一、書籍介紹
《推薦系統(tǒng)實踐》項亮編著，陳義、王益審校，人民郵電出版社。
本篇讀書筆記主要針對該書的第五章內(nèi)容-利用上下文信息。
二、結(jié)構(gòu)概覽
三、主要內(nèi)容
上下文（context）信息包括用戶訪問推薦系統(tǒng)的時間、地點、心情等?！脩舢斚滤幍沫h(huán)境。比如說根據(jù)心情推歌。
1.時間上下文信息
（1）什么是時間效應(yīng)
a）用戶興趣可能會隨著時間不同而變化。
b）物品本身有生命周期。比如新聞的生命周期很短，音樂的生命周期很長。
c）季節(jié)效應(yīng)：冬天吃火鍋，夏天吃冰棍。
（2）系統(tǒng)時間特性的分析
添加時間上下文內(nèi)容后，推薦系統(tǒng)從一個靜態(tài)系統(tǒng)變成了一個時變的系統(tǒng)，用戶行為數(shù)據(jù)也變成了時間序列，包含時間信息。
（3）推薦系統(tǒng)的實時性
實時的推薦系統(tǒng)要能夠?qū)崟r響應(yīng)用戶新的行為，當用戶有所行為后，推薦列表不斷變化，滿足用戶不斷變化的興趣。
如亞馬遜：用戶的顯性反饋行為都會導(dǎo)致推薦列表的變化。
對推薦系統(tǒng)的要求：
a）對用戶行為的存取具有實時性。
b）推薦算法本身具有實時性：實時計算推薦列表；算法需要平衡考慮用戶的近期行為和長期行為。
（4）推薦算法的時間多樣性
時間多樣性高的推薦系統(tǒng)用戶會經(jīng)常在不同時間看到不同的結(jié)果。在不損失精度的情況下要提高推薦結(jié)果的時間多樣性。
時間多樣性的解決可以有兩步：a）用戶在有新行為后調(diào)整推薦結(jié)果，讓結(jié)果滿足用戶最近的興趣；b）用戶沒有新的行為也能夠變化結(jié)果。
對于b），有幾種思路。
*在生成推薦結(jié)果的過程中加入一定的隨機性，隨機挑選部分。
*對用戶看到過的內(nèi)容降權(quán)。
*每天使用不同的算法。
（5）算法
a）給用戶推薦歷史上最熱門的物品
b）時間上下文相關(guān)的ItemCF算法
首先我們回顧一下ItemCF算法，主要是利用用戶行為計算物品之間的相似度，然后根據(jù)推薦用戶歷史行為的物品中的相似物品。
增加時間信息后：
*用戶在相隔很短的時間內(nèi)喜歡的物品具有更高的相似度（針對物品之間相似度的計算）
*用戶近期行為比用戶很久之前的行為，更能體現(xiàn)用戶現(xiàn)在的興趣，優(yōu)先給用戶推薦近期行為相似的物品。
c）時間上下文相隔的UserCF算法
同樣，UserCF算法是給用戶推薦和她興趣相似的其他用戶喜歡的物品。
增加時間信息：
*不同用戶在表達出對物品喜歡的時間距離越近，表明用戶間的興趣相似度更大。
*給用戶推薦和他興趣相似的用戶最近喜歡的物品。因為時間越近，越能代表當下的興趣。
（6）時間段圖模型
在圖模型中添加一個物品時間段節(jié)點集合和用戶時間段節(jié)點集合。
2.地點上下文信息
不同地區(qū)，可能興趣也會不同。
LARS的推薦系統(tǒng)：首先將物品分為有空間屬性和沒有空間屬性的物品；其次，將用戶也分為有空間屬性（帶有現(xiàn)在地址的）、沒有空間屬性的。由此將數(shù)據(jù)集分成帶有空間屬性的數(shù)據(jù)集。在地點上下文的推薦，可以考慮兩個方面，第一，不同地方的用戶興趣存在者很大的差別，因此在推薦系統(tǒng)中要考慮用戶的空間位置。第二，用戶往往在附近的地區(qū)活動。因此不能給用戶推薦太遠的地方。
四、思考與總結(jié)
時間、地點可以認為是已經(jīng)驗證過的影響興趣推薦的上下文信息。因此我們可以在已有的推薦算法中加入時間、地點的因素。對于一些未驗證的因素，我們還需先驗證，然后和已有的算法相結(jié)合。
延伸閱讀：
推薦系統(tǒng)冷啟動問題——《推薦系統(tǒng)實踐》讀書筆記（三）
