【矩阵分解五】TimeSVD

改进点(跟前几篇的SVD比)：

一句话总结：在构建元素𝑟̂ 𝑢𝑖时，每个时间段学习一个参数，某个时间段参数使用该时间段数据进行学习，也即是加入时间权重。

---

主要思想：

上述模型都是静态的，但是现实中，物品的流行度会随时间变化，用户的品味也可能随着时间而改变。因此，可以采用 TimeSVD 模型基于这种假设建模。该模型的核心思想是：为每个时间段学习一个参数，某个时间段参数使用该时间段数据进行学习。通过建模海量数据，自动发现潜在的时间模式。考虑到数据可能不足的问题，我们想要使用所有数据一起学习，那么可以添加时间距离作为权重：

上述 𝑏𝑢(𝑡)、𝑏𝑖(𝑡) 分别是用户和物品偏置随着时间变化的函数，𝑝𝑢(𝑡) 是用户隐因子随时间变化的函数。对于这些随时间变化的函数，一种处理是将时间离散化，可以将整个时间窗按照一定粒度进行划分，粒度越小代表随时间变化较大，粒度越大则代表变化较慢。例如处理物品 𝑏𝑖(𝑡)，若假定物品的 bias 在短期内不会很大的改变，那么可以以较大的粒度划分，假设我们选取 3 个月的交互数据进行建模，整个时间窗口为 3 个月，以 2 周为一片，共划分为 6 片，每个时间 𝑡，赋予一个 𝐵𝑖𝑛(𝑡)（即 1 到 6 之间的整数），这样就可以把 𝑏𝑖(𝑡) 分为静态以及动态两部分：𝑏𝑖(𝑡)=𝑏𝑖+𝑏𝑖,𝐵𝑖𝑛(𝑡)，建模时，相当于需要额外对每个时间片求一个参数 𝑏𝑖,𝐵𝑖𝑛(𝑡)，以建模物品流行度随时间变化。

如果某个时间 𝑡 数据较少，不能学习到关于该时间 t 的偏置变化参数，那么就不能添加这种和时间相关的参数。一种解决方法是，可以定义关于时间的连续函数，例如处理用户偏置，定义时间偏移量函数：𝑑𝑒𝑣𝑢(𝑡)=𝑠𝑖𝑔𝑛(𝑡−𝑡𝑢)⋅|𝑡−𝑡𝑢|𝛽， 其中 𝑡𝑢 代表该用户所有交互数据的平均时间（是指用户交互的时刻）。|𝑡−𝑡𝑢| 代表时间距离。𝛽 是超参数，衡量时间变化影响程度，越大代表受时间影响程度大。则：𝑏𝑢(𝑡)=𝑏𝑢+𝛼𝑢𝑑𝑒𝑣𝑢(𝑡)。𝛼𝑢 是模型需要为每个用户学习的参数，也就是说参数 𝛼𝑢 和时间无关，关于该用户的所有数据都能够进行学习，时间因素主要体现在 𝑑𝑒𝑣𝑢(𝑡)上。

另一种时间函数用到高斯核来衡量时间的相似性。首先获取用户所有交互时间集合，𝑘𝑢 个时间点，即 𝑡𝑢1,…,𝑡𝑢𝑘𝑢。 然后使用公式：

需要为该用户所有交互时间点学习一个参数 𝑏𝑢𝑡𝑙， 共 𝑘𝑢 个参数。预测时，使用高斯核计算时间相似性，在所有的时间上计算时间相似性，使用时间相似性对参数 𝑏𝑢𝑡𝑙 进行加权。

考虑到周期性影响，可以加入周期参数：

 

小结：

这五篇矩阵分解的内容上， 主要内容是构造矩阵的不同损失函数，在预测值𝑟̂ 𝑢的构成做文章，比如加入正则、偏置、用户偏好、时间权重这些信息。。

参考：

1.https://lumingdong.cn/recommendation-algorithm-based-on-matrix-decomposition.html