基于领域的算法

基于领域的算法是推荐系统中最基本的算法，它主要分为两大类：

• 基于用户的协同过滤算法
• 基于物品的协同过滤算法

基于用户的协同过滤

基于用户的协同过滤是推荐系统中最古老的算法，不夸张的说，这个算法的诞生标志了推荐系统的诞生。该算法在1992年被提出，并应用于邮件过滤系统，1994年被GroupLens用于新闻过滤。在此之后知道2000年，该算法都是推荐系统领域最著名的算法。

基础算法

基于用户的协同过滤算法主要包括两个步骤：

1. 找到和目标用户兴趣相似的用户集合
2. 找到这个集合中的用户喜欢的，但是目标用户没有听说过的物品推荐给目标用户

为了找到和目标用户兴趣相似的用户集合，我们需要通过相似度算法计算各个用户之间的相似度。

假设现在有4个用户，他们的购买行为分别为：

使用杰卡德相似系数来计算他们之间的相似度
$$J(A,B)=\frac{|N(u)\bigcap N(v)|}{|N(u)\cup N(v)|}$$
拿u2举例，u2和各个用户之间的相似度为：
J ( u 1 , u 2 ) = { a } { a 、 b 、 c 、 d 、 e } = 1 5 = 0.2 J(u_1, u_2)=\frac{\{a\}}{\{a、b、c、d、e\}}=\frac{1}{5}=0.2 J(u1​,u2​)={a、b、c、d、e}{a}​=51​=0.2

J ( u 2 , u 3 ) = { c } { a 、 b 、 c 、 d } = 1 4 = 0.25 J(u_2, u_3)=\frac{\{c\}}{\{a、b、c、d\}}=\frac{1}{4}=0.25 J(u2​,u3​)={a、b、c、d}{c}​=41​=0.25

J ( u 2 , u 4 ) = { a 、 c } { a 、 c 、 d 、 e } = 2 4 = 0.5 J(u_2, u_4)=\frac{\{a、c\}}{\{a、c、d、e\}}=\frac{2}{4}=0.5 J(u2​,u4​)={a、c、d、e}{a、c}​=42​=0.5

知道用户之间的相似度后，我们就可以去寻找和目标用户最相似的K个用户了。但找到这K个用户后，我们这K个用户的物品可能会非常多，我们的推荐列表装不下，因此如何定义这些物品的优先级呢？

这时候就需要一个公式来衡量用户对物品可能得感兴趣程度：
$$p(u,i)=\sum _{v\in S(u,K)\cap N(i)}{w}_{uv}{r}_{vi}=\sum _{v\in 最相似的K个用户\cap 有购买过i的用户}{w}_{uv}{r}_{vi}$$

• p(u,i)：表示用户u对物品i的感兴趣程度

• S(u,K)：表示和用户u兴趣最相似的K个用户

• N(i)：表示对物品i有过行为的用户集合

• w_uv：表示用户u和用户v的兴趣相似度

• r_ui：表示用户v对物品i的兴趣 —— 因为用户的购买行为是一个单一行为，所以这里的r的取值都为1和0（买就是1，不买就是0）。

简单来说，这个公式就是针对物品i，我们在K个用户中找出对物品i有过行为的用户列表，之后累加这些用户和目标用户之间的相似度。

这里假设我们要对u2用户进行推进，选取K=2，那么和u2最相似的2个用户是u3、u4。用户u2对物品b、d、e都没有过行为。因此我们可以计算一下用户u2对这三个物品可能的感兴趣程度：
$$p(u_2,b)=w_{u2u3}=0.25$$

$$p(u_2,d)=w_{u2u3}+w_{u2u4}=0.25+0.5=0.75$$

$$p(u_2,e)=w_{u2u4}=0.5$$

排序后用户u2对b、d、e的感兴趣程度分别为 d、e、b，因此如果只有一个推荐栏，那么肯定优先推荐物品d给用户u2。

在这个算法中，有个很重要的参数K，K的选取对userCF算法的性能表现有着比较大的影响。下面是MovieLens数据集中UserCF算法在不同K参数下的性能

我们可以分析一下参数K对UserCF算法的影响：

• 准确率和召回率：可以看到，准确率和召回率并不和参数K成线性相关。在上面的实验数据中，K=80的准确率和召回率是最高的。

• 流行度：可以看到，K越大，推荐物品的流行度就越大。这个也比较合理，因为K越大，说明参与的用户越多，那么推荐结果自然会趋近于全局比较热门的物品

• 覆盖率：可以看到，K越大，推荐物品的覆盖率越小。覆盖率其实和流行度指标呈负相关的关系，K越大，说明推荐的物品可能都是那些热门商品，覆盖率自然会下降

因此，K的选择也需要进行多次离线实验，最终才可以得到一个比较满意的结果。

对比其他算法

看到上面的实验数据，大家可能会觉的各个指标都好低，UserCF到底靠不靠谱。对此，我们可以对比下一些比较简单的推荐算法的对应指标。

• Random：随机给用户推荐物品的算法

• MostPopular：将平台最热门的K个物品推荐给用户的算法

对比3个算法我们可以看出，Random不用对比，除了覆盖率，其他指标基本碾压。对比MostPopular算法，UserCF的准确率和召回率相对MostPopular高了将近1倍，同时覆盖率也远高于MostPopular。

所以UserCF虽然准确率看上去只有20%+，但是比起什么都不做，乱推荐的效果还是好很多的。

userCF算法的改进

上面的UserCF基础算法有两个比较明显的问题：

• 算法的时间复杂度是O(U*U)，U代表用户的个数。也就是随着用户个数增多，算法所需要的时间也会呈指数型增长
• 根据基础的UserCF算法，我们发现那些热门的商品会很容易被推荐出去，这并不符合我们的初衷

1、性能优化

算法的真正耗时是我们需要计算各个用户之间的相似度，当用户规模变多，计算量将会非常大。如果仔细分析用户行为数据，我们会发现，对于大多数用户来说，他们之间并没有对同样的物品产生过行为，即
$$杰卡德相似系数中的分子:|N(u1)\cap N(u2)|=0$$
对于这些用户，他们相似度都是0，而大量的时间都耗在了计算他们相似度上面。

对此，我们可以先建立一个物品到用户的倒排表，记录对物品有过购买行为的用户列表。

之后遍历物品-用户倒排表。对于每个物品，将对该物品有过行为的用户两两进行标记，登记到用户共同行为矩阵中(这是一个N*N的矩阵，N表示用户的数量)。

拿上面这张图来举例，我们建立一个4*4的矩阵W，然后遍历倒排表，对于物品a，有A、B两个用户有过行为。因此我们令W[A][B]=1，W[B][A]=1，其他物品也以此类推。

在建立完矩阵W后，我们只要对矩阵W中值为1的两个用户计算相似度即可，其他的用户相似度都为0。就可以很大程度的减少计算的时间复杂度

2、优化热门商品频繁被推荐的问题

为什么在这个算法中热门商品会被频繁推荐呢。举个例子，《新华字典》很多人都会买，如果两个用户都购买了《新华字典》，并不能说明这两个人兴趣相似，这里《新华字典》就属于热门商品。

为了降低热门物品带来的影响，我们可以将调整一下用户的兴趣相似度算法：
$$w_{uv}=\frac{{\sum }_{i\in N(v)\cap N(v)}\frac{1}{\log \mathrm{l}+|N(i)|}}{\sqrt{|N(u)||N(v)|}}$$
其中N(i)表示物品i被消费过的次数。可以看出，N(i)越大，分子就越小。因此，这个公式对那些热门的物品进行了惩罚，这样在计算用户之间的兴趣相似度时，可以尽量降低热门物品带来的影响

基于物品的协同过滤

基于物品的协同过滤算法是目前业界应用最多的算法，亚马逊网、Netflix、Hulu、Youtube的推荐算都是该算法。

基础算法

基于物品的协同过滤算法主要包括两个步骤：

1. 计算物品之间的相似度
2. 根据物品的相似度和用户的历史行为给用户生成推荐列表

和基于内容的推荐算法不同，ItemCF计算物品相似度时采用的是用户行为数据，而不是物品本身的标签/特征。

ItemCF中物品之间的相似度可以通过以下公式来定义：
$$w_{ij}=\frac{|N(i)\bigcap N(j)|}{|N(i)|}$$
其中N(i)表示喜欢物品i的用户集合，分子表示同时喜欢物品i和物品j的用户数。因此，上面这个公式其实就可以理解为喜欢物品i的用户中有多少比例的用户也喜欢物品j。

计算出物品之间的相似度后，我们可以通过以下公式计算用户u对一个物品j的兴趣：
$$p_{uj}=\sum _{i\in N(u)\cap S(j,K)}{w}_{ji}{r}_{ui}$$

• p(u,i)：表示用户u对物品i的感兴趣程度

• S(j,K)：表示和物品j最相似的K个物品集合

• N(u)：表示用户喜欢的物品集合

• w_ji：表示物品i和物品j的相似度

• r_ui：表示用户v对物品i的兴趣 —— 因为用户的购买行为是一个单一行为，所以这里的r的取值都为1和0（买就是1，不买就是0）。

这个公式的含义是，和用户历史上感兴趣的物品越相似的物品，越有可能获得比较高的排名。

下面是MovieLens使用ItemCF在离线实验的结果：

可以看出，在K=10时，准确率和召回率是最高的。在实际场景中，K的最优取值也需要多次训练得出。

ItemCF 算法的改进

ItemCF有三个问题：

• 物品太多时，需要大量的时间计算
• 热门物品带来的影响
• 活跃用户带来的影响

1、性能优化

和UserCF一样，我们可以建立一个用户-物品的倒排表。之后创建一个N*N的矩阵C（N表示物品数量），之后遍历用户-物品倒排表，对于每个用户，将他物品列表中的物品两两在矩阵C中加1。

如上图，最终计算出矩阵C之后，我们想要计算物品a和物品d的相似度，需要计算共同喜欢物品a和物品d的用户数，就可以很容易得出来，也就是2。

2、优化热门商品频繁被推荐的问题

热门物品经常被大部分用户消费，因此在计算两个物品之间相似度时，热门物品经常会和很多物品相似。对于这个问题，我们可以将计算物品相似度的算法改成：
$$w_{ij}=\frac{|N(i)\cap N(j)|}{\sqrt{|N(i)||N(j)|}}$$
和基础算法相比，它的分母做了些改变。原先是N(i)，现在加入了N(j)作为惩罚性。这意味着，如果j是热门物品，那么N(j)就会很大，分母变大，整体相似度就会变小。（分母的是交集，比如a、b、c和c、d，最终得到4）

3、用户活跃度对物品相似度的影响

在ItemCF算法中，活跃的用户也会对物品相似度计算带来影响。举个例子，比如在当当网上，有个用户是开书店的，所以他买了当当网上80%的书。那么，这80%的书就两两之间产生了相似度（因为他们被同一个用户购买过）。

但是很明显，这个用户购买这些书并不是出于兴趣。所以就给我们计算物品之间相似度时带来干扰。对于这种情况，我们可以进一步再优化下物品的相似度公式，对那些活跃用户进行惩罚：
$$w_{ij}=\frac{{\sum }_{u\in N(i)\cap N(j)}\frac{1}{\log 1+|N(u)|}}{\sqrt{|N(i)||N(j)|}}$$
其中N(u)表示用户u消费过的物品数量，也就是用户u消费的用户数量越多，分子越小，整体相似度就会下降。

4、物品相似度的归一化

有研究发现，如果将ItemCF的相似度矩阵按最大值归一化，可以提高推荐的准确率。我们可以采用下面的公式对物品相似度进行归一化：
$$w_{ij}=\frac{w_{ij}}{{\max }_j{w}_{ij}}$$

• w_ij：物品i和物品j的相似度
• 分子: 物品i和物品j的相似度
• 分母: 取物品j和其他物品最大的相似度作为分母

那么为什么需要进行归一化呢。

还是为了降低热门物品带来的影响。比如某视频网站，有动画片和纪录片分类，一般动画片看的人比较多，纪录片看的人比较少。因此动画片之间相似度往往会比纪录片之间的相似度高。

举个例子，假设现在有两类物品，A类物品之间的相似度都是0.6，B类物品之间的相似度都是0.5，A类物品和B类物品之间的相似度是0.2。有个用户买了一个A类物品和一个B类物品。那么通过ItemCF算法，因为A类物品之间的相似度比较高，那么推荐时，A类物品就会排在前面。

**如果做完归一化之后，A类物品之间的相似度会变成1，B类物品之间的相似度也会变成1。这样，推荐时A类物品和B类物品就能有相同的排名。**总的来说，归一化的目的还是对热门物品进行一点惩罚，提高冷门物品被推荐出去的概率。

下面是做了归一化前后的离线实验数据对比，可以看出，做了相似度归一化后，准确率和召回率有了一些提升，覆盖率有了比较大的提升。

UserCF和IemCF比较

• UserCF的推荐结果着重于反映和用户兴趣相似的小群体的热点，趋向社会化。—— 比如新闻网站中。用户的兴趣不是特别细化，很少有用户只看某一两个领域的新闻，因为这些领域不一定每天都有新闻。大多数用户都喜欢看热门的新闻。对于这种场景，我们就可以使用UserCF，去找和用户兴趣相似的用户看的新闻推荐给用户。
• ItemCF的推荐结果着重于维系用户的历史兴趣。趋向个性化。—— 比如电商平台或者电影网站中，则更适合用ItemCF。因为在这些网站中，用户的兴趣是比较固定和持久的，一个技术人员可能都是在购买技术方面的书，而且他们对书的热门程度并不是那么敏感，事实上越是资深的技术人员，他们看的书就越可能不热门。因此，ItemCF可以从他们本身的兴趣出发，给他们推荐商品。

除了应用场景外，其他方面也有着差异：

隐语义模型

隐语义模型它是近几年推荐系统领域最为热门的研究话题。

隐语义模型整体来说也很简单：

1. 对于某个用户，得到他对哪一类物品感兴趣
2. 从他感兴趣的分类中挑选他可能喜欢的物品

对于这两个步骤，一般有3个问题需要解决：

1. 如何给物品分类？
2. 如何确认用户对哪一类的物品感兴趣，以及感兴趣的程度？
3. 如何确定物品在某一类中的权重是多少？

对于如何给物品分类这个问题，最古老的做法就是通过人为编辑给物品打标签，然后分类。但这种方法不仅费时费力，而且还有一些缺点：

1. 编辑进行分类时往往有局限性，不能代表各类用户的观点。如比《具体数学》这本书，有些人可能认为是属于数学分类，有些人认为是属于计算机分类。因为从内容上看，这本书是讲数学的，但是读这本书的大部分都是用户。而编辑做分类时往往会因为内容是讲数学的而分类到数学里面去。
2. 编辑很难控制分类的粒度。比如《数据挖掘导论》这本书，粗粒度来讲它是属于计算机技术，细粒度来说可能属于数据挖掘分类。对于不同的用户，他可能需要不同的粒度。比如对一个初学者来说，可以粗粒度的给他做推荐，但对于一个资深的研究人员来说，就需要细分到他的具体领域去给他做推荐。
3. 编辑很难确定一个物品在类中的权重。比如《深入理解Java虚拟机》和《Java并发编程实战》这两本书都可以属于Java语言分类，这两本书在该类中哪个权重更大一些很难定义。

随着近几年机器学习技术的不断发展，就有研究人员提出，我们为什么不从数据本身出发，自动对物品进行分类，然后给用户做推荐呢？

于是隐语义技术就出现了，它是通过分析用户行为数据，基于机器学习中的聚类算法，自动对物品进行分类。基于算法进行分类，有以下好处：

1. 因为分类是基于用户行为数据得出来的，因此分类的结果能完全代表用户的。比如如果两个物品同时被很多用户喜欢，那么即使他们在内容上相差很远，我们依旧可以将它们当成一个类
2. 算法可以允许我们指定要划分出多少个分类，也就是我们可以动态控制分类的粒度。想要粗粒度，指定类的数量就少一些。想要细粒度，指定类的数量就多一些。
3. 经过算法分析，我们可以知道对于一个指定用户，各个物品在类中应该占多大的权重，同时将权重大的物品推荐给该用户。

LFM主要通过以下公式来计算用户u对物品i的兴趣：
$$\mathrm{Preference}(u,i)=r_{ui}=p_u^T{q}_i=\sum _{k=1}^K{p}_{u,k}{q}_{i,k}$$
假设我们想将物品分为K类，那么：
$$p_{u,k}:表示用户u对第k类物品的感兴趣程度$$

$$q_{i,k}:表示物品i在第k类物品中的权重$$

这个可能还是有些抽象，假设现在有4个用户，对5个物品的购买行为如下(1表示购买过，0表示没买过)：

上面的这份数据我们可以看成一个 4 * 5 的矩阵。现在我们想将物品分成3个类别，那么通过矩阵分解，我们就可以得到下面面这两个矩阵：

这就是整个公式要表达的意思。现在r_ui是一个函数，p_u和q_i是函数的参数。我们想要用r_ui来预测用户对物品的感兴趣程度。为了保证预测的效果最好，必须和我们已知的用户真实行为数据越接近越好，也就是：

看到这里，熟悉机器学习的同学可能会想起最优解问题。是的，我们可以通过机器学习的方法来求出r_ui的最优解，首先还是先定义代价函数：
$$C=\sum _{(u,i)\in K}{\left(r_{ui}-{\hat{r}}_{ui}\right)}^2=\sum _{(u,i)\in K}{\left(r_{ui}-\sum _{k=1}^K{p}_{u,k}{q}_{i,k}\right)}^2+\lambda {\Vert p_u\Vert }^2+\lambda {\Vert q_i\Vert }^2$$

$$后面的\lambda {\Vert p_u\Vert }^2+\lambda {\Vert q_i\Vert }^2是为了防止过拟合加入的正则项$$

要最小化上面的代价函数，我们可以是用梯度下降法来求解。上面定义的代价函数中有两组参数p_uk，q_ik，求梯度下降法时我们需要对他们分别求偏导：
$$\frac{\partial C}{\partial p_{uk}}=-2q_{ik}+2\lambda p_{vk}$$

$$\frac{\partial C}{\partial q_{ik}}=-2p_{uk}+2\lambda q_{ik}$$
之后将两个参数沿着下降最快的方向推进:
$$p_{uk}=p_{uk}+\alpha \left(q_{ik}-\lambda p_{uk}\right)$$

$$q_{ik}=q_{ik}+\alpha \left(p_{uk}-\lambda q_{ik}\right)$$

最终，我们可以得到我们想要的预测模型（也就是隐语义模型）。

在LFM算法中，重要的参数有4个：

• 隐特征的个数K （也就是想要分类的数量）
• 梯度下降学习速率 alpha
• 正则化参数lambda
• 负样本/正样本比例，ratio

前面的3个参数很好理解，第四个参数ratio该怎么理解呢。

因为LFM算法的本质还是从用户的兴趣出发，因此最好可以知道用户对哪些物品感兴趣，哪些物品不感兴趣。

• 感兴趣很好判定，只要用户购买了某物品，我们就认为他大概率对该物品感兴趣，这就是正样本
• 用户不感兴趣的物品我们定义为负样本。不感兴趣判定是比较模糊的，特别对于购物网站来说，用户没买某个物品不代表用户对该物品不感兴趣

在这种购物网站中，我们就没办法取得负样本，但是根据研究，负样本的数量对LFM的训练效果起着很大的影响。因此，我们一般在训练前会对数据进行一些处理，人为给用户增加一些负样本，一般有以下几种策略：

1. 对于一个用户，只要他没产生过行为的物品，都作为负样本
2. 对于一个用户，在他没有产生过行为的物品中，均匀采样中一些作为负样本
3. 对于一个用户，在他没有产生过行为的物品中，均匀采样中一些作为负样本，同时保证负样本和正样本的数量相当
4. 对于一个用户，在他没有产生过行为的物品中，均匀采样中一些作为负样本，但是采样时偏重那些不热门的物品

第一种策略明显是最差的，因为这样会产生大量的负样本（一般大部分物品用户都没消费过）。

剩下的3种，目前根据业界的研究，发现第三种效果是最好的，其次是第二种，然后是第四种。

后来，根据2011年KDD Cup的Yahoo!Music推荐比赛，我们发现对负样本进行采样时，应该尽量遵循以下原则：

• 对每个用户，要保证正负样本的平衡
• 对每个用户，采样他的负样本时，尽量选那些热门的，但是用户没有产生过行为的物品

当然，上面的原则并不适用于所有场景，比如有人基于Netflix MovieLens的数据集做了一个实验，发现随着ratio（负/正样本比例）提高，准确率也在提升，最终ratio=10时达到最好:

因此，实际训练模型的过程中，还是需要多调整各个参数，多次实验，才能得到更好的模型。

冷启动问题

无论什么推荐算法，它的核心都是数据。如果缺乏数据，几乎所有的推荐算法都无法正常使用。在推荐系统领域，没有数据一般称之为冷启动问题。

常见的会导致冷启动的场景有3个：

• 用户冷启动：也就是一个用户刚使用我们的网站，我们对他完全不了解，没有他的行为数据，这时该如何给他做推荐？
• 物品冷启动：当一个物品新加入时，它没有和任何用户有过交互行为，如何将它推荐给用户？
• 系统冷启动：如何在一个新开发的网站上设计个性化推荐系统，从而系统刚发布就能让用户体验到个性化推荐的效果。

用户冷启动

解决用户冷启动问题有很多种方式：

• 利用用户注册时提供的年龄、性别等数据进行粗粒度的推荐
• 利用用户的社交网络账号登陆，获取用户在社交网站上的好友信息（如果得到用户允许的话），基于好友喜欢的物品进行推荐
• 要求用户登陆时对一些物品进行反馈，收集用户对这些物品的兴趣信息，然后给用户推荐和这些物品相似的物品

总的来说，就是在用户刚加入我们网站时，尽可能的多获取到用户的相关信息。

现在很多网站和app都是这么做的，拿小红书举例：

可以看到，作为一个新用户，我们刚使用小红书时，小红花会让我们填写许多信息。基于这些信息，小红书就可以很快就给我们生成针对我们的个性化推荐内容了。

不要小看这些用户注册信息，根据研究，哪怕最基本的年龄、性别、国家，都可以带来不错的推荐效果，有推荐领域的研究人员对不同算法做了实验：

• MostPopular 给用户推荐最热门的歌手
• GenderMostPopular 给用户推荐对于和他同性别的用户塔热门的歌手,这里我们将用户分成男女两类
• AgeMostPopular 给用户推荐对于和他同一个年龄段的用户最热门的歌手，这里我们将 10岁作为一个年龄段，将用户按照不同的年龄段分类
• CountryMostPopular 给用户推荐对于和他同一个国家的用户最热门的歌手
• DemographicMostPopular 给用户推荐对于和他同性别、年龄段、国家的用户最热门的 歆手

最后得到实验结果：

可以看出，在这些特征里面，国家这个特性对推荐效果的影响最大。当然，我们能拿到越多的用户信息，就能获得越好的推荐效果。

物品冷启动

物品冷启动对算法的影响程度取决于使用了哪种算法：

• 基于内容的推荐算法：基本不影响。我们只要能挖掘到新加入的物品的特征/标签，通过内容相似，很快新物品就会被推荐给用户。
• UserCF：不是十分敏感。UserCF的原理是找相似的用户买过的物品推荐给用户，在大多数网站中，推荐列表都不单单是唯一的物品展示列表，因此新物品总会被用户看到，之后不断扩散出去。
• ItemCF：影响较大。ItemCF是推荐和用户消费过的物品相似的物品给用户，而新物品一开始和所有物品都没有联系，因此很难马上被推荐出去
• 隐语义模型：影响较大。隐语义模型也是基于用户真实行为数据进行训练的。新加入的物品缺乏相关交互数据，很难被推荐出去。

一般在推荐系统中，往往不会只采用单一的推荐算法。而是结合多种推荐算法来提高推荐效果。

系统冷启动

解决系统冷启动的方法是利用专家知识对物品进行标注。

拿网络电台Pandora举例。Pandora是一个给用户播放音乐的个性化电台应用。因为要通过内容挖掘技术自动分析音乐之间的相似度，是非常困难的，效果也很难令人满意。所以Pandora雇佣了一批动计算机的音乐人进行了一项称为音乐基因的项目。他们听了几万名歌手的歌，并对这些歌的各个维度进行标注。最终，他们使用了400多个特征（Pandora称这些特征为基因）。标注完所有的歌曲后，每首歌都可以表示为一个400维的向量，然后通过常见的向量相似度算法就可以算出这些歌曲的相似度。

利用上下文信息

上面我们介绍了几个推荐算法，但都是基于联系用户兴趣和物品。对于用户所处的上下文缺乏关注。

用户所处的上下文信息包括：

• 用户访问系统的时间
• 用户访问系统的地点
• 用户访问系统时的心情
• …

在很多时候，这些信息对于推荐效果都起着很大的作用。

利用用户访问系统的时间

在推荐系统中，时间是一个非常重要的上下文信息，对用户的兴趣起着深入而广泛的影响。它对用户兴趣的影响可能包括：

• 用户兴趣是不断变化的：这是显而易见的，比如一个人小时候喜欢看动画片，长大了可能就喜欢看动作片。一个程序员刚入行的时候看的是入门书籍，随着技术水平的提高，他会更倾向于更专业的书籍。
• 物品也是有生命周期的：这个在新闻类的网站中最为明显，一个过时的新闻相信大部分人都不会感兴趣。购物网站中也有这类现象，比如iPhone 14都出来了，还向用户推荐iphone 10、11，推荐效果肯定不会太好
• 季节效应：这个在一些随季节变化的物品上最为明显，比如衣服。如果一个购物网站夏天推荐用户外套，冬天推荐短袖，相信这个网站迟早药丸。

利用用户访问系统的地点

用户所在地点对推荐结果的影响主要体现在两个方面：

• 兴趣本地化：不同地区、国家的人们的兴趣肯定存在一定的差距。所以，根据用户所在地区去做推荐可以得到更好的效果。
• 活动本地化：一个用户往往大部分时间都在附近地区活动。有研究表明，45%的用户平常活动半径不超过10英里，75%的用户活动半径不超过50英里。因此，基于用户位置的推荐可以尽量将离用户比较近的物品推荐给用户。

用户访问系统时的心情

比如对一个音乐类的推荐网站，不同的心情明显会影响用户想听什么类型的歌。

比如豆瓣电台，你就可以选择当前的场景和心情，它会根据你的选择为你推荐适合的音乐。