Collaborative Filtering with Temporal Dynamics

Collaborative Filtering with Temporal Dynamics

Collaborative Filtering with Temporal Dynamics

摘要

随着时间的推移，客户对产品的偏好在不断变化。随着新选择的出现，产品认知和受欢迎程度也在不断变化。同样，顾客倾向也在演变，导致他们重新定义自己的品味。因此，在设计推荐系统或一般客户偏好模型时，建模时间动态应该是一个关键。然而，这提出了独特的挑战。在生态系统中，多种产品和客户交织在一起，许多不同的特征同时发生变化，而其中许多特征相互影响，这些变化往往是微妙的，与少数数据实例相关联。这就把这个问题和概念漂移探索区分开来了，概念漂移探索大部分都是在那里完成的。经典的时间窗口或直线衰减方法不能工作，因为它们在丢弃数据实例时会失去太多信号。需要一种更加敏感的方法，这种方法可以更好地区分瞬时效应和长期模式。我们提供的范例是创建一个模型，跟踪数据生命周期中的时间变化行为。这允许我们利用所有数据实例的相关组件，同时只丢弃那些与建模不相关的组件。因此，我们改进了两种领先的协同过滤推荐方法。由网飞在一个大的电影分级数据集上进行评估。结果令人鼓舞，比以前在这个数据集上报告的结果要好。

类别和主题描述

H.2.8 [数据库管理]：数据库应用程序 ——数据挖掘

常用术语

算法

关键字

协作过滤，推荐系统，概念漂移

1.介绍

  时间漂移数据建模是数据挖掘中的一个核心问题。通常，数据会随着时间的推移而变化，最新的建模应该不断更新以反映其当前的性质。对于这些数据的分析需要在不重要的暂时影响和捕捉反映数据内在特性的长期趋势