《推荐系统实践》第二十一节

本节简要介绍了标签推荐的研究现状，包括张量分解、LDA、基于图等方法及其应用难点，以及GroupLens团队在利用标签做个性化推荐、推荐解释和标签清理方面的工作。

本节简要介绍了标签推荐的研究现状，包括张量分解、LDA、基于图等方法及其应用难点，以及GroupLens团队在利用标签做个性化推荐、推荐解释和标签清理方面的工作。

随后进入第5章，讨论上下文信息对推荐的重要性。上下文包括时间、地点、心情等，会显著影响用户兴趣，例如服装推荐需区分冬夏、餐馆推荐需考虑用户所在位置。文中以Sourcetone音乐推荐系统为例，说明其通过让用户主动选择当前心情来辅助推荐。本章重点讨论时间上下文，简单涉及地点上下文，目标仍是TopN推荐。

5.1节聚焦时间上下文。首先介绍三类时间效应：用户兴趣随自身成长而变化（需关注近期行为）；物品有生命周期（新闻短、电影长，且可能因新闻事件重新热门）；季节与节日效应（如夏天吃冰淇淋、圣诞购物、奥斯卡关注电影）。接着通过Google Insights的搜索曲线举例：社交网站（Facebook上升、MySpace衰退）、手机品牌（iPhone增长及年底圣诞尖峰）、食品（冰淇淋的季节性、巧克力在圣诞和情人节数双峰）展示了这些效应。

最后指出，加入时间信息后推荐系统变为时变系统，需分析其时间特性，包括每天独立用户数的增长情况、物品更新变化、用户访问频率与重合度。实验采用Delicious数据集（2003-2007年，含95万用户、1.32亿标签、4.2亿条记录），按域名划分为五个子集进行离线评测，并提出用指标度量物品生存周期与系统时效性。