1.4　基于用户兴趣的推荐算法

近年来的大量研究表明，用户的行为记录与用户的兴趣有着极大的关联性，在推荐系统中，用户的行为时间作为一个很重要的上下文信息，用来表征用户的兴趣变化。

2000年Schwab等人利用逐步遗忘的思想设计一个递减的幂函数来描述用户兴趣的变化规律，即用户最近的行为对当前兴趣的影响最大，反之用户最远的行为对当前兴趣的影响最小，并利用内容分析和协同过滤来跟踪用户兴趣。2010年Koren等人提出了一种动态协同过滤推荐算法，在矩阵分解的基础上加入时间序列，动态跟踪用户兴趣变化。2010年Xiong等人将时间维度作为约束项进行张量分解，利用贝叶斯定理、公式、算法进行参数自动调整，以此来改善推荐质量。2011年Li等人对用户兴趣随时间变化的规律进行建模，提出一种跨时域的协同过滤推荐算法，即当用户组内用户之间的关系发生漂移时跨时域共享评分矩阵，可以追踪用户兴趣。2012年Ren等人提出用户偏好模型以此来捕获用户兴趣，使用期望最大化构建代表用户偏好风格和时间动态的子空间，同时细化全局和个人偏好，以此进行迭代。2013年Liu等人通过研究人们在社交网络中的在线活动和流动模式，利用矩阵分解预测用户对类别的偏好，推荐偏爱类别的相应位置来提升用户体验。2015年Gasmi等人利用每个项目的类别信息，随着时间的推移反映用户喜好的动态变化，该算法利用权重函数赋予每个评分一个权重，增强用户最近和长期的兴趣信息，削弱用户短期的兴趣信息。2017年Yannis等人在基于位置的社交网络中加入时间、空间和文本因素，并考虑时间维度和时间间隔对用户兴趣的影响。

2002年赵亮等人先对评分矩阵规范化再进行SVD分解，对评分矩阵进行降维，利用向量空间方法得到近邻集合进行Top-N推荐。2007年郑先荣等人利用遗忘曲线提出一个遗忘函数，赋予每个评分一个时间权重，以此来表示用户兴趣与最近行为关系最大。2009年杨怀珍等人提出基于时间加权的个性化推荐算法，利用Logistic函数来表征用户兴趣变化规律，在计算相似度时加入时间权重。2012年韩忠明等人为了揭示在线内容的时间动态性，利用相似度方法计算时间序列聚类问题，首先利用Haar小波对时间序列进行降维，然后进行增量聚类，将发展趋势相同的时间序列聚为一类，以此来产生项目推荐集。2013年孙光福等人在概率矩阵分解的基础上对用户间的时序行为进行建模，利用用户对项目的评分时间发现用户之间的隐式关系，可以找到目标对象的最近邻集合并产生推荐，并在豆瓣数据集上验证了其算法的有效性。2015年孙光明等人根据遗忘规律作为用户兴趣变化的度量方法，利用在一定时间段内用户对关键词的访问次数建立自适应动态兴趣度权重函数，使得推荐的项目与用户偏好一致。2017年张应辉等人利用用户浏览项目的时长来衡量其兴趣度，时间越长其兴趣度越高，对于项目的显式属性进行分类，对于项目隐式属性可采用朴素贝叶斯算法来分析，引入参数综合考虑这些因素，最终找到最近邻集合并产生推荐。