讀書筆記：推薦系統實踐-第五章-利用上下文信息

1、時間上下文信息

1.1 時間效應簡介

時間信息對用戶興趣的影響主要表現在以下幾個方面：

• 用戶興趣是變化的，應該關注用戶最近的行爲
• 物品也是有生命週期的
• 季節效應，節日也是

1.2 系統時間特性的分析

包含時間信息的用戶行爲數據集由一系列三元 組構成，其中每個三元組(u,i,t)代表了用戶u在時刻t對物品i產生過行爲
可以通過統計如下信息研究系統的時間特性

• 數據集每天獨立用戶數的增長情況
• 系統的物品變化情況 ，這個可以使用以下指標來探查
  • 物品平均在線天數：如果一個物品在某天被至少一個用戶產生過行爲，就定義該物品在這一天在線
  • 相隔T天系統物品流行度向量的平均相似度
• 用戶訪問情況

1.3 推薦系統的實時性

• 對用戶行爲的存取有實時性要求
• 推薦算法本身具有實時性
  • 要求在每個用戶訪問推薦系統時，都根據用戶這個時間點前的行爲實時計 算推薦列表
  • 推薦算法需要平衡考慮用戶的近期行爲和長期行爲

1.4 推薦算法的時間多樣性

• 推薦系統每天推薦結果的變化程度被定義爲推薦系統的時間多樣性

• 保證時間多樣性可以提升用戶的滿意度

• 解決方法可以被分爲兩步：

  • 需要保證推薦系統能夠在用戶有了新的 行爲後及時調整推薦結果，使推薦結果滿足用戶最近的興趣
    • 每天離線生成推薦結果，那麼就無法做到實時
    • 不同實時推薦算法有不同的時間多樣性
  • 需要保證推薦系統在用戶沒 有新的行爲時也能夠經常變化一下結果，具有一定的時間多樣性
    • 在生成推薦結果時加入一定的隨機性
    • 對推薦過的結果降權
    • 每天給用戶使用不同的推薦算法

• 推薦系統需要首先保證推薦的精度，在此基礎上適當地考慮時間多樣性

1.5 時間上下文推薦算法

1.5.1 最近最熱門

給用戶推薦歷史上最熱門的物品

1.5.2 時間上下文相關的ItemCF算法

• 計算步驟
  • 利用用戶行爲離線計算物品之間的相似度
  • 根據用戶的歷史行爲和物品相似度矩陣，給用戶做在線個性化推薦
• 時間效應需要關注的點
  • 物品相似度 用戶在相隔很短的時間內喜歡的物品具有更高相似度。
  • 在線推薦 用戶近期行爲相比用戶很久之前的行爲，更能體現用戶現在的興趣。
• 相似度計算公式
  
• 計算用戶u對物品i的興趣p（u,i)，控制用戶現在的行爲應該和用戶最近的行爲關係更大。
  

1.5.3 時間上下文相關的UserCF算法

• 時間效應需要關注的點
  • 用戶興趣相似：在同一時間喜歡的物品相似的用戶之間興趣更相似
  • 相似新區用戶的最近行爲更接近用戶可能感興趣的內容
• 計算相似度的公式
  
• 計算興趣程度
  

1.6 時間段圖模型

• 圖表現
  
  
• 推薦算法：路徑融合
  • 首先提取出兩個頂點之間長度小於一個閾值的所有路徑
  • 然後根據每條路徑經過的頂點給每條路徑賦予一定的權重
    
  • 最後將兩個頂點之間所有路徑的權重 之和作爲兩個頂點的相關度
    

1.7 離線模型

當時效性要求比較高時，考慮時間因素的算法效果更好。

• Pop 給用戶推薦當天最熱門的物品
• TItemCF 融合時間信息的ItemCF算法
• TUserCF 融合時間信息的UserCF算法
• ItemCF 不考慮時間信息的ItemCF算法
• UserCF 不考慮時間信息的UserCF算法
• SGM 時間段圖模型
• USGM 物品時間節點權重爲0的時間段圖模型
• ISGM 用戶時間節點權重爲0的時間段圖模型
  
  
  

2、地點上下文信息

• 用戶興趣和地點相關的兩種特徵
  • 不同地方的用戶興趣存在着很大的差別。
  • 一個用戶往往在附近的地區活動。
• 基於位置的推薦算法
  • 數據字段：（用戶，用戶位置，物品，評分）
    • 將數據集根據用戶位置劃分成爲樹狀結構，對所有包含該位置的葉節點的父節點訓練推薦模型，然後根據這些推薦結果加權之後進行推薦
  • 數據字段：（用戶，物品，物品位置，評分）
    • 利用ItemCF計算用戶的喜愛程度，再加上一個距離懲罰項
      
      爲了避免計算用戶對所有物品的TravelPenalty，LARS在計算用戶u對物品i的興趣度 RecScore(u,i)時，首先對用戶每一個曾經評過分的物品（一般是餐館、商店、景點），找到和他距離小於一個閾值d的所有其他物品，然後將這些物品的集合作爲候選集，然後再利用上面的 公式計算最終的RecScore。
• 從實踐的結果來看，上面兩者的算法都要優於普通的itemCF算法