没有看明白的论文---Recommendation with Temporal Dynamics Based on Sequence Similarity Search

贡献:

  1. 解决推荐时间问题+人偏好的变化
  2. 聚类+相似性度量+推荐算法

In SeqSim, in order to improve the efficiency of similarity search, we design a new temporal clustering algorithm to transform item sequence into cluster sequence. In order to measure sequence similarity, a new similarity algorithm is proposed. And we propose a new algorithm with preference curve based on collaborative filtering to make recommendations.

第二章 Temporal Clustering Algorithm and Similarity Measure

 2.1 用户给item打分相似度:

没有看明白的论文---Recommendation with Temporal Dynamics Based on Sequence Similarity Search_第1张图片

 

2.2 节点特征相似度:

把属性,item都当成节点,用SimRank计算相似度:

 

没有看明白的论文---Recommendation with Temporal Dynamics Based on Sequence Similarity Search_第2张图片

 2.3 时间相似度:

遍历所有u和两个不同item:c,d交互的情况,记录最近的时间间隔,然后求平均再归一化。(8)式子分母的集合没搞明白啥意思

没有看明白的论文---Recommendation with Temporal Dynamics Based on Sequence Similarity Search_第3张图片

 2.4 两个item的综合相似度就是上面各部分加到一起去

然后根据相似度,使用HAC进行聚类--分层聚类(从底向上找最相似两个簇(点),他俩通过某种方式合成新的簇(点)重复上面步骤。像什么树的构建来着?)

 

第三章 序列相似性--不会--看不懂--头大

这个cluster是什么,为什么共享一个时间戳?如果是HAC得到的簇的话,时间如何计算的?

论文核心的序列过于复杂,看不懂

。。。


 


想要学学图上时间信息怎么处理来着。。。太难了,那天闲着看看明白了再更新

你可能感兴趣的:(大数据)