多行为推荐系统使用的基准数据集，方便研究人员进行比较和分析。
研究方法
1. 数据建模：包括视图特定图、视图统一图和视图统一序列等。
2. 编码：包括并行编码和序列编码等。
3. 训练：包括主要训练目标和辅助训练目标等。
实验结果
本文并未提供具体的实验结果，但通过对现有研究的总结和分析，可以得出以下结论：多行为推荐系统在提高推荐准确性和相关性方面具有显著优势，但仍存在一些挑战，如数据稀疏性、可扩展性、可解释性和隐私问题。
未来工作
未来的研究方向包括：针对数据稀疏性和不平衡性问题，开发更有效的数据驱动方法；针对可扩展性问题，开发高效的可扩展推荐系统；针对可解释性问题，开发可解释的多行为推荐系统；针对隐私问题，开发隐私保护的多行为推荐系统。