文件名称：数据集介绍-deep facial expression recognition a survey
文件大小：7.69MB
文件格式：PDF
更新时间：2024-06-23 13:17:14
动态推荐系统 关键技术研究
1.3 研研研究究究内内内容容容 推荐系统中有两个主要的问题，一个是评分预测问题(Rating Prediction Problem)：给定用户对某些物品的评分，预测用户对其他物品的评分。用户评 分数据被称为显性反馈数据，所以评分预测问题也是基于显性反馈数据的推荐 问题。另一个问题是Top-N 推荐问题：给定用户对某些物品的行为数据，给每 个用户推荐N个他们最可能喜欢的物品。这个问题不一定需要用户评分数据， 如果只有用户的隐性反馈数据（比如日志数据），也可以用来做推荐，所以这 个问题也被称为基于隐性反馈数据的推荐问题。在对这两个问题的早期研究 中，都是不考虑时间信息的。但是，在实际系统中，无论是显性反馈（评分） 还是隐性反馈（观看，点击），都是有时间信息的，即用户行为产生的时间。 所以，在实际数据中，这两个问题都会转变为和时间相关的动态推荐问题。 时间相关的评分预测问题是，如何根据用户的历史评分数据，来预测用户 将来会对某个物品给出什么样的评分。而时间相关的Top-N推荐问题是，如何 通过分析用户的历史行为，在未来的某个特定时间点给用户推荐N个他们最可 能喜欢的物品。本文首先会研究如何解决这两个时间相关的推荐问题。解决这 两个问题的关键是研究时间效应，也就是时间是如何影响用户行为的。我们会 分析各种时间效应，并对他们建模，从而解决上面提到的两个主要问题。 本文在研究用户和物品受时间影响的同时，也会从系统本身的角度研究时 间因素。每一个在线系统都是一个动态系统，他们的数据，无论是用户行为数 据和物品属性数据，都在时时刻刻的变化。但是，从系统的角度，不同系统的 变化速率是不同的。新闻网站比较注重时效性，变化很迅速，而电影或者音乐 的网站变化的相对比较慢。一个系统变化迅速的体现是，新的物品不断的加 入，但是即使是热门物品，都不会热门太长。比如，每一个新闻的热门程度只 会维持很少的几天，但是经典的电影和音乐却可以热门几个月甚至几年时间。 一个在线系统的变化速度，对于如何设计它的推荐系统非常重要。因此最后本 文会研究系统变化速率对推荐系统的影响。 1.4 数数数据据据集集集介介介绍绍绍 推荐系统的数据集很多，但提供了时间信息的数据集并不多。本文主要应 用了以下几个著名的数据集进行研究。