A Comprehensive Review of Recommender Systems: Transitioning from Theory to Practice

推荐系统（RS）通过提供个性化的物品建议，为增强用户体验发挥了重要作用。本综述全面回顾了2017年至2024年间RS的进展，有效地将理论进展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、基于图形的模型、强化学习和大型语言模型的先进方法的发展。我们还讨论了专门的系统，如上下文感知、基于评论和公平感知的RS。本综述的主要目标是将理论与实践联系起来。它涵盖了各个领域的挑战，包括电子商务、医疗保健和金融，强调了需要可扩展、实时和可信赖的解决方案。通过本综述，我们促进了学术研究和行业实践之间更紧密的合作关系。本综述提供的见解旨在指导行业专业人士优化RS的部署，并激发未来的研究方向，特别是应对新兴的技术和社会趋势。

本篇论文试图回顾和总结推荐系统的发展历程，从传统的基于内容和协同过滤的方法，到深度学习、图模型、强化学习和大语言模型等先进方法，以及上下文感知、基于评论和公平感知等专业系统。同时，强调推荐系统需要具备可扩展性、实时性和可信性，为电子商务、医疗保健和金融等各个领域的实践提供指导。

本论文的关键思路是回顾和总结推荐系统的发展历程，介绍传统和先进的推荐算法，并强调推荐系统需要具备可扩展性、实时性和可信性。

本篇论文介绍了推荐系统的发展历程和现状，提出了推荐系统需要具备可扩展性、实时性和可信性的重要性。同时，介绍了传统和先进的推荐算法，如基于内容和协同过滤的方法、深度学习、图模型、强化学习和大语言模型等。此外，还介绍了上下文感知、基于评论和公平感知等专业系统，并强调了推荐系统的实践应用。

近年来，推荐系统领域的研究非常活跃，如《Neural Collaborative Filtering》、《DeepFM: A Factorization-Machine based Neural Network for CTR Prediction》、《Graph Convolutional Matrix Completion》等。