Influenced by the stunning success of deep learning in computer vision and language understanding, research in recommendation has shifted to inventing new recommender models based on neural networks. In recent years, we have witnessed significant progress in developing neural recommender models, which generalize and surpass traditional recommender models owing to the strong representation power of neural networks. In this survey paper, we conduct a systematic review on neural recommender models, aiming to summarize the field to facilitate future progress. Distinct from existing surveys that categorize existing methods based on the taxonomy of deep learning techniques, we instead summarize the field from the perspective of recommendation modeling, which could be more instructive to researchers and practitioners working on recommender systems. Specifically, we divide the work into three types based on the data they used for recommendation modeling: 1) collaborative filtering models, which leverage the key source of user-item interaction data; 2) content enriched models, which additionally utilize the side information associated with users and items, like user profile and item knowledge graph; and 3) context enriched models, which account for the contextual information associated with an interaction, such as time, location, and the past interactions. After reviewing representative works for each type, we finally discuss some promising directions in this field, including benchmarking recommender systems, graph reasoning based recommendation models, and explainable and fair recommendations for social good.

中文翻译：

---

神经推荐调查：从协作过滤到内容和上下文丰富的推荐

受到深度学习在计算机视觉和语言理解方面取得的惊人成就的影响，推荐研究已转向基于神经网络发明新的推荐器模型。近年来，我们见证了神经推荐器模型的开发取得了重大进展，由于神经网络的强大表示能力，该模型推广并超越了传统的推荐器模型。在本调查文件中，我们对神经推荐模型进行了系统的综述，旨在总结该领域以促进未来的发展。与基于深度学习技术分类法对现有方法进行分类的现有调查不同，我们从推荐建模的角度总结了该领域，这可能对研究推荐系统的研究人员和从业人员更具指导意义。具体来说，我们根据用于推荐建模的数据将工作分为三类：1）协作过滤模型，该模型利用用户项交互数据的关键源；2）内容丰富的模型，该模型另外利用与用户和项目关联的辅助信息，例如用户个人资料和项目知识图；和3）内容丰富的模型，该模型考虑了与交互相关的上下文信息，例如时间，位置和过去的交互。在回顾了每种类型的代表作品之后，我们最终讨论了该领域中一些有希望的方向，包括基准推荐系统，基于图论的推荐模型以及对社会公益的可解释且公正的建议。根据用于推荐建模的数据，我们将工作分为三类：1）协作过滤模型，该模型利用了用户-项目交互数据的关键来源；2）内容丰富的模型，该模型另外利用与用户和项目关联的辅助信息，例如用户个人资料和项目知识图；和3）内容丰富的模型，该模型考虑了与交互相关的上下文信息，例如时间，位置和过去的交互。在回顾了每种类型的代表作品之后，我们最终讨论了该领域中一些有希望的方向，包括基准推荐系统，基于图论的推荐模型以及对社会公益的可解释且公正的建议。根据用于推荐建模的数据，我们将工作分为三类：1）协作过滤模型，该模型利用了用户-项目交互数据的关键来源；2）内容丰富的模型，该模型另外利用与用户和项目关联的辅助信息，例如用户个人资料和项目知识图；和3）内容丰富的模型，该模型考虑了与交互相关的上下文信息，例如时间，位置和过去的交互。在回顾了每种类型的代表作品之后，我们最终讨论了该领域中一些有希望的方向，包括基准推荐系统，基于图论的推荐模型以及对社会公益的可解释且公正的建议。利用用户-项目交互数据的关键源；2）内容丰富的模型，该模型另外利用与用户和项目关联的辅助信息，例如用户个人资料和项目知识图；和3）内容丰富的模型，该模型考虑了与交互相关的上下文信息，例如时间，位置和过去的交互。在回顾了每种类型的代表作品之后，我们最终讨论了该领域中一些有希望的方向，包括基准推荐系统，基于图论的推荐模型以及对社会公益的可解释且公正的建议。利用用户-项目交互数据的关键源；2）内容丰富的模型，该模型另外利用与用户和项目关联的辅助信息，例如用户个人资料和项目知识图；和3）内容丰富的模型，该模型考虑了与交互相关的上下文信息，例如时间，位置和过去的交互。在回顾了每种类型的代表作品之后，我们最终讨论了该领域中一些有希望的方向，包括基准推荐系统，基于图论的推荐模型以及对社会公益的可解释且公正的建议。其中包含与互动相关联的上下文信息，例如时间，位置和过去的互动。在回顾了每种类型的代表作品之后，我们最终讨论了该领域中一些有希望的方向，包括基准推荐系统，基于图论的推荐模型以及对社会公益的可解释且公正的建议。其中包含与互动相关联的上下文信息，例如时间，位置和过去的互动。在回顾了每种类型的代表作品之后，我们最终讨论了该领域中一些有希望的方向，包括基准推荐系统，基于图论的推荐模型以及对社会公益的可解释且公正的建议。