融合用户兴趣漂移的Top-N推荐算法

刘浩翰，马晓璐，贺怀清

（中国民航大学计算机科学与技术学院，天津 300300）

当今时代，互联网技术的蓬勃发展促使大量庞杂无序信息的快速更迭，使得用户兴趣变幻不定，难以捉摸。因此，如何利用用户兴趣漂移的规律准确建模，向用户进行满足时间漂移特性的推荐，正成为目前个性化推荐研究中的热点和难点。

基于矩阵分解的推荐算法是推荐领域成熟、高效的算法，对用户和项目信息中的隐含结构进行建模能够挖掘更深层次的用户和项目关系。Koren 等[1]认为隐式反馈信息有助于用户的偏好建模，从而提出了基于奇异值分解的SVD（sigular value decomposition）++方法，但该方法是基于用户兴趣和项目属性是静态的假设，与现实不符。Koren[2]又提出了使用时间信息的Time SVD++（temporal dynamics at SVD++）方法，把4 类随时间变化的用户和项目因素建模成时间函数，得到了很好的推荐效果，但该模型的计算成本很高，也不能够预测用户未来的行为。Steffen 等[3]提出的BPRMF（Bayesian personalized ranking matrix factorization）算法是基于贝叶斯后验优化的个性化排序算法，针对两个项目的相对偏好排序进行建模，最终为每个用户计算其负例项目的偏好排序。尽管矩阵分解非常有吸引力，但没有明确考虑数据的时间变化，因此，更多研究者关注于使用循环神经网络（RNN，recurrent neural network）来建模推荐系统中的时间动态，且获得了高质量的推荐效果。Wu 等[4]提出了基于RNN 进行时序性建模，考虑到时间序列数据和现实中的因果关系，严格按照评分发生的时间顺序划分数据集，根据历史评分数据预测将来的用户偏好。……