山西建站优化,在建设网站入账,项目投资,电商设计网站哪个好时效性
推荐系统应该考虑时间效应#xff0c;因为用户的兴趣是有时间变化的。用户一年前喜欢的东西现在不一定感兴趣#xff0c;相比于推荐过去喜欢的物品#xff0c;推荐用户近期喜欢的物品更有参考价值。而在新闻更是如此#xff0c;推荐过去跟用户兴趣一致的新闻已经失去…时效性
推荐系统应该考虑时间效应因为用户的兴趣是有时间变化的。用户一年前喜欢的东西现在不一定感兴趣相比于推荐过去喜欢的物品推荐用户近期喜欢的物品更有参考价值。而在新闻更是如此推荐过去跟用户兴趣一致的新闻已经失去了意义。每个系统时间效应的大小不同比如时间对电影的作用就没有新闻那么明显。要考虑时效性必须加入时间参数比如三元组(用户,物品,时间代替简单的二元组(用户,物品)。给定时间 T 一般化的时间衰减公式为其中 是物品 i 最近的流行度是时间衰减参数对于时效性明显的系统应该越大。代码实现如下
def RecentPopularity(records, alpha, T):ret dict()for user, item ,tm in records:if tm T:continueaddToDict(ret , item, 1/(1.0 alpha * (T - tm)))return ret
时效性的 ItemCF 算法
前面提到的 ItemCF 算法有两个核心组成1物品相似度矩阵2基于用户历史行为做推荐
1加入时效性考虑用户在相隔很短的时间内喜欢的物品的相似度应该高于时间跨度比较大的用户喜欢物品之间的相似度。原来的物品相似度公式为在得到时间信息用户对物品产生行为的时间后加入时间衰减函数的公式如下衰减项中其中 是用户u 对物品 i 产生行为的时间。f 函数的意义是用户对物品 i 和物品 j 产生行为的时间越远则 越小。可以找到很多数学衰减函数比如是时间衰减参数它的取值在不同的系统中不同。系统用户兴趣变化的越快应该越大。改进后的 ItemCF 算法的物品相似度矩阵计算代码如下所示
def ItemSimilarity(train, alpha):#计算 C[i][j] 矩阵C dict()N dict()for u,items in train.items():for i,tui in items.items(): #原来是没有 tui 的N[i] 1for j, tuj in items.items():if i j:continueC[i][j] 1 / (1 alpha * abs(tui - tuj))#计算 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
除了考虑时间对物品相似度的影响还要考虑时间信息对推荐预测的影响。一般来说用户最近的喜好应该和用户兴趣关系更大需要将时间比较久的过去的喜欢的物品加上时间衰减函数。其中 是现在的时间 是用户u 对 物品 i 评价过的时间。 代码修改如下
def Recommendation(train, user_id, W, K,t0):rank dict()ru train[user_id]for i,pi in ru.items():rui, tui pifor j, wji in sorted(W[i].items, key itemgetter(1), reverse True)[0:K]:if j in ru.keys():continuerank[j] rui * wji / (1 beta * (t0 - tui))return rank
时效性的 UserCF 算法
类似 ItemCF UserCF 也有两个核心。1计算用户相似度矩阵2基于相似用户兴趣做推荐
1加入时效性考虑如果两个用户在比较近的时间里有共同的喜好则比在不同时间段用户有相同喜好的参考意义更大。回顾原来的用户相似度公式如下其中 N(u) 是用户 u 喜欢的物品集合N(v) 是用户 v 喜欢的物品集合。加入时间衰减因子修正公式如下其中 是用户 u 喜欢物品 i 的时间 是用户 v 喜欢物品 i 的时间。代码如下
def UserSimilarity(train):#建立倒排表比原来多加入了时间信息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# 计算 C[u][v]C dict()N dict()for i, users in item_users.items():for u,tui in users.items():N[u] 1for v,tvi in user.items():if u v:continueC[u][v] 1 / (1 alpha * abs(tui - tvi)) # 计算 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
同样地处了考虑时间信息对用户相似度矩阵的影响还应该考虑时间信息对推荐算法的影响。找到相似的用户后认为推荐相似用户近期感兴趣的物品比推荐过去感兴趣的物品更有意义。原来的 UserCF 算法中用户 u 对物品 i 的兴趣公式如下加入时间衰减函数后改进 UserCF 推荐公式如下其中 代表现在的时间 代表相似的用户 v 喜欢物品 i 的时间。改进后的推荐算法代码如下
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 piif i in interacted_items:continuerank[i] wuv * rvi / (1 alpha * (t0 - tvi))return rank
