【学习笔记】读项亮的《推荐系统实践》_第五章利用上下文信息

个人想法哈，推荐系统三个要素：用户、物品、关联两者的信息（推荐依据）。对于确定的推荐系统而言，用户和物品都是无法选择的，推荐系统的构建就是不断寻找新的推荐依据、并综合现有的推荐依据，设计推荐策略、给用户推荐物品的过程。关键还是推荐依据的寻找，而不是策略或者算法的设定。有了新的信息，比复杂的奇思淫巧强得多。

项亮这本书的后几章，都是在描述不同的推荐依据信息，讲述如何利用这些信息了。

这章的标题是“上下文信息”，内容上讲了两个信息：时间信息和位置信息。

5.1 时间上下文信息

google有google insight，就是看某个搜索词自2004年以来的搜索量变化，从中可以看出人们对这些词的兴趣随着时间的变化而变化。

如何统计某个事物（如：某个网站）的用户访问情况随时间的变化规律？

方法1：统计一段时间以来用户平均活跃天数

方法2：统计两个时间段，如像个T天，访问系统的用户的重合程度

推荐系统的时间多样性：1. 在用户有新行为的时候，根据新行为，调整推荐结果；2. 在没有新行为的时候，也能适当变化推荐结果。

时间上下文推荐算法：

1. 最近最热门

最基本的算法，即在基本的热门排序基础上，通过时间的反函数来对物品出现次数加权，出现时间距离现在越早，则权重越低。

公式为：

n(T) = sum_t<T ( 1 / (1 + alpha * (T - t) ) )

其他的几种算法就是在这个基础之上改进得到的。

2. 时间上下文相关的ItemCF算法

在计算物品相似度的时候，引入时间因素，加入上面公式中的权重。

3. 时间上线问相关的UserCF算法

基本假设是给当前用户推荐和他兴趣相似的用户最近喜欢的物品。也是用1的公式融入到经典算法当中。

时间段图模型：项亮自己的一篇论文的成果，在图模型中引入了时间因素。个人没细看，感觉学术作用大于工业作用。

最后要注意的是：不是引入了时间信息，推荐系统的性能就一定能够提高。例如：百科类网站，实验证明，没啥提高；而youtube、blogSpot等时效性很强的网站，会有很好的正面作用。

5.2 地点上下文信息

最近火热的LBS就是了。这本书讲什么吸引人的东西。