A Survey on Data-Centric Recommender Systems

推荐系统已成为缓解各种现实场景下信息过载的必要工具。最近推荐系统的趋势发生了变化，将重点从模型为中心的创新转移到了数据质量和数量的重要性。这种演变催生了数据为中心的推荐系统(Data-Centric RS)的概念，标志着该领域的重大发展。本文提供了数据为中心的推荐系统(Data-Centric RS)的第一个系统概述，包括1) 推荐数据和数据为中心的推荐系统的基本概念；2) 推荐数据中的三个主要问题；3) 为解决这些问题而开发的最新研究；和4) 数据为中心的推荐系统(Data-Centric RS)的若干潜在未来发展方向。

论文旨在介绍数据中心的推荐系统(Data-Centric RS)，并探讨其在解决推荐系统中数据质量和数据量问题方面的作用。

数据中心的推荐系统(Data-Centric RS)是一种新的方法，强调数据质量和数量的重要性，以解决推荐系统中的问题。该方法包括三个主要部分：数据收集、数据清洗和数据增强。

论文介绍了数据中心的推荐系统(Data-Centric RS)的基本概念，包括数据收集、数据清洗和数据增强。论文还讨论了推荐系统中三个主要问题：稀疏性、冷启动和数据偏差，并介绍了最新的解决方案。实验使用了多个数据集，并提供了开源代码。未来的研究方向包括数据隐私、可解释性和多样性。

最近的相关研究包括《Neural Collaborative Filtering》、《DeepFM: A Factorization-Machine based Neural Network for CTR Prediction》和《AutoInt: Automatic Feature Interaction Learning via Self-Attentive Neural Networks》等。