基于时间轴的Tag个化推荐课件

1、2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组1 内容研究动机相关工作、研究问题和内容实验下一步工作总结2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组2 研究动机用户A用户B用户C用户D用户E?2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组3 Visualizing Tags over Time （WWW06）Let denote the number of times the object u occurs at time t. Let denote the total number of occurrences of object

2、 u.相关工作2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组4 Social Tag Prediction （SIGIR08）相关工作2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组5 如何利用时间轴和Tag历史信息对用户个性化建模？如何刻画用户兴趣的“就近性”？如何寻找相似用户，并利用相似用户进行个性化推荐？研究问题2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组6 用户个性化建模衰减模型相似用户Tag推荐研究内容2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组7 用户个性化建模 o0,o1,on： 所有用户打过的Ta

3、g t0,t1,tk ,： 时间轴上对应的时间点 n tk-1,tk(u,oj)： 用户u在时间区间tk-1,tk上打过的oj的数量 Int t0,ti(u) ： 用户u在时间区间t0,ti的用户模型 t0t1tk-1tkti2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组8 用户个性化建模 qj = n tk-1,tk(u,oj) * wk ， 其中 wk 是衰减权值(wk 0,1) Int t0,ti(u) = t0t1tk-1tkti2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组9 用户个性化建模 2007012

4、00702200703200704200705200706200707200708200709200710200701200702200703200704a2100b0121c1120d1113wk1 Int 200701,200704 (u) = 2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组10 衰减模型 距离衰减是形式或过程随距离减弱 。 距离衰减至今仍受地理学者关注。 一个旅游目的地的入游游客，其入游人数通常也随旅行距离增大而减少，也是一种距离衰减现象。游客来游人数的距离衰减特征，是确定和推测旅游地吸引力辐射范围和外推趋势的重要手段。 Smith(

5、1983)则指出，距离衰减曲线的斜率反映目的地引力的大小。2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组11 衰减模型A 一般模式 ：ln y = a- b * f(dx)；当f(dx)=dx时为类型(1)。B 双对数模式：ln y = a- b * ln(dx)m ；m=1时为类型(2)；m=2时为类型(3)。C 指数模式 ：ln y = a- b* (dx) m ；m=2时为类型(4) ；m=时为类型(5) 。其中a、b为系数，其中b为距离函数系数，亦即距离衰减指数 ,f(dx)为距离函数，dx为距离。(1)指数模型： ln y = a - b * dx(2)Paret

6、o模型： ln y = a - b * ln(dx)(3)常对数模型： ln y = a - b * ln(dx)2(4)平方指数模型： ln y = a - b * (dx)2(5)开放指数模型： ln y = a - b * 2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组12 衰减模型2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组13 相似用户s( Intt0,ti(A) , Intt0,tj(B) )= ( Intt0,ti(A) Intt0,tj(B) ) / ( | Intt0,ti(A) |* | Intt0,tj(B) | )用户A用户B用

7、户C用户D用户E?2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组14 Tag推荐Pti,tj(u) ：推荐给用户u在时间区间ti ,tj上的TagInt 200701,200704 (u) = P 200704,200705 (u) = 2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组15 Tag推荐一、求出与Int t0,ti(u)最相似的N个用户模型： Int t0,ti1(u1) ， Int t0,ti2(u2) ， ， Int t0,tin(un) Int 200701,200704 (u) = s( Int 200701,200704 (u) ,

8、 Int 200701,200708 (u1) ) = 0.9 s( Int 200701,200704 (u) , Int 200701,200809 (u2) ) = 0.8 s( Int 200701,200704 (u) , Int 200701,200910 (u3) ) = 0.7 2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组16 Tag推荐Gti,tj(u) = 二、求出Gti1,ti1+1(u1) 、 Gti1,ti2+1(u2) 、 、 Gti1,tin+1(un)： G 200708,200709 (u1) = G 200809,200810 (u2)

9、 = G 200910,200911 (u3) = 2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组17 Tag推荐Mk(i,j) = Gti,tj(uk) * s( Intt0,ti(uk) , Intt0,tj(u) )三、 Pti,ti+1(u) = M1(i,i+1) + M2(i,i+1) + + Mn(i,i+1) ： s( Int 200701,200704 (u) , Int 200701,200708 (u1) ) = 0.9 s( Int 200701,200704 (u) , Int 200701,200809 (u2) ) = 0.8 s( Int 2

10、00701,200704 (u) , Int 200701,200910 (u3) ) = 0.7 G 200708,200709 (u1) = G 200809,200810 (u2) = G 200910,200911 (u3) = P 200704,200705 (u) = = 2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组18 User：1,243Tag ： 78,627ResourceLink ：408,797Date ：2001-01-14 至今总记录数：1,513,745/url/fb2902689819f8ca9f49014c0848e396 数据集2022

11、/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组19 用户数：877Tag数：6,279资源数：11,051总记录数：260,214时间跨度：200701至2009121702 = 每个用户的Tag数 = 10 555 = 每个用户标注的资源数 = 10数据集2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组20 实验2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组21 随机产生测试用户，随机产生测试时间点用衰减模型求出每个用户在每个时间点的兴趣模型实验t0t1tk-1tkti2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组22 实

12、验2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组23 实验2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组24 针对每一个测试用户寻找与其兴趣模型最相似的一组用户以及对应的时间点，并计算出相似度根据得到的相似用户的下一个月实际标注的Tag来预测测试用户下个月将会感兴趣的Tag实验用户A用户B用户C用户D用户E?2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组25 实验结果衰减模型用户数准确率模型18023.125% + 3.875%模型225 24.4% + 2.8%模型355 23.27% + 1.45%模型4 72 24.17% + 5%模型5 74 23.24% + 1.757%2022/8/20基于时间轴的Tag个性化推荐 个性化知识管理小组26 下一步工作推荐用