Chap6 情境感知推荐系统

简介和动机

• 大多数推荐系统仅处理含有两类实体（用户与物品）的使用，不将推荐放置在特定情境中考虑
• 推荐情境
  • 旅游推荐要考虑冬夏温度
  • 新闻推荐要考虑实际，早上看世界大事，晚上看股市报告，周末看影评和购物信息
  • 音乐推荐考虑当前用户情绪
• 如何将情境信息融入推荐系统
  • 情境预过滤
  • 情境后过滤
  • 情境建模
• 推荐系统中新兴领域，具有前景

推荐系统中的情境

什么是情境

• 表征性观点认为情境是一组预定义可观察的属性
• 交互性观点认为用户行为在潜在的情境下发生

推荐系统中的情境

• 使用情境向量表示，每个维度代表一种信息，

  • : 影院的地点
  • ：看电影的时间
  • ：陪谁看电影

• 情境特征根据知识信息分为三类

  • 完全可观测：如时间，目的，同伴
  • 部分可观测：知道所有特征但不清楚具体结构
  • 无法观测：通过隐式偏好模型推荐

• 情境特征的结构和重要性是否及如何随时间变化

  • 静态：我买这件衣服的10分钟里，我都喜欢这件衣服
  • 动态：我快结账的时候，闺蜜说这件衣服难看，劝我不买

  

结合具有代表性情境的推荐系统范式

情境预过滤

• 情境泛化
  • 女朋友--熟人--伙伴--任意人
  • 剧院--任意地点
  • 周六--周末--任意时间
  • 作用是降维
• 组合多个预过滤器提高精度
• 要重视局部带情境的模型是否真的优于全局的二维模型
• 日期这种可以预过滤，天气这种适合后过滤，特定的情境信息适合用特定的方法

情境后过滤

• 在给定情境下过滤掉无关的推荐，或者基于给定的情境调整列表里推荐的排名
• 情境后过滤方法分为启发式和基于模型的技术
  • 启发式：对给定用户在特定情境发现物品的共同特征，然后使用这些熟悉调整推荐（舍去或重排）
  • 基于模型：通过预测模型来计算用户在给定情境下选择特定类型物品的概率（阈值过滤或重排）

情境建模

• 直接在推荐函数里面把情境信息作为预测用户对物品评分的显式因素来考虑
• 方法
  • 启发式及其变种 Mdl1,Mdl2,Mdl3,Mdl4
  • 基于回归层次贝叶斯的协同过滤模型方法
  • 基于张量因子分解的矩阵分解方法的扩展版本
  • 情境感知SVM