如何捕捉推荐系统中随时间变化的动态信息

首先来看为时间信息建模的重要性

事物是动态变化的。不仅是人的喜好、品味会随着时间的推移改变（比如，一个喜欢看韩剧的用户渐渐喜欢上了国产“恐怖片”；或用户打分的标准比以往更严格了，感觉极好的也只打4分）。物品的流行度也会随着其他物品的出现，时间的发展而改变（文中显示，老电影评分tend to 比新电影的高）。因此，让推荐系统捕捉到用户和物品的改变能显著地提高推荐的准确度。[2]

进一步，用户和物品的变化可以分两种：long-term trends 和 temporary effects。 模型的目的应该是捕捉到长期的变化趋势，忽略一些暂时表现出的noise。以往的方法会对以前的评价赋予较小的权值，以重点考虑当前的行为。但作者指出在衡量物品间的相似度方面，历史评价记录跟最新评价是同样efficient的（如，看了A的90%用户也看了B，那么A和B是相似的，这点无论在过去还是现在都成立）。[2]

接下来看两个实际的模型

[1] Exploring Temporal Effects for Location Recommendation on Location-Based Social Networks

作者在矩阵分解中加入时间信息，它利用了用户签到在时间上的两个属性：首先，用户在不同时间呈现不同的签到喜好。其次，用户在相邻时间呈现的签到喜好是相近的。因此，假设总共有T个时间段，该方法为每个用户在T个时间段分别创建用户preference矩阵。然后对相邻时段的两个preference矩阵的差值做约束 —— 约束因子为对应时段两个签到向量的余弦相似度。

[2] Collaborative Filtering with Temporal Dynamics

首先解释几个词的意思（自编，仅供参考）：

物品bias：某一样物品内在就比其他好，于是获得的评分相对高一般水准要高个0.4分，比如说。

物品的bias动态：举个例子，虽然一个电影从质量上来讲要高于其他电影0.5