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: