推荐算法——基于上下文的推荐

将时间信息和地点信息建模到推荐算法中，从而让推荐系统能够准确的预测用户在某个特定时刻以及特定地点的兴趣。本文中主要考虑时间因素：
在给定时间信息后，推荐系统从一个静态系统变成了一个时变的系统，用户的行为数据也变成了一个时间序列。此时用户的数据集变为$(u,i,t)$：用户u在时刻t对物品i产生过行为。

时间建模信息的方法有如下几种：
最近最热门：
在没有时间信息的数据集中，我们可以给用户推荐历史上最热门的物品，那么在获得用户行为的时间信息后，最简单的非个性化推荐算法就是给用户推荐最近最热门的物品。给定时间T,物品i最近的流行度$n_{i}^T$定义为：

$$n_i^T = \sum\limits_{(u,i,t),t < T} {\frac{1}{{1 + \alpha (T - t)}}} (1)$$
其中