基于上下文的推荐

1.用户的上下文信息（季节、地域等）会影响用户的偏好习惯

2.推荐系统要考虑时间特征、地域特征以及热度特征等

3.通过增加时间衰减函数引入时间特征，对相似度与评分公式修正

4.具体的衰减函数要根据具体场景设定，没有统一的形式

用户的兴趣偏好，会随着时间的变化而变化，比如不同季节穿衣风格不同，不同年龄段喜欢的读物类型不同；也会因为地域文化的差异而不同；跟进一步，用户还有长期偏好和短期偏好。所以，不管是哪种推荐算法，结合用户上下文信息（包括用户访问的时间、地点、心情等），才能把更加符合物品推荐给用户。

基于时间特征的推荐

在推荐系统中表现出时间特征最直接的方法是加入时间衰减函数，我们这一节就针对ItemCF算法来加以说明。

ItemCF是基于物品的协同过滤算法，在之前文章中已有介绍，这里给出相似度与兴趣度的计算公式：

传送门：

推荐算法起步：协同过滤

用python实现【UserCF】算法