基于上下文推荐系统.ppt

简介 基于邻域、标签的推荐系统算法主要集中研究了如何联系用户兴趣和品，将最符合用户兴趣的物品推荐给用户，但忽略了用户所处的上下文。这些上下文包括用户访问推荐系统的时间、地点、心情等。因为用户所处的环境对用户选择有很大的影响，准确理解用户的上下文信息，并将该信息应用于推荐系统算法是设计好的推荐系统的关键步骤。 关于上下文推荐的研究，可以参考Alexander Tuzhilin教授（个人主页hhtp:///atuzhilin/）的一篇综述“Context Aware Recom-mender Systems”.这片文章主要将基于情绪的音乐推荐。 本节主要介绍时间上下文、地点上下文和情绪上下文等信息，并讨论如何将这写上下文信息建模到推荐算法中。这里介绍的仍然是TopN推荐，即如何给用户生成一个长度为N的推荐列表。 1.1 时间效应简介 时间是一重要的上下文信息，它对用户兴趣的影响表现在以下几个方面： 用户兴趣是变化的。这种变化是因为用户自身原因发生的变化。比如年龄增加、工作时间的增加和季节变化等。想要准确预测用户兴趣，就要考虑用户最近行为，但这只是针对渐变的用户兴趣。 物品有生命周期。不同系统的物品具有不同的生命周期。 季节效应。季节效应主要反映了时间本身对用户的影响。在2011年ACM推荐大会曾举办相关比赛（http://2011./）. 1.2 时间上下文信息 系统时间特性： 数据集每天独立用户数的增加情况。在不同系统中用户行为是不一样的，因此我们首先需要确认系统的增长情况。 系统物品变化情况。如新闻网站的时间周期比购物网站的时间周期短。 用户访问情况。为了度量访问情况，我们可以通过统计用户的平均活跃的天数，同时也可以统计相隔T天来系统的用户重合度。 1.2 时间上下文信息 1.3 推荐系统的实时性 基于上下文推荐系统 壹 简介 贰 时间上下文信息 叁 地点上下文信息 基于时间推荐 基于地点推荐 基于情绪推荐 加入时间信息后，推荐系统从静态系统变成动态系统，用户行为数据也变 时间序列。包含时间信息的用户行为数据集由一系列三元组构成。其中每 个三元组（u，i，t）代表用户 u 在时刻 t 对物品 I 产生过行为。 1.物品的生存周期和系统的时效性 不同类型的网站的物品具有不同的生命周期，我们可以用如下指标度量网站中物品的生命周期。 物品平均在线天数。如果一个物品在某天被至少一个用户产生过行为，就定义该物品在这一天在线。我们通过物品的平均在线天数度量一类物品的生存周期。物品的平均在线天数和物品的流行度应该成正比。 相隔T天系统物品流行度向量的平均相似度。取系统中相邻T天的两天，分别计算这两天的物品流行度，得到两个流行度向量。计算这两个向量的余弦相似度。如果相似度大，说明系统的物品在间隔T天的时间没有发生太大变化，从而说明系统时效不强，物品平均在线时间长。反之。 展示了4个数据集中 物品流行度和物品在 线天数之间的关系 展示了4个数据集中 相隔T天物品流行度 和的平均相似度。总 体趋势是下降。 用户是不断变化的，因为用户不断有新行为。一个实时的推荐系统需 要实时响应用户新的行为，让推荐列表不断变化，从而满足用户不断变化 的兴趣。实现推荐系统的实时性除了对用户行为的存取有实时性要求，还 要求推荐算法本身具有实时性，这意味着： 实时推荐系统不能每天都给所有用户离线计算推荐结果，然后在线展示 结果。所以要求用户访问推荐系统时，都根据用户这个时间点前的行为 （主要是显性反馈）实时计算推荐结果。 推荐算法需要平衡考虑用户的近期行为和长期行为，即要让推荐列表反 应出用户近期行为所体现的兴趣变化，又不能让推荐列表完全受用户近 期行为的影响，要保证推荐列表对用户兴趣预测的延续性。 1.4 推荐系统的时间多样性 推荐系统的每天推荐结果的变化程度被定义为推荐系统的时间多样性。那 时间多样性和用户满意度之间存在什么关系？下面有3中推荐系统。 给用户推荐最热门的10部电影。 从最热门的100部电影中推荐10部给用户，但每周都有7部电影推荐结果 不在上周的推荐列表中。 每次都从所有电影中随机挑选10部电影给用户。 研究人员进行用户调查实验，发现如下现象。（具体结果参考“Temporal Diversity in Recommender Systems”） A,B算法的平均分明显高于C算法。这说明纯粹的随机推荐虽有高的时间 多样性，但不能保证推荐精度。 A算法的平均分随时间逐渐下降，但B算法的平均分随时间基本保持不变。 这说明A算法没有时间多样性，用户满意度就不断下降，这也说明保证时间 多样性的重要