《推荐系统实践》读书笔记4

利用上下文信息

系统时间特性的分析

为什么要研究系统的时间特性？
不同系统有不同的时效性，有的系统物品的时效性很短，热起来，很快会冷下去；而有的系统物品的时效性长，具有比较长的生命周期。
研究系统的时间特性，能增强系统的有效性推荐。比如推荐新闻，会主要选择最近时间段发生的新闻事件进行推荐；而推荐旅游景点，时效性较长（有些也有季节性变化），则考虑主要从用户目前的兴趣出发来推荐景点。
如何研究系统的时间特性呢？
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
物品的生存周期，包括：
1） 物品平均在线天数即至少被一个用户产生过行为；
物品平均在线天数与流行度成正比
对于同一流行度的物品，不同的平均在线天数反映时间有效性不同。
2） 相隔T天系统物品流行度向量的平均相似度
平均相似度越小，说明系统中物品在T天后发生了很大变化，时效性很强；
平均相似度越大，说明系统中物品在T天后变化很小，时效性比较弱。
3 用户访问情况（用户平均活跃天数；相隔T天系统的用户的重合度）

推荐系统的实时性

用户的兴趣是不断变化的，一个实时的推荐系统需要能够实时响应用户新的行为。
实时推荐系统需要对用户行为的存取有实时性需求，还要求推荐算法本身具有实时性。
推荐算法需要平衡考虑用户的近期行为和长期行为，既要反映用户近期行为所体现的兴趣变化，又不能完全受近期行为的影响。

时间上下文推荐算法

引入时间上下文，物品$i$的热门程度（流行度）：对于每个用户，在$t$时刻选择了物品$i$，在某个特定时刻T，物品$i$的流行度$N_i\left(T\right)$与时间间隔$（T-t）$成反比：

1. 时间上下文相关的ItemCF算法
物品相似度：用户在相隔很短的时间内共同喜欢的物品具有更高相似度。
物品$i$与$j$的相似度与时间间隔成反比，与被用户共同喜欢的次数成正比，但为了惩罚热门物品，会有与热门物品$j$出现次数成平方根反比：


$\alpha$ 是时间衰减参数，它的取值在不同系统中不同。如果一个系统用户兴趣变化很快，就应该取比较的的$\alpha$，反之需取比较小的$\alpha$。
用户$u$在$t_{uj}$时刻对物品$i$有过行为，记为$(u,i,t_{uj})$，用户$u$对物品$i$的兴趣程度计算为：

物品相似度与物品被不同用户选择的时间差成反比；用户对物品最近的喜好程度与用户最近的行为关系更大，即最近时间与物品被选择时间的差成反比。
2. 时间上下文相关的UserCF算法
用户兴趣相似度与用户选择物品的交集成正相关，交集中物品时间越接近，相似度越高。

在找到和当前用户$u$兴趣相似的一组用户后，这组用户最近的兴趣显然比这组用户很久之前的兴趣更加接近用户$u$今天的兴趣。

图模型的应用
一般来说，图上两个相关性比较高的顶点一般具有如下特征：
1 两个顶点之间有很多条路径相连；
2 两个顶点之间的路径比较短；
3 两个顶点之间的路径不经过出度比较大的顶点。