首先来看为时间信息建模的重要性
事物是动态变化的。不仅是人的喜好、品味会随着时间的推移改变(比如,一个喜欢看韩剧的用户渐渐喜欢上了国产“恐怖片”;或用户打分的标准比以往更严格了,感觉极好的也只打4分)。物品的流行度也会随着其他物品的出现,时间的发展而改变(文中显示,老电影评分tend to 比新电影的高)。因此,让推荐系统捕捉到用户和物品的改变能显著地提高推荐的准确度。[2]
进一步,用户和物品的变化可以分两种:long-term trends 和 temporary effects。 模型的目的应该是捕捉到长期的变化趋势,忽略一些暂时表现出的noise。以往的方法会对以前的评价赋予较小的权值,以重点考虑当前的行为。但作者指出在衡量物品间的相似度方面,历史评价记录跟最新评价是同样efficient的(如,看了A的90%用户也看了B,那么A和B是相似的,这点无论在过去还是现在都成立)。[2]
接下来看两个实际的模型
[1] Exploring Temporal Effects for Location Recommendation on Location-Based Social Networks
作者在矩阵分解中加入时间信息,它利用了用户签到在时间上的两个属性:首先,用户在不同时间呈现不同的签到喜好。其次,用户在相邻时间呈现的签到喜好是相近的。因此,假设总共有T个时间段,该方法为每个用户在T个时间段分别创建用户preference矩阵。然后对相邻时段的两个preference矩阵的差值做约束 —— 约束因子为对应时段两个签到向量的余弦相似度。
[2