Outlines
1. 致力于解决temporal recommendation问题
2. 引入的概念主要有两个,STG(session-based temporal graph)及IPF(injected preference fusion)。STG是个有向二分图G(U,S,I,E,w),其中U是user结点集,S是session节点集,I是item结点集,w:E->R表示一个由边到权重的非负映射函数。对于temporal recommendation,常常涉及的元组格式为<user,item,time>,本文将其拆分为<user,item>和<session,item>,并将<session,item>与user绑定。如图:
Si(useri,timei)指useri在timei的时间,如果useri在timei内看过itemk则它与ik结点之间应有边。而IPF则是基于STG的一种推荐方法。
3. evaluaion metric是all-but-one的hit-ratio
4. 与TItemKNN及TUserKNN比较,还把STG用于PRW(personalized random walk)得到TPRW比较
Interesting Ideas
1. users和items关于time的相关性一般是没有用的,而对于一个user来说items之间关于时间的相关性却是非常有用。其实就是说,user在time内看了item不能说user与item更相关,而user在item内同时看了items,items之间应该很相关。
2. STG成功之处在于它很好地建模了一个事实,就是用户的长期兴趣与短期兴趣是不同的。U与I之间的边代表用户的长期兴趣,而这些边向其它未知item节点的延伸(原文用了propagate)就是基于用户长期兴趣的推荐。同样地,S与I之间的边代表用户的短期兴趣,这些边向其它未知item节点的延伸就是基于用户短期兴趣的推荐。同时下面的权重公式巧妙地建模了长短期之间相对的重要程度。可见,一个优秀的模型非常重要的一点就是能将上下文环境自然地参数化。
3. 从图结构的直观角度来讲,一个未知item对一个user的推荐值应由连接它们的路径构成。但是需要注意较长路径可能带来噪音干扰。因此,该文只将最短路劲考虑在内,即distance=3
Implementation Details
1. STG的权重这样表示:
给定一个边e(v,v’)。假如它出自user或session结点,那么w=1。因为它一定到达item结点,这样常数1与基于user或session结点出度的归一化是等价的。而当e出自item结点时,到user与session的不同w值可以描述它们对items similarity的长短期贡献。
2. 给定路径P(V0,…,Vn),其中V0是user或session结点,Vn是未知item。其推荐值表示为:
其中:用来调节user结点的preference与session结点的preference比例。
,用来调节出度的影响。
Conclusions
待续