推荐系统实践 · 第三十二节
《推荐系统实践》第三十二节
本节介绍了在评分预测中加入时间信息的两种方法。基于邻域的模型(TItemCF)通过时间衰减函数降低很久以前的评分行为对当前预测的影响……
本节介绍了在评分预测中加入时间信息的两种方法。基于邻域的模型(TItemCF)通过时间衰减函数降低很久以前的评分行为对当前预测的影响;基于矩阵分解的模型(TSVD)则将评分矩阵扩展为三维,分别对系统、用户、物品的平均分随时间的变化以及用户兴趣随时间的变化进行建模,也可在SVD++模型上引入时间效应。接着介绍了模型融合的两种技术:模型级联融合类似Adaboost,通过不断叠加新模型来最小化训练误差;模型加权融合则通过线性加权多个预测器,为避免过拟合,需在独立于训练集的数据上用最小二乘法求解权重。本节还列举了NetflixPrize比赛中各算法的RMSE对比结果。
后记部分指出,本书的离线实验结论并非定论,鼓励读者在自己的数据集上重复实验。作者引用了“推荐系统十堂课”的报告,总结了十条设计经验,包括:确认是否真的需要推荐系统、平衡商业目标与用户满意度、选择合适的开发人员、不必纠结冷启动问题、重视数据分析胜过算法、注意推荐的呈现时机与方式、利用社会网络数据、提升算法扩展性、选择合适的反馈方式以及设计合理的评测系统。