机器学习+推荐系统（综述）
The use of machine learning algorithms in recommender systems: A systematic review
下载地址：
The use of machine learning algorithms in … xueshu.baidu.com
摘要：本文主要分为以下几个部分：
1.机器学习与推荐系统背景知识介绍（简略，读者可自行阅读文献）、
2.表明机器学习算法在推荐系统领域的发展前景（identify trends in the use or research of machine learning algorithms in recommender systems）、
3.现有机器学习算法与推荐系统的结合情况（identify open questions in the use or research of machine learning algorithms）
4.协助新手研究者在这个领域找到立足点（assist new researchers to position new research activity in this domain appropriately.）
chapter 1 背景知识介绍（简要）
1.推荐系统（Recommender systems）
参见学习笔记（一）；下周会看一篇传统推荐算法的综述，到时候详细聊聊
2.机器学习（Machine learning）
定义：A computer program is said to learn from experience E with re- spect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E”
主要分类：
（1）supervised 监督学习：
（2）unsupervised 无监督学习
（3）semi-supervised 半监督学习
（4）reinforcement learning 强化学习
3.传统推荐算法涉及论文清单
表格解读：
1.协同过滤研究比较充分，过半的论文都是协同过滤加上基于邻域的方法
2.2012年这个领域发表的论文的数量呈现尖峰
3.混合过滤最少被研究；尽管近几年的研究表明，混合过滤克服了其他两种方法的弊端，而且准确率更高
（时间线）
4.机器学习算法涉及论文清单
表格解读：
1.监督学习算法被运用的最多，一个重要原因是对监督学习算法的改进和优化的研究最多
2.无监督学习也被广泛研究
3.半监督和强化学习在推荐系统领域大有可为
表格解读：
1.协同过滤+聚类 ；协同过滤+SVM 得到了广泛研究
2.神经网络和K-means在推荐领域应用较少，研究前景广阔
5.大数据技术（Big data technologies）
（1）Hadoop distributed infrastructure分布式计算
（2）MapReduce programming model（一种编程模型）
这里留个钩，我在图书馆借了好几本讲分布式计算的书，看懂了再补充这里（吐槽几句：学习图书馆的专业书太陈旧了，好多还借不到。顺便吐槽自己几句：好久没去图书馆看看闲书了）
大数据技术在推荐领域还鲜有研究，是一个广阔的待研究方向
6.应用领域（Application domains）
（1）电影推荐：数据集多（MovieLens、IMDb）
（2）电子商务
（3）社会化网络
（4）旅游和编码领域（tourism and the coding domains）
最后旅游的编码领域不太明白，论文里说这两个领域数据多且容易获得。不是太明白
*（个人私货）应用场景也是考虑的方向，我看好多论文就是换一个应用场景就发核心了
7.性能度量（Performance metrics）
