《推荐系统实践》第5章利用上下文信息 学习笔记

5.1 时间上下文信息

5.1.1 时间效应简介
1）用户兴趣是变化的
2）物品也是有生命周期的
3）季节效应
5.1.3 系统时间特性的分析
在给定数据集后，可以通过统计如下信息研究系统的时间特性：
1）数据集每天独立用户数的增长情况
2）系统的物品变化情况
3）用户访问情况

物品的生存周期和系统的时效性：
1）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。物品的平均在线天数和物品的流行度应该成正比。
2）相隔T天系统物品流行度向量的平均相似度
相似度大，说明系统的物品在相隔T天的时间内没有发生大的变化。相反，说明变化大，从而说明系统的时效性很强，物品的平均在线时间短很短。

5.1.4 推荐系统的实时性：实时响应用户的新行为
5.1.5 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。
提高推荐结果的时间多样性需要分两步解决：
1）首先，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。
（1）从推荐系统的实时性考虑。
（2）即使是实时推荐系统，由于使用的算法不同，也具有不同的时间多样性。
2）其次，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。

如果没有用户行为，如何保证给用户的推荐结果具有一定的时间多样性呢？一般的思路有以下几种：
1）在生成推荐结果时加入一定的随机性。
2）记录用户每天看到的推荐结果，然后在每天给用户进行推荐时，对他前几天看到过很多次的推荐结果进行适当地降权。
3）每天给用户使用不同的推荐算法。

5.1.6 时间上下文推荐算法
1、最近最热门
2、时间上下文相关的ItemCF算法
3、时间上下文相关的UserCF算法
可以在两个方面利用时间信息改进UserCF算法：
1）用户兴趣相似度
2）相似兴趣用户的最近行为

5.1.7 时间段图模型

5.2 地点上下文信息

基于位置的推荐算法：
1）兴趣本地化：不同地方的用户兴趣存在很大的差别
2）活动本地化：一个用户往往在附近的地区活动