查看“WikiEdge:ArXiv速递/2025-03-24”的源代码

== 摘要 ==
* '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond
* '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向
* '''发布日期'''：2025-03-24 13:40:36+00:00
* '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar
* '''分类'''：cs.IR
*'''原文链接'''：http://arxiv.org/abs/2503.18669v1
'''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒性|鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统分析]]，从多维度全面审视最新进展。我们研究了[[单模态]]与[[多模态]]方法、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的方法演进。此外，我们批判性评估了[[性能评估]]范式，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同方法和平台视角的见解，本综述构建了当前研究的[[结构化分类体系]]，指明未解决的空白领域，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。