為什麼要研究系統的時間特性？
不同系統有不同的時效性，有的系統物品的時效性很短，熱起來，很快會冷下去；而有的系統物品的時效性長，具有比較長的生命週期。
研究系統的時間特性，能增強系統的有效性推薦。比如推薦新聞，會主要選擇最近時間段發生的新聞事件進行推薦；而推薦旅遊景點，時效性較長（有些也有季節性變化），則考慮主要從使用者目前的興趣出發來推薦景點。
如何研究系統的時間特性呢？使用者的興趣是不斷變化的，乙個實時的推薦系統需要能夠實時響應使用者新的行為。
實時推薦系統需要對使用者行為的訪問有實時性需求，還要求推薦演算法本身具有實時性。
推薦演算法需要平衡考慮使用者的近期行為和長期行為，既要反映使用者近期行為所體現的興趣變化，又不能完全受近期行為的影響。
引入時間上下文，物品i
ii的熱門程度（流行度）：對於每個使用者，在t
tt時刻選擇了物品i
ii，在某個特定時刻t，物品i
ii的流行度ni(
t)n_\left ( t \right )
ni(t)
與時間間隔（t−
t）（t-t）
（t−t
）成反比：
1. 時間上下文相關的itemcf演算法
物品相似度：使用者在相隔很短的時間內共同喜歡的物品具有更高相似度。
物品i
ii與j
jj的相似度與時間間隔成反比，與被使用者共同喜歡的次數成正比，但為了懲罰熱門物品，會有與熱門物品j
jj出現次數成平方根反比：
α 是時間衰減引數，它的取值在不同系統中不同。如果乙個系統使用者興趣變化很快，就應該取比較的的α
\alpha
α，反之需取比較小的α
\alpha
α。使用者u
uu在tuj
t_tu
j時刻對物品i
ii有過行為，記為(u,
i,tu
j)(u,i,t_)
(u,i,t
uj)
，使用者u
uu對物品i
ii的興趣程度計算為：
物品相似度與物品被不同使用者選擇的時間差成反比；使用者對物品最近的喜好程度與使用者最近的行為關係更大，即最近時間與物品被選擇時間的差成反比。
2. 時間上下文相關的usercf演算法
使用者興趣相似度與使用者選擇物品的交集成正相關，交集中物品時間越接近，相似度越高。
在找到和當前使用者u
uu興趣相似的一組使用者後，這組使用者最近的興趣顯然比這組使用者很久之前的興趣更加接近使用者u
uu今天的興趣。
圖模型的應用
一般來說，圖上兩個相關性比較高的頂點一般具有如下特徵：
1 兩個頂點之間有很多條路徑相連；
2 兩個頂點之間的路徑比較短；
3 兩個頂點之間的路徑不經過出度比較大的頂點。
推薦系統實踐讀書筆記
最近大概複習了一下這本書，了解了較早的推薦系統的一些方法，記錄如下，以便大家對本書內容有個快速地了解。略去了第一張，詳細的 和細節可以參考其他部落格。需要關注的地方直接標出了頁碼。書裡面的 不是很完整，用來學習還可以。第八章介紹了一些svd等機器學習的演算法，在2020年的今天可以回顧一下。推薦系統...
《推薦系統實踐》讀書筆記 推薦系統十戒
1 確定你真的需要推薦系統。推薦系統只有在使用者遇到資訊過載時才有必要。若你的 物品不多，或使用者興趣單一，那麼也許並不需要推薦系統。所以不要糾結於推薦系統這個詞，不要為了推薦系統而做推薦系統，而要從使用者的角度出發，設計出能夠真正幫助使用者發現內容的系統。2 確定商業目標和使用者滿意度之間的關係。...
推薦系統讀書筆記
標籤 空格分隔 演算法 基於內容的推薦 基於知識的推薦 混合推薦方法 主要思想 給定乙個評分資料集和當前 活躍 使用者的id作為輸入,找出與當前使用者過去有相似偏好的其它使用者,這些使用者被稱為對等使用者或最近鄰.物品1物品2 物品3物品4 物品5alice53 44?使用者131 233使用者24...