随着互联网和信息计算的突飞猛进，我们已经进入了信息爆炸的时代。大量的数据洪流使得用户在海量信息中寻找所需变得越来越困难，信息过载问题日益突出。作为缓解信息过载问题的关键手段，推荐系统在个性化计算方面发挥着重要作用，通过研究用户的兴趣偏好来引导用户发现自身的信息需求。目前，推荐系统已经成为产业界和学术界关注和研究的热点问题，并在电子商务、会话推荐、文章推荐、智慧医疗等多个领域得到广泛应用。常见的推荐算法包括基于内容的推荐、协同过滤推荐以及混合推荐等。其中，协同过滤推荐作为最成功且应用最广泛的技术之一，通过利用用户或物品之间的相似度以及历史行为数据来进行推荐。然而，协同过滤推荐方法也存在用户冷启动和项目冷启动问题。此外，面对海量信息的迅速增长，传统的协同过滤推荐系统还会面临到数据稀疏性和可扩展性的挑战。为了解决这些问题，推荐系统研究人员进行了大量的工作。近年来，学者们开始关注推荐系统的多样性和可解释性等问题，以提高推荐效果和用户满意度。