主要观点总结
推荐系统（RS）在学术和工业背景下经历了显著的发展，从传统的基于内容和协同过滤的技术到深度学习和大型语言模型的先进方法。这篇综述回顾了2017年至2024年间RS的进展，探讨了这些技术在电子商务、娱乐、医疗、政府、图书馆、教育、旅游、金融和新闻等不同领域的应用和面临的挑战。文章强调，尽管取得了显著进步，但仍面临数据稀疏性、隐私问题以及对系统既要适应性强又要可解释性的需求等挑战。未来研究应重视负责任的AI、超越统计相关性、计算和存储资源、生成性AI等方向，并加强学术界和工业界的合作，以实现理论进步向实际应用的转化。
关键观点总结
关键观点1: 推荐系统（RS）的发展历程
从基于内容和协同过滤的传统方法，到深度学习和大型语言模型的先进方法，RS经历了显著的进步。
关键观点2: RS在不同领域的应用
RS在电子商务、娱乐、医疗、政府、图书馆、教育、旅游、金融和新闻等领域发挥了重要作用，提升了用户体验和参与度。
关键观点3: RS面临的挑战
面临数据稀疏性、隐私问题以及系统适应性和可解释性的需求等挑战。
关键观点4: 未来研究方向
包括负责任的AI、超越统计相关性、计算和存储资源、生成性AI等方向，以及加强学术界和工业界的合作。
文章预览
推荐系统（RS）通过提供个性化的项目建议，如产品、电影、音乐或文章，发挥着增强用户体验的重要作用。本综述回顾了从2017年到2024年RS的进展，有效地将理论进步与实际应用联系起来。我们探讨了从传统的基于内容和协同过滤的RS技术到涉及深度学习、基于图的模型、强化学习和大型语言模型的高级方法的发展。 我们还讨论了如基于上下文、基于评论和公平性感知的专门系统。本综述的主要目标是将理论与实践相结合。它解决了包括电子商务、医疗保健和金融在内的各个领域的挑战，强调了需要可扩展、实时和值得信赖的解决方案。通过本综述，我们促进了学术研究与行业实践之间的更强伙伴关系。本综述提供的见解旨在指导行业专业人士优化RS部署，并激发未来的研究方向，特别是在解决新兴技术和社会趋势方面。 关键词： 推荐系统 · 基
………………………………
