Multi-Interest Recommendation: A Survey

现有的推荐方法常常难以建模用户的多面偏好，这是因为用户行为的多样性和波动性，以及实际场景中物品属性固有的不确定性和模糊性。多兴趣推荐通过从用户的历史交互中提取多个兴趣表示，实现了对用户偏好的精细建模，从而提供更准确的推荐结果，因此在推荐研究领域引起了广泛关注。然而，当前的推荐系统综述要么专注于前沿推荐方法，要么深入探讨特定任务及其下游应用。在本文中，我们通过回答以下三个问题，系统地回顾了多兴趣推荐的研究进展、解决方案、挑战及未来方向：(1) 为什么多兴趣建模对推荐系统至关重要？(2) 多兴趣建模在推荐系统中主要关注哪些方面？(3) 如何应用多兴趣建模，以及代表性模块的技术细节是什么？我们希望本篇综述能够为对该领域感兴趣的学者提供一个基础框架，并帮助他们进行更深入的探索。本文总结的多兴趣推荐实现代码已托管在 https://github.com/WHUIR/Multi-Interest-Recommendation-A-Survey。

论文试图解决用户多面兴趣在推荐系统中的建模问题，由于用户行为的多样性和波动性以及物品属性的不确定性，传统推荐方法难以准确捕捉用户的复杂偏好。这是一个在推荐系统领域长期存在的问题，但随着深度学习的发展，如何更精细地建模用户多兴趣成为一个新兴的研究方向。

关键思路是通过从用户的历史交互数据中提取多个兴趣表示，从而实现对用户偏好的细粒度建模，提升推荐的准确性。相比现有研究，本文不仅总结了多兴趣建模的核心技术模块，还系统性地回答了多兴趣建模的重要性、关注点及其应用方式，为未来研究提供了框架指导。

论文设计了一个全面的调查框架，涵盖了多兴趣推荐的重要进展、解决方案和挑战。实验部分未具体提及，但文章提到了代表性技术模块的详细分析。此外，作者开源了多兴趣推荐的相关实现代码（https://github.com/WHUIR/Multi-Interest-Recommendation-A-Survey），便于后续研究者复现和改进。值得继续深入研究的方向包括动态兴趣建模、跨域多兴趣推荐等。

相关研究包括：1)《Self-Attentive Sequential Recommendation》提出使用自注意力机制捕获用户序列行为中的多兴趣；2)《CASER: An Attentive Sequential Recommender via Convolutional Sequence Embedding》利用卷积神经网络挖掘用户行为模式；3)《Multi-Interest Network with Dynamic Routing for Recommendation at Tmall》结合动态路由算法建模用户的多兴趣。这些工作共同推动了多兴趣推荐领域的技术发展。