《推系统 第2版》 课件 Lec10 基于时空信息的推、Lec11 社交推

基于时空信息的推荐基于时间信息的推荐时间特性：动态性、时效性、周期性动态性：用户的兴趣和需求会随着时间推移、用户的成长或经历而发生改变对用户进行画像时，应该重点关注用户最近的行为需要综合考虑用户的近期行为（兴趣）和长期行为（偏好）时效性：项目是有生命周期的：新闻、电影、招聘信息等一旦时间超过项目的时间生命周期，再进行推荐就没有意义周期性：反映时间本身对用户兴趣的影响，例如：夏天吃冰淇淋、冬天吃火锅基于时间的ItemCF算法

基于时间的UserCF算法

这三种模型都考虑了：商品流行的周期还忽略了哪些时间因素：用户行为的周期性特征、商品的季节性特征、…短期偏好vs.长期偏好过去几周用户购买了如下商品：当前（会话Session），用户浏览了如下商品：该给用户推荐什么商品？基于会话的时间情境推荐STG(Session-basedTemporalGraph)模型基于用户兴趣漂移的推荐本质是考虑<User,Item,Time>三元组关系将<user,item,time>拆分为<user,item>和<session,item>两部分Session为时间段，用户对项目的每个反馈根据其时刻对应于某个sessionitem1item2item3item4user11110user20101u1u2i1i2i3i4Session2(u1,T2)Session1(u1,T1)Session3(u2,T0)基于会话的时间情境推荐用户的长期偏好：N(u)为与用户u

相连的项目节点集合，表征用户的长期偏好用户的短期偏好：N(u,t)为用户u

在t

时刻的session节点集合，表征用户的短期偏好u1u2i1i2i3i4Session2(u1,T2)Session1(u1,T1)Session3(u2,T0)Preferenceβ

Preference1-β

useritemsessionηuηs11MakingrecommendationforU1attimeT1

STGedgeweightdefinition基于会话的时间情境推荐参数β：调节短期偏好和长期偏好的相对重要程度β=0,onlyshort-termβ=1,onlylong-termβ=0,onlyshort-termβ=1,onlylong-termCiteULikeDelicious基于序列感知的推荐假设：用户过去行为是有序的且可看作是具有离散观测值的时间序列常用的序列建模方法：马尔可夫模型和循环神经网络马尔可夫模型（MarkovModels,MM）：将有序的观察数据视为由一个离散随机过程产生的已知“现在”的条件下，“将来”与“过去”独立循环神经网络（RecurrentNeuralNetworks,RNNs）：以序列数据作为输入，在序列演进方向进行递归且所有循环单元按链式连接的NN常用模型：RNN、LSTM、GRU0.60.30.10.40.6FPMC模型

Factorizing

Personalized

Markov

Chains

forNext-BasketRecommendationFPMC模型

FPMC模型

FPMC模型

矩阵分解长期偏好马尔可夫短期偏好FPMC模型

基于社交关系的推荐背景和动机在线社交的发展与普及：大量活跃平台：微博、微信、QQ、Facebook、Twitter等中国社交网络用户规模接近10亿社交对用户行为决策的影响：现实生活中，人们在做决策时通常会向亲友寻求建议或者意见据统计，约85%中国受访者在一定程度上信赖亲友的推荐传统推荐方法：假设用户在做决策时相互独立，忽略了用户之间的相互影响社交关系数据信任式社交关系单向关系（影响）微博、Facebook、Twitter等信任与被信任好友式社交关系双向关系（影响）微信、豆瓣、QQ等社交关系数据

信任式社交关系好友式社交关系基于邻域的社交化推荐基于用户的CF（回顾）假设：与我兴趣相似的用户喜欢的项目，我也会喜欢关键：寻找相似用户用户相似度度量

基于社交关系的用户相似度

综合社交与行为的用户相似度

基于领域的协同推荐

基于图扩散的推荐基于图扩散的推荐基本思想：将用户-项目二部图和用户-用户社交关系图统一表示在一幅图中采用基于图扩散的方法计算用户和项目之间的相关度统一图的构建：两类节点：用户节点和项目节点两类边：用户-项目行为边和用户-用户社交关系边边的权重：设用户和项目之间边的权重为1，用户和用户之间边权重为α α>1，则社交关系信息比行为信息更重要 α<1，则行为信息比社交关系信息更重要基于图扩散的推荐初始化：在目标用户有过正反馈的项目上分别放置一个单位的资源迭代扩散：项目-用户-项目-…-项目，直至资源分布稳定或迭代次数达到阈值产生推荐：根据资源量降序排序得到推荐列表

基于模型的社交化推荐基于模型的社交化推荐基本思想：可将社交关系看作一种辅助信息，用来修正现有基于模型的推荐算法也可以将社交关系看作是一种情境信息常用方法：基于潜在社交因子学习的推荐模型，例如SoRec基于显式社交关系的推荐模型，例如RSTE、SocialMF基于潜在因子学习的推荐基本假设：用户之间的社交关系是由一组潜在的社交因子和一组潜在的用户因子共同决定社交关系矩阵和用户评分（或反馈）矩阵共享一个相同的潜在用户因子典型算法：SoRec算法基于概率矩阵分解PMF框架通过同时分解用户评分矩阵和社交关系矩阵将社交信息融入到推荐模型

SoRec算法

基于显式社