WikiEdge:ArXiv速递/2025-03-24

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。