读书笔记：推荐系统实践-第五章-利用上下文信息

1、时间上下文信息

1.1 时间效应简介

时间信息对用户兴趣的影响主要表现在以下几个方面：

• 用户兴趣是变化的，应该关注用户最近的行为
• 物品也是有生命周期的
• 季节效应，节日也是

1.2 系统时间特性的分析

包含时间信息的用户行为数据集由一系列三元 组构成，其中每个三元组(u,i,t)代表了用户u在时刻t对物品i产生过行为
可以通过统计如下信息研究系统的时间特性

• 数据集每天独立用户数的增长情况
• 系统的物品变化情况 ，这个可以使用以下指标来探查
  • 物品平均在线天数：如果一个物品在某天被至少一个用户产生过行为，就定义该物品在这一天在线
  • 相隔T天系统物品流行度向量的平均相似度
• 用户访问情况

1.3 推荐系统的实时性

• 对用户行为的存取有实时性要求
• 推荐算法本身具有实时性
  • 要求在每个用户访问推荐系统时，都根据用户这个时间点前的行为实时计 算推荐列表
  • 推荐算法需要平衡考虑用户的近期行为和长期行为

1.4 推荐算法的时间多样性

• 推荐系统每天推荐结果的变化程度被定义为推荐系统的时间多样性

• 保证时间多样性可以提升用户的满意度

• 解决方法可以被分为两步：

  • 需要保证推荐系统能够在用户有了新的 行为后及时调整推荐结果，使推荐结果满足用户最近的兴趣
    • 每天离线生成推荐结果，那么就无法做到实时
    • 不同实时推荐算法有不同的时间多样性
  • 需要保证推荐系统在用户没 有新的行为时也能够经常变化一下结果，具有一定的时间多样性
    • 在生成推荐结果时加入一定的随机性
    • 对推荐过的结果降权
    • 每天给用户使用不同的推荐算法

• 推荐系统需要首先保证推荐的精度，在此基础上适当地考虑时间多样性

1.5 时间上下文推荐算法

1.5.1 最近最热门

给用户推荐历史上最热门的物品

1.5.2 时间上下文相关的ItemCF算法

• 计算步骤
  • 利用用户行为离线计算物品之间的相似度
  • 根据用户的历史行为和物品相似度矩阵，给用户做在线个性化推荐
• 时间效应需要关注的点
  • 物品相似度 用户在相隔很短的时间内喜欢的物品具有更高相似度。
  • 在线推荐 用户近期行为相比用户很久之前的行为，更能体现用户现在的兴趣。
• 相似度计算公式
  
• 计算用户u对物品i的兴趣p（u,i)，控制用户现在的行为应该和用户最近的行为关系更大。
  

1.5.3 时间上下文相关的UserCF算法

• 时间效应需要关注的点
  • 用户兴趣相似：在同一时间喜欢的物品相似的用户之间兴趣更相似
  • 相似新区用户的最近行为更接近用户可能感兴趣的内容
• 计算相似度的公式
  
• 计算兴趣程度
  

1.6 时间段图模型

• 图表现
  
  
• 推荐算法：路径融合
  • 首先提取出两个顶点之间长度小于一个阈值的所有路径
  • 然后根据每条路径经过的顶点给每条路径赋予一定的权重
    
  • 最后将两个顶点之间所有路径的权重 之和作为两个顶点的相关度
    

1.7 离线模型

当时效性要求比较高时，考虑时间因素的算法效果更好。

• Pop 给用户推荐当天最热门的物品
• TItemCF 融合时间信息的ItemCF算法
• TUserCF 融合时间信息的UserCF算法
• ItemCF 不考虑时间信息的ItemCF算法
• UserCF 不考虑时间信息的UserCF算法
• SGM 时间段图模型
• USGM 物品时间节点权重为0的时间段图模型
• ISGM 用户时间节点权重为0的时间段图模型
  
  
  

2、地点上下文信息

• 用户兴趣和地点相关的两种特征
  • 不同地方的用户兴趣存在着很大的差别。
  • 一个用户往往在附近的地区活动。
• 基于位置的推荐算法
  • 数据字段：（用户，用户位置，物品，评分）
    • 将数据集根据用户位置划分成为树状结构，对所有包含该位置的叶节点的父节点训练推荐模型，然后根据这些推荐结果加权之后进行推荐
  • 数据字段：（用户，物品，物品位置，评分）
    • 利用ItemCF计算用户的喜爱程度，再加上一个距离惩罚项
      
      为了避免计算用户对所有物品的TravelPenalty，LARS在计算用户u对物品i的兴趣度 RecScore(u,i)时，首先对用户每一个曾经评过分的物品（一般是餐馆、商店、景点），找到和他距离小于一个阈值d的所有其他物品，然后将这些物品的集合作为候选集，然后再利用上面的 公式计算最终的RecScore。
• 从实践的结果来看，上面两者的算法都要优于普通的itemCF算法