中国人民大学：算法向善与个性化推荐发展研究报告（48页）.pdf

《中国人民大学：算法向善与个性化推荐发展研究报告（48页）.pdf》由会员分享，可在线阅读，更多相关《中国人民大学：算法向善与个性化推荐发展研究报告（48页）.pdf（48页珍藏版）》请在三个皮匠报告上搜索。

1、算法向善与个性化推荐发展研究报告2目录第一章 推荐系统.1.1.什么是推荐系统.1.2.推荐系统在人类生活中的体现方式.1.2.1.资讯推荐.1.2.2.视频、音乐推荐.1.2.3.电商平台推荐.1.2.4.电子政务推荐.第二章 推荐系统的研究背景及国内外研究现状.2.1.推荐系统的发展历史.2.2.推荐系统的价值.2.2.1.整合市场需求.2.2.2.技术发展规律.2.2.3.产业发展需求.2.3.推荐系统的研究现状.2.3.1.学术界.2.3.2.产业界.第三章 推荐领域面临的问题.3.1.信息茧房.3.2.算法黑盒.3.3.价值观及伦理问题.3.3.1.虚假新闻与低俗内容泛滥.3.3.2

2、.算法偏见和歧视.3.3.3.算法公平性.3.4.用户隐私与安全问题.第四章 推荐领域研究趋势.4.1.信息茧房.4.2.算法黑盒.4.3.价值观及伦理问题.4.4.用户隐私与安全问题.第五章 推荐算法面临问题总结与思考.3第一章第一章推荐系统推荐系统1.1.1.1.什么是推荐系统什么是推荐系统推荐系统作为一个专业术语，对于人们来说可能比较陌生，但实际上，我们已经逐渐习惯了它的存在。无论你是用抖音刷着小视频，或是在今日头条 APP 中浏览着资讯信息，还是打开淘宝找寻想要购买的商品，你无时无刻都在和推荐系统进行交互。设想一下，当你打开今日头条 APP 想要看一会儿最新资讯时，主页面会给你自动推荐

3、你感兴趣的领域的信息，在你选择其中一则新闻并看完之后，你发现在该资讯的页面下方出现了许多可能与你所看资讯有关的信息，在这个场景中决定给您推荐哪些信息的决策过程就是推荐系统。图 1 现实生活中常见的推荐系统。随着信息技术的发展和电子设备的广泛使用，我们现在已经进入了数据大爆炸的时代。据互联网数据中心发布的数据时代 2025报告显示，全球每年产生的数据将从 2018 年的 33ZB（十万亿亿字节）增长到 175ZB，相当于每天产生 491EB（百亿亿字节）的数据。虽然相比于过去信息匮乏的时代，如今信息量的增加值得欣喜，但是一旦信息量过大，我们就需要合适的方法来获取需要或者感兴趣的信息，否则杂乱无章

4、的数据对于我们来说是无益的。除此之外，信息量过大也会导致数据信息的质量无法得到保证，海量数据通常会掺杂许多没有意义甚至虚假的信息，形成噪声，对信息的使用和挖掘产生负面影响。面对包含噪声的海量数据，对于用户来说，用户无法或者很难在其中找到满足自己真正需要的内容或者对自己真正有益的信息；对于企业来说，企业无法有效管理和分析这些数据，也无法通过简单的技术手段挖掘其中的有效信息来为用户提供他们可能感兴趣的内容。面对这种窘境，推荐系统应运而生，旨在从海量数据中寻找满足用户意图或者兴趣偏好的内容，从而减少用户浏览大量无效数据而造成的时间和精力上的浪费。本质上，推荐系统是一个信息过滤系统，是用户历史数据、推

5、荐模型和用户交互行为循环交互的过程。具体而言，其工作原理及其流程4图 2 推荐系统工作原理及其流程主要包括 3 个步骤：（1）从移动端、网页、社交网络等各种途径获取用户大量的行为历史数据，通过清洗和筛选产生有效的用户日志数据；（2）推荐算法从用户日志数据中挖掘用户特征，对用户的兴趣偏好进行建模，预测用户对候选商品、服务或者内容的喜爱程度；（3）根据预测的用户对候选商品、服务或者内容的喜爱程度对其排序，将排名较高的商品、服务或者内容推荐给用户。用户对推荐的服务或者内容进行浏览、点击或者购买等行为，形成新的用户交互记录，用于更新用户兴趣偏好。图 3 推荐系统分类纵观推荐系统的发展历史，可以将推荐系

6、统分为非个性化推荐系统和个性化推荐系统。顾名思义，非个性化推荐就是不考虑每个用户的特性和其历史行为，忽略对用户兴趣偏好的个性化建模，使得推荐结果形式化的展示为千人一面。该类推荐系统直接根据点击量、销量、热度、流行度等属性特征将物品、服务或者内容排序给用户做推荐。这样的推荐模式5使得即使是有不同兴趣偏好的用户也会拥有几乎相同的推荐结果；而个性化推荐系统就是为每一个特定用户提供特定的服务，实现千人千面。个性化推荐系统的核心功能是根据用户的历史行为、社交关系、兴趣点、所处上下文环境等信息来识别用户的兴趣偏好，借此预测用户是否对某种物品、服务或者内容感兴趣，并根据可能感兴趣的程度高低来给用户进行推荐。