2.1　个性化推荐

个性化推荐算法目前较为公认地可以分为如下三类^[1]，[2]：基于内容的推荐^[3]，[4]、基于协同过滤的推荐^[5–7]以及混合型推荐^[8–10]。其中，基于协同过滤的推荐因其对专家知识依赖度低以及可以利用群体智慧等特点，得到了最为深入、最为广泛的研究，它又可以被分为多个子类别，主要包括基于用户的协同过滤（user-based CF）^[11]、基于物品的协同过滤（item-based CF）^[12]以及基于模型的协同过滤（model-based CF）^[6]等。其中基于模型的推荐是一类方法的统称，指利用系统已有的数据和用户历史行为，学习和构建一个模型，进而利用该模型进行用户偏好建模、预测与个性化推荐，根据具体应用场景和可用数据的不同，这里的模型可以是常用的奇异值分解等矩阵分解模型^[13]，也可以是主题模型、人工神经网络、概率图模型、组合优化甚至深度学习等机器学习模型^[1]。在下面的部分，将在如上几个方面对个性化推荐系统的研究现状与相关工作进行具体的介绍。