Garcia-Molina等【1】指出，搜索和推荐中的根本问题是识别满足用户信息需求的信息对象。还表明搜索（信息检索）和推荐（信息过滤）是同一枚硬币的两个方面，具有很强的联系和相似性【2】。图1.1说明了搜索和推荐的统一匹配视图。共同的目标是向用户提供他们需要的信息。

图1.1：搜索和推荐中匹配的统一视图

搜索是一项检索任务，旨在检索与查询相关的文档。相反，推荐是一项过滤任务，旨在过滤出用户感兴趣的物品【3】。这样，搜索可以被认为是在查询和文档之间进行匹配，而推荐可以被认为是在用户和项目之间进行匹配。更正式地说，搜索和推荐中的匹配都可以视为构建匹配模型f：X×Y →R，该模型计算两个输入对象x和y之间的匹配程度，其中X和Y表示两个对象空间。 X和Y是搜索中查询和文档的空间，或推荐中用户和项目的空间。

在图1.1的统一匹配视图下，我们使用信息对象一词来表示要检索/推荐的文档/项目，并使用信息来表示相应任务中的查询/用户。通过在匹配和比较现有技术的同一观点下统一这两个任务，我们可以为问题提供更深刻的见解和更强大的解决方案。而且，统一这两个任务也具有实际和理论意义。

搜索和推荐已经在一些实际应用中结合在一起。例如，在某些电子商务站点中，当用户提交查询时，不仅基于相关性（查询产品匹配），而且还基于用户兴趣（用户产品匹配）显示产品的排名列表。在某些生活方式应用中，当用户搜索餐厅时，将根据相关性（查询-餐厅匹配）和用户兴趣（用户-餐厅匹配）返回结果。明显的趋势是，在某些情况下，搜索和推荐将集成到单个系统中，以更好地满足用户的需求，而匹配在其中起着至关重要的作用。

搜索和推荐已经具有许多共享技术，因为它们在匹配方面很相似。在匹配的基础上，可以通过使用推荐技术【4】解决问题，反之亦然【5】。随着深度学习技术的使用，用于搜索和推荐的匹配模型在架构和方法上更加相似，这体现在这些技术上：将输入（查询，用户，文档和项目）嵌入为分布式表示，结合神经网络组件来表示匹配函数，并以端到端的方式训练模型参数。此外，如果搜索和推荐共享相同的信息对象集（如上述电子商务网站和生活方式应用的示例），则可以联合建模和优化【6】【7】【8】。

参阅 《Current challenges and visions in music recommender systems research》阅读笔记

因此，为了开发更先进的技术，有必要并且有利的是采用统一的匹配视图来分析和比较现有的搜索和推荐技术。搜索和推荐中的匹配任务在实践中面临着不同的挑战。但是，根本的问题本质上是相同的，就是难以精确匹配的挑战。接下来，我们分别介绍这两个任务的主要挑战。

引文

【1】Garcia-Molina, H., G. Koutrika, and A. Parameswaran (2011). “In- formation seeking: Convergence of search, recommendations, and advertising”. Communications of the ACM. 54(11): 121–130.

【2】Belkin, N. J. and W. B. Croft (1992). “Information filtering and infor- mation retrieval: Two sides of the same coin?” Communications of the ACM. 35(12): 29–38.

【3】Adomavicius, G. and A. Tuzhilin (2005). “Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions”. IEEE Transactions on Knowledge and Data Engineering. 17(6): 734–749.

【4】Zamani, H., J. Dadashkarimi, A. Shakery, and W. B. Croft (2016). “Pseudo-relevance feedback based on matrix factorization”. In: Pro- ceedings of the 25th ACM International on Conference on Informa- tion and Knowledge Management. CIKM ’16. Indianapolis, IN, USA: ACM. 1483–1492.

【5】Costa, A. and F. Roda (2011). “Recommender systems by means of in- formation retrieval”. In: Proceedings of the International Conference on Web Intelligence, Mining and Semantics. WIMS ’11. Sogndal, Norway: ACM. 57:1–57:5.

【6】Schedl, M., H. Zamani, C.-W. Chen, Y. Deldjoo, and M. Elahi (2018).“Current challenges and visions in music recommender systems research”. International Journal of Multimedia Information Retrieval. 7(2): 95–116.

【7】Zamani, H. and W. B. Croft (2018a). “Joint modeling and optimization of search and recommendation”. In: Proceedings of the First Biennial Conference on Design of Experimental Search & Information Re- trieval Systems. DESIRES ’18. Bertinoro, Italy: CEUR-WS. 36–41. url: http://ceur-ws.org/Vol-2167/paper2.pdf.

【8】Zamani, H. and W. B. Croft (2020). “Learning a joint search and rec- ommendation model from user-item interactions”. In: Proceedings of the 13th International Conference on Web Search and Data Min- ing. WSDM ’20. Houston, TX, USA: Association for Computing Machinery. 717–725.