《推荐系统实践》算法纯享（附代码链接）（五）—— 借助上下文信息推荐篇

在上一篇博客里面分享的是《推荐系统实践》中UGC相关的推荐算法，对此还不熟悉的读者可以戳这里。

关于这个系列会分为如下几个部分：

《推荐系统实践》算法纯享（附代码链接）（一）—— 评价指标篇
《推荐系统实践》算法纯享（附代码链接）（二）—— 协同过滤篇
《推荐系统实践》算法纯享（附代码链接）（三）—— 冷启动篇
《推荐系统实践》算法纯享（附代码链接）（四）—— UGC推荐篇
《推荐系统实践》算法纯享（附代码链接）（五）—— 借助上下文信息推荐篇
《推荐系统实践》算法纯享（附代码链接）（六）—— 借助社交网络推荐篇
《推荐系统实践》算法纯享（附代码链接）（七）—— 评分预测篇

完整代码链接：https://github.com/Magic-Bubble/RecommendSystemPractice

下面将开始本系列的第五部分——借助上下文信息推荐篇。

5 上下文推荐

上下文的信息一般有时间、地点等。

5.1 时间上下文推荐

代码链接：https://github.com/Magic-Bubble/RecommendSystemPractice/blob/master/Chapter5/基于时间上下文信息的推荐.ipynb

带有时间的用户行为数据集一般由(u, i, t)三元组组成，表示用户u给物品i在时间t由交互的行为。

那么有如下几种方法基于带时间信息的行为进行推荐：

5.1.1 最近最热门

这是一种带时间衰减的非个性化方法。给定时间T，物品i最近的流行度$n_i(T)$可以定义为：

$$n_i(T)=\sum _{(u,i,t)\in Train,t<T}\frac{1}{1+\alpha (T-t)}$$

其中$\alpha$是时间衰减系数。

5.1.2 时间上下文相关的ItemCF算法

前面介绍的ItemCF的算法，主要包含下面两步比较重要的阶段：

1. 利用用户行为离线计算物品之间的相似度
2. 根据用户的历史行为和物品相似度矩阵，给用户做个性化推荐

这两步其实都可以加入时间信息。首先回顾不加时间信息的ItemCF算法计算物品相似度的公式：

$$sim(i,j)=\frac{{\sum }_{u\in N(i)\bigcap N(j)}1}{\sqrt{|N(i)||N(j)|}}$$

而在给用户u做推荐时，用户u对物品i的兴趣$p(u,i)$通过如下公式计算：

$$p(u,i)=\sum _{j\in N(u)}sim(i,j)$$

在得到时间信息之后，就可以用如下公式改进相似度计算：

$$sim(i,j)=\frac{{\sum }_{u\in N(i)\bigcap N(j)}f(|t_{ui}-t_{uj}|)}{\sqrt{|N(i)||N(j)|}}$$

这个式子中引入了和时间相关的衰减项$f(|t_{ui}-t_{uj}|)$，其中 t u i t_{ui} t