View article

随着互联网信息规模的急剧扩大以及用户搜索要求的多样性, 设计一个高效的个性化推荐系统成为一个研究热点. 其中, 将物质扩散和热传导过程应用到推荐过程取得了很好的效果. 这两种算法通过假设每个推荐对象具有一定的推荐资源, 这些推荐资源按照行归一或者列归一的扩散规则在用户-对象二部份图上扩散, 进而利用扩散结果来描述节点之间的相似性. 在这个基础上, 根据评价网络的拓扑信息, 例如节点度, 群落等对初始和末态评价资源分布, 扩散过程等加以调节, 可以得到一系列高效, 个性化程度可调的推荐算法. 然而, 上述的算法都是在静态的环境下提出的, 没有考虑评价关系的时效性; 但是实际的信息评价网络是一个动态演化的网络. 一方面, 其拓扑结构随着评价关系的不断加入而演化, 另一方面, 评价关系的时效性变化也带来网络权重的变化. 我们提出了基于网络的含时推荐算法, 考虑评价关系的时间标签对基于物质扩散的推荐算法的影响. 在这个算法中, 我们对评价关系引入了" 衰退-激活" 过程. 每一个时间步, 已有的评价关系的时效性按照一定半衰期进行指数衰减; 同时, 赋予新引入的评价关系一个初始的时效性, 并且激活周围的邻居节点. 在推荐时, 用时效因子来调节节点的推荐值. 我们利用 Netflix 的数据对这个算法进行计算, 并和原有的推荐算法进行比较. 我们讨论了不同的激活方式, 半衰期以及时效因子对算法的影响.