時(shí)效性

推薦系統(tǒng)應(yīng)該考慮時(shí)間效應(yīng)，因?yàn)橛脩舻呐d趣是有時(shí)間變化的。用戶一年前喜歡的東西現(xiàn)在不一定感興趣，相比于推薦過(guò)去喜歡的物品，推薦用戶近期喜歡的物品更有參考價(jià)值。而在新聞更是如此，推薦過(guò)去跟用戶興趣一致的新聞已經(jīng)失去了意義。每個(gè)系統(tǒng)時(shí)間效應(yīng)的大小不同，比如時(shí)間對(duì)電影的作用就沒(méi)有新聞那么明顯。要考慮時(shí)效性，必須加入時(shí)間參數(shù)，比如三元組(用戶,物品,時(shí)間）代替簡(jiǎn)單的二元組(用戶,物品)。給定時(shí)間 T ，一般化的時(shí)間衰減公式為：

其中??是物品 i 最近的流行度，是時(shí)間衰減參數(shù)，對(duì)于時(shí)效性明顯的系統(tǒng)，應(yīng)該越大。代碼實(shí)現(xiàn)如下：

def RecentPopularity(records, alpha, T):

ret = dict()

for user, item ,tm in records:

if tm > T:

continue

addToDict(ret , item, 1/(1.0 + alpha * (T - tm)))

return ret

時(shí)效性的 ItemCF 算法

前面提到的 ItemCF 算法有兩個(gè)核心組成，（1）物品相似度矩陣（2）基于用戶歷史行為做推薦

（1）加入時(shí)效性考慮，用戶在相隔很短的時(shí)間內(nèi)喜歡的物品的相似度應(yīng)該高于時(shí)間跨度比較大的用戶喜歡物品之間的相似度。原來(lái)的物品相似度公式為：

在得到時(shí)間信息（用戶對(duì)物品產(chǎn)生行為的時(shí)間）后，加入時(shí)間衰減函數(shù)的公式如下：

衰減項(xiàng)中，其中?是用戶u 對(duì)物品 i 產(chǎn)生行為的時(shí)間。f 函數(shù)的意義是，用戶對(duì)物品 i 和物品 j 產(chǎn)生行為的時(shí)間越遠(yuǎn)，則??越小。可以找到很多數(shù)學(xué)衰減函數(shù)，比如

是時(shí)間衰減參數(shù)，它的取值在不同的系統(tǒng)中不同。系統(tǒng)用戶興趣變化的越快，應(yīng)該越大。改進(jìn)后的 ItemCF 算法的物品相似度矩陣計(jì)算代碼如下所示：

def ItemSimilarity(train, alpha):

#計(jì)算 C[i][j] 矩陣

C = dict()

N = dict()

for u,items in train.items():

for i,tui in items.items(): #原來(lái)是沒(méi)有 tui 的

N[i] += 1

for j, tuj in items.items():

if i == j:continue

C[i][j] += 1 / (1 + alpha * abs(tui - tuj))

#計(jì)算 W[i][j]

W = dict()

for i, related_items in C.items():

for j, cij in related_items.items():

W[i][j] = cij / math.sqrt(N[i] * N[j])

return W

除了考慮時(shí)間對(duì)物品相似度的影響，還要考慮時(shí)間信息對(duì)推薦預(yù)測(cè)的影響。一般來(lái)說(shuō)，用戶最近的喜好應(yīng)該和用戶興趣關(guān)系更大，需要將時(shí)間比較久的過(guò)去的喜歡的物品加上時(shí)間衰減函數(shù)。

其中??是現(xiàn)在的時(shí)間，?是用戶u 對(duì) 物品 i 評(píng)價(jià)過(guò)的時(shí)間。 代碼修改如下：

def Recommendation(train, user_id, W, K,t0):

rank = dict()

ru = train[user_id]

for i,pi in ru.items():

rui, tui = pi

for j, wji in sorted(W[i].items, key = itemgetter(1), reverse = True)[0:K]:

if j in ru.keys():

continue

rank[j] += rui * wji / (1 + beta * (t0 - tui))

return rank

時(shí)效性的 UserCF 算法

類似 ItemCF ，UserCF 也有兩個(gè)核心。（1）計(jì)算用戶相似度矩陣（2）基于相似用戶興趣做推薦

（1）加入時(shí)效性考慮，如果兩個(gè)用戶在比較近的時(shí)間里有共同的喜好，則比在不同時(shí)間段用戶有相同喜好的參考意義更大。回顧原來(lái)的用戶相似度公式如下：

其中 N(u) 是用戶 u 喜歡的物品集合，N(v) 是用戶 v 喜歡的物品集合。加入時(shí)間衰減因子修正公式如下：

其中??是用戶 u 喜歡物品 i 的時(shí)間，?是用戶 v 喜歡物品 i 的時(shí)間。代碼如下：

def UserSimilarity(train):

#建立倒排表，比原來(lái)多加入了時(shí)間信息

item_users = dict()

for u, items in train.items():

for i, tui in items.items():

if i not in item_users:

item_users[i] = dict()

item_users[i][u] = tui

# 計(jì)算 C[u][v]

C = dict()

N = dict()

for i, users in item_users.items():

for u,tui in users.items():

N[u] += 1

for v,tvi in user.items():

if u == v:continue

C[u][v] += 1 / (1 + alpha * abs(tui - tvi))

# 計(jì)算 W[u][v]

W = dict()

for u, related_users in C.items():

for v,cuv in related_users.items():

W[u][v] = cuv / math.sqrt(N[u] * N[v])

return W

同樣地，處了考慮時(shí)間信息對(duì)用戶相似度矩陣的影響，還應(yīng)該考慮時(shí)間信息對(duì)推薦算法的影響。找到相似的用戶后，認(rèn)為推薦相似用戶近期感興趣的物品比推薦過(guò)去感興趣的物品更有意義。原來(lái)的 UserCF 算法中用戶 u 對(duì)物品 i 的興趣公式如下：

加入時(shí)間衰減函數(shù)后，改進(jìn) UserCF 推薦公式如下：

其中?代表現(xiàn)在的時(shí)間，?代表相似的用戶 v 喜歡物品 i 的時(shí)間。改進(jìn)后的推薦算法代碼如下：

def Recommend(user, t0, train, W):

rank = dict()

interacted_items = train[user] # user的已有物品

for v, wuv in sorted(W[user].items, key = itemgetter(1), reverse = True)[0:K]:

for i, pi in train[v].items:

rvi, tvi = pi

if i in interacted_items:continue

rank[i] += wuv * rvi / (1 + alpha * (t0 - tvi))

return rank

總結(jié)

以上是生活随笔為你收集整理的推荐算法--时效性(05)的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。