基于时间轴的Tag个性化推荐.pptVIP

基于时间轴的Tag个性化推荐 @ 个性化知识管理小组 Visualizing Tags over Time （WWW06） Let denote the number of times the object u occurs at time t. Let denote the total number of occurrences of object u. Social Tag Prediction （SIGIR08） 如何利用时间轴和Tag历史信息对用户个性化建模？ 如何刻画用户兴趣的“就近性”？ 如何寻找相似用户，并利用相似用户进行个性化推荐？ 用户个性化建模 衰减模型 相似用户 Tag推荐 User：1,243 Tag ： 78,627 ResourceLink ：408,797 Date ：2001-01-14 至今 总记录数：1,513,745 /url/fb座机电话号码19f8ca9f49014c0848e396 用户数：877 Tag数：6,279 资源数：11,051 总记录数：260,214 时间跨度：200701至200912 1702 每个用户的Tag数 10 555 每个用户标注的资源数 10 随机产生测试用户，随机产生测试时间点 用衰减模型求出每个用户在每个时间点的兴趣模型 针对每一个测试用户寻找与其兴趣模型最相似的一组用户以及对应的时间点，并计算出相似度 根据得到的相似用户的下一个月实际标注的Tag来预测测试用户下个月将会感兴趣的Tag * 基于时间轴的Tag个性化推荐 余朝晖 中国人民大学数据库与智能信息检索实验室 个性化知识管理小组 内容 研究动机 相关工作、研究问题和内容 实验 下一步工作 总结 研究动机 用户A 用户B 用户C 用户D 用户E ? 相关工作 相关工作 研究问题 研究内容 用户个性化建模 o0,o1,…,on： 所有用户打过的Tag t0,t1,…,tk ,…： 时间轴上对应的时间点 n [tk-1,tk] u,oj ： 用户u在时间区间[tk-1,tk]上打过的oj的数量 Int [t0,ti] u ： 用户u在时间区间[t0,ti]的用户模型 t0 t1 tk-1 tk ti 用户个性化建模 qj n [tk-1,tk] u,oj * wk ， 其中 wk 是衰减权值 wk ∈ [0,1] Int [t0,ti] u o0,∑ik 0 q0 , o1,∑ik 0 q1 , … , on,∑ik 0 qn t0 t1 tk-1 tk ti 1 0.9 0.8 0.7 0.6 0.5 0.4 用户个性化建模 200701 200702 200703 200704 200705 200706 200707 200708 200709 200710 1 0.9 0.8 0.7 wk 3 1 1 1 d 0 2 1 1 c 1 2 1 0 b 0 0 1 2 a 200704 200703 200702 200701 Int [200701,200704] u a,4*0.7 , b,4*0.8 , c,5*0.9 , d,4*1 衰减模型 距离衰减是形式或过程随距离减弱 。 距离衰减至今仍受地理学者关注。 一个旅游目的地的入游游客，其入游人数通常也随旅行距离增大而减少，也是一种距离衰减现象。游客来游人数的距离衰减特征，是确定和推测旅游地吸引力辐射范围和外推趋势的重要手段。 Smith 1983 则指出，距离衰减曲线的斜率反映目的地引力的大小。 衰减模型 A 一般模式 ：ln y a- b * f dx ；当f dx dx时为类型 1 。 B 双对数模式：ln y a- b * [ln dx ]m ；m 1时为类型 2 ；m 2时为类型 3 。 C 指数模式 ：ln y a- b* dx m ；m 2时为类型 4 ；m ?时为类型 5 。 其中a、b为系数，其中b为距离函数系数，亦即距离衰减指数 ,f dx 为距离函数，dx为距离。 1 指数模型： ln y a - b * dx 2 Pareto模型： ln y a - b * ln dx 3 常对数模型： ln y a - b * [ln dx ]2 4 平方指数模型： ln y a - b * dx 2 5 开放指数模型： ln y a - b * 衰减模型 相似用户 s Int[t0,ti] A , Int[t0,tj] B Int[t0,ti