《推荐系统实践》读书笔记(五)(基于上下文)

上下文：时间（季节、节日、工作日/周末、上班时间/下班时间）、地点(在厕所还是在办公室、在哪个商圈/小区)、跟谁在一起(同学、同事、情侣、父母、子女)、心情怎么样（女性情绪化更严重）

1. 用户的兴趣是随时间evolve的，最近的行为最能反映当下的兴趣（短期画像 VS 长期画像）

2. 物品的生命周期：特别是新闻，过后就死；电影中的精品可以经久不衰；

3. 季节效应：冬天喝汤夏天喝冷饮；圣诞节购物，情人节买花买巧克力；

 

A.

推荐系统的实时性：亚马逊，我空刷新得不到列表更新，我收藏/评价/购买了东西，列表就会更新；需要平衡用户的近期行为和长期行为，列表更新既能反应近期兴趣，又要保证兴趣预测的延续性；

 

B.

推荐算法的时间多样性：用户不同时间进来，推荐的东西尽量不太相同；

一周里最热门的100个物品，每天推的10个物品里，有7个是无放回采样的这100个物品，这样的效果，比纯推热门和纯随机推都要好。

1. 用户有了行为，要及时调整推荐结果；2. 即使用户没有行为，也要周期性更新推荐结果；

3种增加时间多样性的方法：

1. 推荐结果保持一定随机性；

2. 对前几天已经推给用户的物品们，进行适当降权；

3. 每次用不同的召回算法；

 

C. 时间敏感的推荐算法：

1. 最近最热门：某物品i，所有被用户访问的降权次数之和，就是i的近期热门度；降权的一次访问=; T是当前时刻，t是物品i被访问的时刻；

2. 带时间上下文的ItemCF:

a. 物品和物品相关性计算，分子里的(item_i, user, item_j)，考虑这个user买i和买j的时间间隔，间隔越大加权越小；

b. 计算该物品i推荐给用户u的分数，以前是把<和i最相似的K个物品>和<u购买过的物品>求交集，对交集的所有物品j, 加和sim(i,j); 加入时间上下文，则加和所有j的<sim(i,j)*u购买j距离当前时间的降权>, 这样强调u最近购买的物品，找和这些物品相似的物品们来推荐；

3. 带时间上下文的UserCF:

a. 用户和用户的相关性计算，分子里的(user_i, item, user_j)，考虑user_i和user_j购买这个物品的时间差；

b. user_j购买这个物品i距离当前时刻近不近，进行降权；

 

D. 基于位置的推荐算法：

2条规律：1. 兴趣本地化（不同国家/城市/商圈的人，兴趣有差异）；2. 活动本地化（大家的活动范围普遍比较近，即只关心附近的POI）

1. 如果只有用户的位置信息：对区域建立树结构（可用行政区划，也可用GeoHash按经纬度划分区块），每个区块内的用户，建立Item-Item相似度，为了鲁棒性，可对叶子到根上的所有节点进行加权；

2. 如果只有物品的位置信息：先用通用ItemCF计算出用户u和物品i的相关度，再用物品i和u之前打分过的物品之间的平均距离得到惩罚值，相关度-惩罚值

3. 如果用户位置和物品位置都有，则综合以上两方面，推荐满足这个区域的人群兴趣，且离这个用户较近的物品们；