推荐系统实践 · 第二十二节
《推荐系统实践》第二十二节
本节讨论推荐系统的时间上下文应用。首先通过计算相隔T天物品流行度向量的余弦相似度来衡量系统时效性,相似度下降越快说明时效性越强。
本节讨论推荐系统的时间上下文应用。首先通过计算相隔T天物品流行度向量的余弦相似度来衡量系统时效性,相似度下降越快说明时效性越强。其次阐述推荐系统的实时性,指出系统需实时响应用户新行为,算法应平衡近期与长期兴趣。接着介绍时间多样性,实验表明保证适度的时间多样性可维持用户满意度,可通过在推荐中加入随机性、对重复结果降权或轮换算法等方式实现。最后介绍时间上下文算法,包括最近最热门算法,以及在ItemCF和UserCF中引入时间衰减项,以提升近期行为权重来改进相似度和预测计算。