1、2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組1 內(nèi)容研究動機相關(guān)工作、研究問題和內(nèi)容實驗下一步工作總結(jié)2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組2 研究動機用戶A用戶B用戶C用戶D用戶E?2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組3 Visualizing Tags over Time （WWW06）Let denote the number of times the object u occurs at time t. Let denote the total number of occurrences of object

2、 u.相關(guān)工作2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組4 Social Tag Prediction （SIGIR08）相關(guān)工作2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組5 如何利用時間軸和Tag歷史信息對用戶個性化建模？如何刻畫用戶興趣的“就近性”？如何尋找相似用戶，并利用相似用戶進行個性化推薦？研究問題2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組6 用戶個性化建模衰減模型相似用戶Tag推薦研究內(nèi)容2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組7 用戶個性化建模 o0,o1,on： 所有用戶打過的Ta

3、g t0,t1,tk ,： 時間軸上對應(yīng)的時間點 n tk-1,tk(u,oj)： 用戶u在時間區(qū)間tk-1,tk上打過的oj的數(shù)量 Int t0,ti(u) ： 用戶u在時間區(qū)間t0,ti的用戶模型 t0t1tk-1tkti2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組8 用戶個性化建模 qj = n tk-1,tk(u,oj) * wk ， 其中 wk 是衰減權(quán)值(wk 0,1) Int t0,ti(u) = t0t1tk-1tkti2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組9 用戶個性化建模 2007012

4、00702200703200704200705200706200707200708200709200710200701200702200703200704a2100b0121c1120d1113wk1 Int 200701,200704 (u) = 2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組10 衰減模型 距離衰減是形式或過程隨距離減弱 。 距離衰減至今仍受地理學者關(guān)注。 一個旅游目的地的入游游客，其入游人數(shù)通常也隨旅行距離增大而減少，也是一種距離衰減現(xiàn)象。游客來游人數(shù)的距離衰減特征，是確定和推測旅游地吸引力輻射范圍和外推趨勢的重要手段。 Smith(

5、1983)則指出，距離衰減曲線的斜率反映目的地引力的大小。2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組11 衰減模型A 一般模式 ：ln y = a- b * f(dx)；當f(dx)=dx時為類型(1)。B 雙對數(shù)模式：ln y = a- b * ln(dx)m ；m=1時為類型(2)；m=2時為類型(3)。C 指數(shù)模式 ：ln y = a- b* (dx) m ；m=2時為類型(4) ；m=時為類型(5) 。其中a、b為系數(shù)，其中b為距離函數(shù)系數(shù)，亦即距離衰減指數(shù) ,f(dx)為距離函數(shù)，dx為距離。(1)指數(shù)模型： ln y = a - b * dx(2)Paret

6、o模型： ln y = a - b * ln(dx)(3)常對數(shù)模型： ln y = a - b * ln(dx)2(4)平方指數(shù)模型： ln y = a - b * (dx)2(5)開放指數(shù)模型： ln y = a - b * 2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組12 衰減模型2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組13 相似用戶s( Intt0,ti(A) , Intt0,tj(B) )= ( Intt0,ti(A) Intt0,tj(B) ) / ( | Intt0,ti(A) |* | Intt0,tj(B) | )用戶A用戶B用

7、戶C用戶D用戶E?2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組14 Tag推薦Pti,tj(u) ：推薦給用戶u在時間區(qū)間ti ,tj上的TagInt 200701,200704 (u) = P 200704,200705 (u) = 2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組15 Tag推薦一、求出與Int t0,ti(u)最相似的N個用戶模型： Int t0,ti1(u1) ， Int t0,ti2(u2) ， ， Int t0,tin(un) Int 200701,200704 (u) = s( Int 200701,200704 (u) ,

8、 Int 200701,200708 (u1) ) = 0.9 s( Int 200701,200704 (u) , Int 200701,200809 (u2) ) = 0.8 s( Int 200701,200704 (u) , Int 200701,200910 (u3) ) = 0.7 2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組16 Tag推薦Gti,tj(u) = 二、求出Gti1,ti1+1(u1) 、 Gti1,ti2+1(u2) 、 、 Gti1,tin+1(un)： G 200708,200709 (u1) = G 200809,200810 (u2)

9、 = G 200910,200911 (u3) = 2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組17 Tag推薦Mk(i,j) = Gti,tj(uk) * s( Intt0,ti(uk) , Intt0,tj(u) )三、 Pti,ti+1(u) = M1(i,i+1) + M2(i,i+1) + + Mn(i,i+1) ： s( Int 200701,200704 (u) , Int 200701,200708 (u1) ) = 0.9 s( Int 200701,200704 (u) , Int 200701,200809 (u2) ) = 0.8 s( Int 2

10、00701,200704 (u) , Int 200701,200910 (u3) ) = 0.7 G 200708,200709 (u1) = G 200809,200810 (u2) = G 200910,200911 (u3) = P 200704,200705 (u) = = 2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組18 User：1,243Tag ： 78,627ResourceLink ：408,797Date ：2001-01-14 至今總記錄數(shù)：1,513,745/url/fb2902689819f8ca9f49014c0848e396 數(shù)據(jù)集2022

11、/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組19 用戶數(shù)：877Tag數(shù)：6,279資源數(shù)：11,051總記錄數(shù)：260,214時間跨度：200701至2009121702 = 每個用戶的Tag數(shù) = 10 555 = 每個用戶標注的資源數(shù) = 10數(shù)據(jù)集2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組20 實驗2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組21 隨機產(chǎn)生測試用戶，隨機產(chǎn)生測試時間點用衰減模型求出每個用戶在每個時間點的興趣模型實驗t0t1tk-1tkti2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組22 實

12、驗2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組23 實驗2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組24 針對每一個測試用戶尋找與其興趣模型最相似的一組用戶以及對應(yīng)的時間點，并計算出相似度根據(jù)得到的相似用戶的下一個月實際標注的Tag來預(yù)測測試用戶下個月將會感興趣的Tag實驗用戶A用戶B用戶C用戶D用戶E?2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組25 實驗結(jié)果衰減模型用戶數(shù)準確率模型18023.125% + 3.875%模型225 24.4% + 2.8%模型355 23.27% + 1.45%模型4 72 24.17% + 5%模型5 74 23.24% + 1.757%2022/8/20基于時間軸的Tag個性化推薦 個性化知識管理小組26 下一步工作推薦用