分时段个性化推荐

本文提供一种分时段个性化推荐算法。

近几年来，推荐系统的应用越来越广泛。比如，netflix将其应用在个性化视频推荐中。
考虑到有些账号不只提供给一个用户使用，可能是父亲，母亲，小孩构成的一家人使用。而家庭成员在不同的时间段很有可能有不同的兴趣偏好。本文提供一种分时段个性化推荐方法，在不同的时间段为用户提供其在该时间段内感兴趣的内容。每隔4小时更新一次推荐结果。分时段个性化推荐算法能够根据用户以往在不同时段的播放行为，向用户提供分时段的个性化内容推荐。通过丰富不同时段的推荐内容，提升用户满意度。

下面以推荐视频为例，给出该方法的详细说明：



该方法具体步骤为：

1.对用户观看，点赞，收藏过的数据进行预处理，得到用户关于其有过操作行为的视频之间的评分矩阵。
  格式如下：【用户ID,视频ID，该用户对该视频的评分】，比如，【用户A,视频Y，0.6】，其中，该用户对该视频的评分计算公式为：用户对该视频的观看时长/该视频的总时长，如果用户对该视频有收藏或点赞操作，则评分为1.0。

2.使用ALS算法预测每个用户对所有视频的评分。
  由于用户只对其有过观看行为的视频有评分，对于没有观看过的视频没有评分，所以该步骤使用现有的ALS算法预测出用户对所有视频的评分。比如，用户A对视频T没有过观看行为，通过ALS算法，可以预测出用户A对视频T的评分为0.8。即【用户A，视频T，0.8】。（每天计算一次）

3.对每个用户，将所有的视频按照评分从大到小排序，过滤用户已经看过的视频，取前K个视频 (例如，K=300)。格式如下：【用户ID,（视频ID，ALS算法预测的该用户对该视频的评分）】，比如，【用户A，（视频T，0.8），（视频H，0.5），（视频U，0.6）......】。

4.分析用户在不同时段的观看特征。
  通过分析用户在不同时段的观看数据，得到用户在不同时段内的观看特征，格式如下：【用户ID，时间段，（视频类型，视频标签），该用户在该时间段的（该视频类型，该视频标签）的得分】，比如，【用户A,12点-16点，（电影，爱情），0.65】。其中，该用户在该时间段的（该视频类型，该视频标签）的得分的计算公式为：该时段内（该视频类型，该视频标签）的播放时长/该时段的播放总时长。比如，对于用户A，在12点-16点观看视频总时长为100分钟，在12点-16点观看（电影，爱情）类的视频时长为65分钟，则用户A在12点-16点，（电影，爱情）的得分为  65/100=0.65，即【用户A,12点-16点，（电影，爱情），0.65】。

5.分析步骤3得到的K个视频的特征。
  步骤3的结果为【用户ID，视频ID， ALS算法得到的该用户对该视频的评分】，根据视频ID从数据库中读取该视频的视频类型，视频标签信息。得到如下格式：【用户ID，视频ID，（视频类型，视频标签），ALS算法得到的该用户对该视频的评分】，比如，【用户A,视频T,（电影，爱情），0.8】。

6.根据步骤5得到的K个视频的视频特征，选出前L个与步骤4得到的时段观看特征匹配度较高的视频，作为推荐结果。( K>L ,例如，K=300，L=6)
     比如，从步骤5的例子中可以看出，视频T的（视频类型，视频标签）为（电影，爱情），用户A给视频T评分为0.8，而在步骤4的例子中可以看出，对用户A来说，（电影，爱情）在12点-16点的得分为0.65，则视频T在12点-16点的总得分为 0.8*0.65=0.52 ，即得到如下结果：【用户A，12点-16点，视频T，0.52】。如此，可以计算出每个用户在每个时间段对每个视频的评分，将评分从大到小排序，取前6个作为每个用户的推荐视频。（每天每隔4小时计算一次，如此，可以每天在0点-4点，4点-8点，8点-12点，12点-16点，16点-20点，20点-0点这6个时段分别为用户提供其在不同时段感兴趣的内容）

以上便是分时段个性化推荐的主要内容。