MerRec：一个用于 C2C 推荐系统的大规模多用途 Mercari 数据集
内容提要
该文汇总了多项推荐系统研究，包括MobileRec等大规模数据集、EfficientRec等高效算法、跨市场推荐FOREC模型、对话推荐数据集及HotelRec酒店数据集，并探索大语言模型在对话推荐中的应用，涵盖电商、酒店等领域，推动推荐系统在性能、可解释性与市场适应方面的发展。
延伸解读
数据集规模与领域覆盖
文章汇总了多个大规模推荐数据集，涵盖应用商店、电商、酒店等领域。MobileRec包含1900多万次用户互动和10K多种应用；HotelRec基于TripAdvisor，包含5000万条评论，是公开的最大酒店领域数据集。这些数据集为不同场景的推荐研究提供了丰富的基准。
算法效率与可解释性进展
在算法方面，EfficientRec结合图神经网络与对比学习，降低了推断计算成本；RecRec框架为推荐系统提供追索，增强模型可解释性。这些工作表明推荐系统正朝着高效和可解释的方向发展，有助于实际部署和用户信任。
跨市场与对话推荐的新方向
FOREC模型针对跨市场推荐，利用原始和目标市场数据提升性能；对话推荐数据集和Chat-Rec范例探索了LLM在推荐中的应用，提高了互动性和零样本预测能力。这些方向反映了推荐系统对市场适应和自然交互的重视。
Q&A
MobileRec 数据集有什么特点？
MobileRec 是一个基于 Google Play Store 的大规模数据集，包含超过 1900 万次用户互动和 10K 多种不同类型的应用程序。它可用于测试应用程序推荐方法，并提供基准线量化结果供研究人员比较。
EfficientRec 是如何降低推荐系统计算成本的？
EfficientRec 结合了图神经网络和对比学习框架，并采用软聚类架构，从而极大地减少了推断过程的计算成本。实验表明，该模型能以低计算成本学习用户偏好，并保持较高的准确性。
FOREC 模型解决了推荐系统中的什么问题？
FOREC 模型旨在解决跨市场商品推荐中的市场适应问题。它利用原始数据集和目标市场数据来提高推荐性能，实验显示其效果优于竞争基准线。
HotelRec 数据集在酒店推荐领域有什么地位？
HotelRec 是基于 TripAdvisor 的非常大规模的酒店推荐数据集，包含 5000 万条评论。它是公开发布的最大的酒店领域数据集，也是单个领域最大的推荐数据集和具有文本评论的最大数据集。
大语言模型在对话推荐系统中有什么应用？
大语言模型可用于对话推荐系统（CRS），如 Chat-Rec 范例，能提高传统推荐系统的互动性与可解释性。演示表明，它在学习用户喜好和零样本评级预测任务上具有有效性。
推荐系统在电子商务等领域有哪些研究进展？
研究回顾了推荐系统在电子商务、电子旅游、电子资源、电子政务、电子学习和电子图书馆等领域的不同技术和发展，分析了最近的研究，提供了当前发展的详细概述，并识别了现有困难，为实践者和研究人员提供了指导和见解。
