El contexto en el que se encuentra el usuario incluye la hora, el lugar y el estado de ánimo del acceso del usuario al sistema de recomendaciones, que es muy importante para mejorar el sistema de recomendaciones del sistema de recomendaciones.
Introducción al efecto del tiempo
El interés del usuario está cambiando y los artículos también tienen un ciclo de vida y efectos estacionales.
Análisis de las características de tiempo del sistema.
Estudie las características de tiempo del sistema mediante estadísticas de la siguiente información: el crecimiento del número de usuarios independientes por día en el conjunto de datos, los cambios en los elementos del sistema y el acceso de los usuarios.
Para medir el ciclo de vida de los elementos en el sitio web con los siguientes indicadores: días promedio en línea de elementos, similitud promedio de los vectores de popularidad de elementos del sistema separados por días T
Sistema de recomendación en tiempo real
Darse cuenta de la naturaleza en tiempo real del sistema de recomendación requiere no solo el acceso en tiempo real al comportamiento del usuario, sino también el algoritmo de recomendación en sí. La naturaleza en tiempo real del algoritmo de recomendación en sí mismo significa que el
sistema de recomendación en tiempo real no puede calcular los resultados de la recomendación fuera de línea para todos los usuarios todos los días. , Y luego mostrar en línea los resultados calculados ayer. Por lo tanto, se requiere que cuando cada usuario acceda al sistema de recomendaciones, la lista de recomendaciones se calcule en tiempo real de acuerdo con el comportamiento del usuario antes de este punto de tiempo.
El algoritmo de recomendación necesita equilibrar el comportamiento reciente del usuario y el comportamiento a largo plazo, es decir, dejar que la lista de recomendaciones refleje los cambios en el interés reflejado por el comportamiento reciente del usuario, y la lista de recomendaciones no puede verse completamente afectada por el comportamiento reciente del usuario. Es necesario asegurarse de que la lista de recomendaciones prediga el interés del usuario. Continuidad.
Diversidad de tiempo del sistema de recomendación
El grado de cambio en los resultados de las recomendaciones diarias del sistema de recomendaciones se define como la diversidad de tiempo del sistema de recomendaciones. En un sistema de recomendación con alta diversidad temporal, los usuarios a menudo verán diferentes resultados de recomendación.
La mejora de la diversidad temporal de los resultados de las recomendaciones debe resolverse en dos pasos: primero, es necesario asegurarse de que el sistema de recomendaciones pueda ajustar los resultados de las recomendaciones a tiempo después de que el usuario tenga un nuevo comportamiento, de modo que los resultados de las recomendaciones satisfagan los intereses recientes del usuario; segundo, el sistema de recomendaciones debe asegurarse Cuando no hay un nuevo comportamiento, el resultado se puede cambiar con frecuencia, con una cierta diversidad de tiempo.
Entonces, si el usuario no tiene comportamiento, ¿cómo asegurarse de que los resultados de la recomendación para el usuario tengan una cierta diversidad de tiempo? Hay varias ideas generales:
- Agregue algo de aleatoriedad al generar resultados de recomendaciones.
- Registre los resultados de las recomendaciones que el usuario ve todos los días, y luego, cuando se recomienda al usuario todos los días, reduzca adecuadamente el peso de los resultados de las recomendaciones que ha visto muchas veces en los últimos días.
- Use diferentes algoritmos de recomendación para los usuarios todos los días.
Por supuesto, la diversidad de tiempo no es absoluta. El sistema de recomendaciones debe garantizar primero la precisión de la recomendación y, sobre esta base, la
diversidad de tiempo debe considerarse adecuadamente . En la práctica, es necesario realizar muchos experimentos para saber qué grado de diversidad de tiempo es mejor para el sistema
.
Tiempo Contexto Algoritmo de recomendación
Más popular recientemente
Algoritmo de ItemCF sensible al contexto de tiempo
Algoritmo de UserCF relacionado con el contexto de tiempo
Puede usar la información de tiempo para mejorar el algoritmo UserCF en los siguientes dos aspectos
- Similitud de interés del usuario: si a dos usuarios les gusta el mismo artículo al mismo tiempo, estos dos usuarios deberían tener una mayor similitud de intereses.
- Comportamientos recientes de usuarios con intereses similares: recomiende elementos a usuarios que tengan intereses similares con usuarios con intereses similares.
