基于時間效應的推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展，信息過載問題越來越嚴重，用戶找到自己想要的商品或信息所花費的時間越來越多。將來人們獲取自己感興趣信息的途徑有可能由單一的搜索引擎變?yōu)樗阉饕媾c推薦系統(tǒng)相結合。推薦系統(tǒng)的價值在于不僅能夠推薦給用戶符合用戶興趣的物品，而且還要能夠發(fā)現(xiàn)長尾商品，長尾商品更能體現(xiàn)小群體用戶的個性化需求?，F(xiàn)在推薦算法的研究越來越受到人們的重視，特別是推薦算法的一些比賽如Netflix、2012年KDD track1等比賽的出現(xiàn)，更加促進了推薦算

2、法的快速發(fā)展。在推薦算法中時間信息作為一種上下文信息能夠提高推薦的質量。一方面推薦系統(tǒng)要能準確的給用戶推薦與其興趣相關的產(chǎn)品，而且要能在正確的時間給用戶做推薦；另一方面用戶在不同時間對相同的推薦結果做出的反饋不同。因此，時間信息受到越來越多研究者的關注，現(xiàn)在也有很多考慮時間因素的推薦算法被提出來。有些在模型中直接加入時間特征，有些模型不考慮時間特征，但以時間特征去選擇用來建模的數(shù)據(jù)集。
　　本文針對目前推薦算法中引入時間因素的方法

3、做出改進。時間因素的引入主要體現(xiàn)在模擬用戶興趣度隨時間的變化、物品流行度隨時間的變化和社會群體興趣度隨時間的變化。社會群體興趣度隨時間變化容易模擬，難點在于用戶興趣度隨時間的變化以及物品流行度隨時間變化，因為不同的用戶有不同的興趣度變化趨勢，不同的物品也有不同的流行度變化趨勢。當前的很多引入時間因素的推薦算法，沒有考慮這些不同，只是對所有的用戶采用相同的興趣度變化模型，對所有的物品采用相同的流行度變化模型。針對這個問題本文提出了對每個用

4、戶的興趣度變化趨勢分別建模以及對每個物品流行度變化趨勢分別建模的方法。因為用戶的當前行為受用戶近期行為的影響，所以本文通過為用戶近期行為賦予不同的權重來對當前時刻用戶的興趣進行模擬，也就是通過用戶近期行為對當前的興趣貢獻程度的不同來間接模擬出不同用戶的不同興趣度變化趨勢。通過對物品近期流行度賦予不同的權重來模擬當前物品的流行度。這些權重的求解方法是以每個用戶以及每個電影評分的時間序列數(shù)據(jù)作為訓練集，首先把數(shù)據(jù)集按時間分隔，然后以時間片為