時間感知的推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)的高速發(fā)展和智能手機的普及，人們已經(jīng)能夠隨時隨地獲取在線內(nèi)容和服務(wù)，例如新聞、音樂、視頻、餐廳位置和評論等。這些海量互聯(lián)網(wǎng)信息在給用戶帶來便利的同時，也給用戶從中篩選感興趣的內(nèi)容帶來了新的挑戰(zhàn)。為了解決這種信息過載問題，推薦系統(tǒng)應(yīng)運而生。作為連接內(nèi)容消費者和提供商的橋梁，推薦系統(tǒng)既能幫助消費者發(fā)現(xiàn)潛在感興趣的商品，還能幫助內(nèi)容提供商提升商品銷量和用戶粘性。近十年以來，推薦系統(tǒng)在各大商業(yè)領(lǐng)域得到了廣泛應(yīng)用，同時也成為計算機、物理

2、、管理學(xué)等交叉領(lǐng)域的熱點研究課題。
　　早期研究主要集中在靜態(tài)推薦系統(tǒng)，即不考慮用戶歷史行為發(fā)生的時間，構(gòu)建與時間無關(guān)的推薦模型。然而人類動力學(xué)研究發(fā)現(xiàn)，用戶的興趣偏好與時間因素有著緊密聯(lián)系。例如，用戶興趣會隨時間推移發(fā)生變化，用戶的評分行為存在錨定現(xiàn)象，商品的銷量呈現(xiàn)周期性變化等。因此，時間因素的作用近年來吸引了眾多推薦系統(tǒng)研究人員的關(guān)注。本文基于大量帶時間標簽的用戶行為數(shù)據(jù)，分析用戶動態(tài)行為在推薦算法中的作用，對時間感知的推薦

3、算法進行深入研究。論文主要研究工作和創(chuàng)新點如下：
　　(1)基于用戶顯性評價的時間感知算法研究。用戶的顯性評價通?？梢苑譃檎嬖u價和負面評價兩類，不同類型的評價對用戶未來的興趣可能會有不同的影響。本文通過實證分析發(fā)現(xiàn)正負面評價具有不同的時間特性，并基于此提出了改進的資源分配算法。該算法可以顯著提升推薦結(jié)果的準確性，并有效解決了稀疏數(shù)據(jù)集上的推薦列表個性化問題。為了避免參數(shù)遍歷尋優(yōu)的時間開銷，本文進一步利用線性回歸方法擬合得到了正負

4、面評價的不同時間衰減因子?；跀M合的推薦算法除了能夠改善推薦結(jié)果之外，還大幅降低了計算復(fù)雜度，因此具有較高的商業(yè)應(yīng)用價值。
　　(2)基于用戶隱性反饋的時間感知算法研究。用戶的選擇行為一方面可能受到之前購買過該物品的其他用戶的影響，另一方面他的選擇行為也會影響后續(xù)用戶。我們針對指定的目標用戶，根據(jù)選擇行為的先后順序?qū)⑵渌脩舴譃橐I(lǐng)型用戶和跟隨型用戶。實證分析發(fā)現(xiàn)跟隨型用戶選擇的物品比較相似，而引領(lǐng)型用戶選擇的物品個性化程度較高。

5、本文給不同類型用戶賦予不同的時間衰減權(quán)重，提出了一種基于資源分配的時間感知推薦算法。實驗結(jié)果表明，相對于時間無關(guān)的靜態(tài)模型，本文算法能夠顯著提高推薦結(jié)果的準確性。
　　(3)基于近期流行度的推薦算法研究。在現(xiàn)有推薦算法研究中，物品的流行度通常定義為它在整個觀測周期內(nèi)被購買的總次數(shù)，也就是物品的長期流行度。本文實證分析發(fā)現(xiàn)，物品近段時間被購買的次數(shù)，也就是物品近期流行度在推薦系統(tǒng)中起著重要的作用。本文通過考慮近期流行度的影響，改進了

6、熱傳導(dǎo)算法的推薦得分計算公式，并針對資源分配算法設(shè)計了推薦結(jié)果重排序策略。實驗結(jié)果表明，上述兩種改進算法都能夠提供較高的推薦準確性，同時還能提高稀疏數(shù)據(jù)集上推薦結(jié)果的個性化水平。
　　(4)基于相對時間的推薦算法研究。在沒有明確時間信息的場景中，用戶-商品交互記錄產(chǎn)生的相對時間同樣可以用來提高推薦系統(tǒng)的性能。本文基于不同用戶選擇同一物品的先后順序量化不同用戶之間的相互影響，并將其作為用戶-物品二部圖的連邊權(quán)重，提出了基于用戶序列的