時(shí)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(jī)的普及，人們已經(jīng)能夠隨時(shí)隨地獲取在線(xiàn)內(nèi)容和服務(wù)，例如新聞、音樂(lè)、視頻、餐廳位置和評(píng)論等。這些海量互聯(lián)網(wǎng)信息在給用戶(hù)帶來(lái)便利的同時(shí)，也給用戶(hù)從中篩選感興趣的內(nèi)容帶來(lái)了新的挑戰(zhàn)。為了解決這種信息過(guò)載問(wèn)題，推薦系統(tǒng)應(yīng)運(yùn)而生。作為連接內(nèi)容消費(fèi)者和提供商的橋梁，推薦系統(tǒng)既能幫助消費(fèi)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(xiāo)量和用戶(hù)粘性。近十年以來(lái)，推薦系統(tǒng)在各大商業(yè)領(lǐng)域得到了廣泛應(yīng)用，同時(shí)也成為計(jì)算機(jī)、物理

2、、管理學(xué)等交叉領(lǐng)域的熱點(diǎn)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(hù)歷史行為發(fā)生的時(shí)間，構(gòu)建與時(shí)間無(wú)關(guān)的推薦模型。然而人類(lèi)動(dòng)力學(xué)研究發(fā)現(xiàn)，用戶(hù)的興趣偏好與時(shí)間因素有著緊密聯(lián)系。例如，用戶(hù)興趣會(huì)隨時(shí)間推移發(fā)生變化，用戶(hù)的評(píng)分行為存在錨定現(xiàn)象，商品的銷(xiāo)量呈現(xiàn)周期性變化等。因此，時(shí)間因素的作用近年來(lái)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(shí)間標(biāo)簽的用戶(hù)行為數(shù)據(jù)，分析用戶(hù)動(dòng)態(tài)行為在推薦算法中的作用，對(duì)時(shí)間感知的推薦

3、算法進(jìn)行深入研究。論文主要研究工作和創(chuàng)新點(diǎn)如下：
　　(1)基于用戶(hù)顯性評(píng)價(jià)的時(shí)間感知算法研究。用戶(hù)的顯性評(píng)價(jià)通?？梢苑譃檎嬖u(píng)價(jià)和負(fù)面評(píng)價(jià)兩類(lèi)，不同類(lèi)型的評(píng)價(jià)對(duì)用戶(hù)未來(lái)的興趣可能會(huì)有不同的影響。本文通過(guò)實(shí)證分析發(fā)現(xiàn)正負(fù)面評(píng)價(jià)具有不同的時(shí)間特性，并基于此提出了改進(jìn)的資源分配算法。該算法可以顯著提升推薦結(jié)果的準(zhǔn)確性，并有效解決了稀疏數(shù)據(jù)集上的推薦列表個(gè)性化問(wèn)題。為了避免參數(shù)遍歷尋優(yōu)的時(shí)間開(kāi)銷(xiāo)，本文進(jìn)一步利用線(xiàn)性回歸方法擬合得到了正負(fù)

4、面評(píng)價(jià)的不同時(shí)間衰減因子。基于擬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(jì)算復(fù)雜度，因此具有較高的商業(yè)應(yīng)用價(jià)值。
　　(2)基于用戶(hù)隱性反饋的時(shí)間感知算法研究。用戶(hù)的選擇行為一方面可能受到之前購(gòu)買(mǎi)過(guò)該物品的其他用戶(hù)的影響，另一方面他的選擇行為也會(huì)影響后續(xù)用戶(hù)。我們針對(duì)指定的目標(biāo)用戶(hù)，根據(jù)選擇行為的先后順序?qū)⑵渌脩?hù)分為引領(lǐng)型用戶(hù)和跟隨型用戶(hù)。實(shí)證分析發(fā)現(xiàn)跟隨型用戶(hù)選擇的物品比較相似，而引領(lǐng)型用戶(hù)選擇的物品個(gè)性化程度較高。

5、本文給不同類(lèi)型用戶(hù)賦予不同的時(shí)間衰減權(quán)重，提出了一種基于資源分配的時(shí)間感知推薦算法。實(shí)驗(yàn)結(jié)果表明，相對(duì)于時(shí)間無(wú)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(zhǔn)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(gè)觀(guān)測(cè)周期內(nèi)被購(gòu)買(mǎi)的總次數(shù)，也就是物品的長(zhǎng)期流行度。本文實(shí)證分析發(fā)現(xiàn)，物品近段時(shí)間被購(gòu)買(mǎi)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(guò)考慮近期流行度的影響，改進(jìn)了

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