简介：这篇论文介绍了在时间动态性下的协同过滤算法。考虑一个顾客买商品的例子，随着顾客不断选择新的商品，顾客的行为模型会发生持续不断的改变。为了应对这种改变，通常的做法是使用时间窗口(一段时间内认为不变)或者不断衰减（越旧的信息权重越小）方法，但是这些方法都丢失了大量的数据实例，准确性很差，而这篇文章在协同过滤的基础上做了改进，提出了基于协同过滤的时间动态性算法。
下面是本文的一些要点：
-
建立时间动态性模型的一些难点
-需要考虑到新产品和服务的出现，这些改变会影响顾客的行为，比如过节期间行为会发生改变
-在单个用户层次上去判断时间的改变可用的数据较少，比如一个用户一个月才买一次东西；故需要从全局角度考虑时间的改变，一个网站上面所有用户在某个时间段内的购买情况
-原有的推荐系统对于用户行为没有一个时间动态性的变化模型，但是获取用户行为的时间变化性对于提高推荐的准确性有很大帮助
-
一些前提假设
m个用户，n个物品
用户用u,v这些字母表示，物品用i,j这些字母表示
t代表时间
评价rui(t)表示用户u在第t日对物品i的评价，r^ui(t)代表对于rui(t)的预测值
RMSE：
-
三种方法
-instanceselection:抛弃那些对于系统当前状态无关的实例
-instanceweighting:依据实例间的相关性设定他们的权重
-ensemblelearning:根据之前的数据预测当前的结果，越接近当前的数据权重越大
但是以上三种方法仍然存在一些问题，我们想要做到的是下面几条：
-我们的模型不仅仅针对用户当前的行为，而是针对用户整个时间周期
-需要考虑多个改变因素，一些是基于用户的，一些是基于物品的
-需要建立一个单一框架，在更高层次上进行分析，而不是仅仅针对单个用户或物品
-我们并不需要预测未来较长一段时期的用户行为
4、协同过滤相关知识
根据协同过滤，每个用户对应一个向量pu，每个物品对应一个向量qi，预测值为这两个向量乘积。但是这种方法忽略了用户之间，物品之间，用户与物品之间的关系，改进的方法是加入基准评价值，bui=mu+bu+bi，mu是所有评价的均值，bu为用户偏差，bi为物品偏差，预测值如下：
5、考虑时间变化的协同过滤（baselinepredictor）
考虑两个变化性的因素：每个物品的受欢迎程度会随着时间变化而改变；用户也会改变他们的评价标准。也就意味着bui会随着时间变化：
bui(t)=mu+bu(t)+bi(t)，
bui(t)表明第t天用户u对于物品i的基准评价
bu(t)和bi(t)是随着时间改变的具体函数值
在每个时间段内使用一个不同的值，但是对时间分割需要做一个权衡，分得过细该时间段内的数据点就会不够，分得太粗精确度降低。
-对于物品：bi(t)=bi+bi_Bin(t),Bin(t)为时间对应的函数
-对于用户：假设某个用户的评分均值为tu，变化率dev_u(t)=sign(t-tu)|t-tu|^beita，|t-tu|表示时间距离，bu(t)=bu+alpha_u*dev_u(t)
另一种方法是使用样条函数，假设用户有ku次评分，{t1...t_ku}，bu(t)可以写成：
为了更加准确，再添加一个参数用来表示用户每天的变化情况：
bu(t)=bu+alpha_u*dev_u(t)+bu,t
于是bui(t)=mu+bu+alpha_u*dev_u(t)+bu,t+bi+bi_Bin(t)
目标函数如下：
如果再考虑一段时期内的变化，加入新的参数：
bi(t)=bi+bi_Bin(t)+bi_period(t)
bu(t)=bu+alpha_u*dev_u(t)+bu,t+bu_period(t)
如果不同的用户有不同评价度：
bui(t)=mu+bu+alpha_u*dev_u(t)+bu,t+(bi+bi_Bin(t))*cu(t)
cu(t)是一个和时间相关的度量向量。
6、考虑时间变化的协同过滤（factormodel）
因为用户的喜好会随着时间变化，需要在用户偏好中考虑时间因素
pu,k(t)=pu,k+alpha_u,k*dev_u(t)+pu,k,tk
7、相邻模型的时间动态性
相邻模型不同于上面介绍的矩阵分解模型，不考虑时间动态性的模型如下：
wij,cij衡量的是物品i和物品j的相关性，知道物品j的评分信息去预测物品i的评分。考虑时间后：
目标函数如下:
1945
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
