BGMcat的博客

对推荐算法算法中常用的数据集进行汇总介绍

社交⽹络数据数据获取社交网络数据的获取方式：电子邮件用户注册信息用户位置信息论坛和讨论组及时聊天工具社交网站数据类型社交⽹络定义了⽤户之间的联系，因此可以⽤图定义社交⽹络。⽤图 G(V,E,w)定义⼀个社交⽹络，其中V 是顶点集合，每个顶点代表⼀个⽤户，E是边集合，如果⽤户va 和vb 有社交⽹络关系，那么就有⼀条 e(va,vb)连接这两个⽤户，⽽ w(va,vb)定义了边的权重。对图G 中的⽤户顶点 u，定义 out(u)为顶点 u指向的顶点集合，定义为int(u)指向顶点 u

背景之前的算法主要研究了如何联系用户和物品，将最符合用户兴趣的物品推荐给用户，但这些算法都忽略了一点，就是用户所处的上下文（context）。这些上下文包括用户访问推荐系统的时间、地点、心情等。基于时间上下文的推荐时间信息特性：用户信息的变化的物品也有生命周期季节特性引入时间信息后，推荐系统由静态系统变成了时变系统，用户行为变成了时间序列。度量指标时间多样性：推荐系统每天推荐结果的变化程度被定义为推荐系统的时间多样性。时间多样性高的推荐系统中用户会经常看到不同的推荐结果。时间衰减

简述：基于用户行为分析的推荐算法是个性化推荐系统的重要算法，也被称为协同过滤算法，即通过用户与网站不断互动，来不断过滤自己感兴趣的物品。基础概念用户行为分类按照反馈的明确性分显性反馈行为：用户明确表示对物品的喜好的行为，如点赞，评分等隐形反馈行为：不能明确反映用户喜好的行为，浏览日志，观看日志等按照反馈的⽅向分正反馈：指⽤户的⾏为倾向于指⽤户喜欢该物品。负反馈：负反馈指⽤户的⾏为倾向于指⽤户不喜欢该物品用户行为表示用户行为分析用户行为数据满足power law的分布，即长尾分