20、基于图的上下文感知推荐系统详解

基于图的上下文感知推荐系统详解

1. 上下文信息的表示

在基于内容和协同过滤的方法中，用户与物品的交互（如购买、点击、查看、评分、观看等）通常用二维矩阵（用户×物品，即 U x I 数据集）来表示，这种矩阵也能轻松用二分图表示，其中一组顶点代表用户，另一组代表物品，交互通过用户（事件主体）和物品（事件客体）之间的关系来建模。

但在上下文感知推荐系统中，每个交互事件包含更多信息。它不仅由用户和物品描述，还包括所有能为该行为提供上下文的环境信息。例如，用户晚上在家和孩子一起看电影，其上下文信息包括：
- 时间：晚上、工作日
- 同伴：孩子
- 地点：家

这只是描述“观看”事件的部分相关信息，其他信息还可能有使用的设备、用户的心情、观看者的年龄或场合（约会夜、派对、孩子睡前电影等）。有些变量是离散的（如设备和地点，有明确的值集），有些是连续的（如年龄这样的数值），对于连续变量，通常最好进行离散化处理，比如将年龄划分为 0 - 5、6 - 14、15 - 21、22 - 50 和 50 岁以上等区间，这取决于推荐引擎的具体需求。

最终的数据集作为推荐过程的输入，不能再用简单的二维矩阵表示，而需要 N 维矩阵，其中两维是用户和物品，其他维度代表上下文。在上述例子中，数据集是五维矩阵：dataset = 用户×物品×地点×同伴×时间。

每个交互或事件不能仅用两个元素及其关系来描述，在所有上下文信息都可用的最佳情况下，还需要另外三个元素。这意味着不能用二分图中的简单关系来表示事件，若要表示五个顶点之间的关系，需要超图，但在大多数图数据库（包括 Neo4j）中无法表示 n 顶点关系。

解决方案是将事件“实体