论文解读——Temporal Recommendation on Graphs via Long- and Short-term Preference Fusion

简介

该文是项亮在KDD10会议上的论文，主要关注点在temporal recommendation上。该文为了对用户的长期偏好和短期偏好进行建模，并用于时序推荐之中，提出了一个可以对用户长期偏好和短期偏好同时建模的基于会话的时序图（STG）和扩展了个性化随机行走的嵌入偏好融合（IFA）算法。

主要内容

1 不同于传统的概念漂移研究关注于全局模式的随时间变化，时序推荐更关注每个用户的推荐模型的变化。同时，值得注意的是，用户的整体行为由他的长期兴趣决定，但是在某个时间节点，用户的行为往往会受到其短期兴趣和一些突然的事件如新产品发布和生日等影响。

2 许多与时间有关的模型，如张量分解，将时间作为其中一个被所有用户共享的维度加入到模型。但是，在推荐领域，将时间作为一个维度进行用户与用户之间比较是不合适的，时间更适合当做一种与具体用户相关的局部因素进行考虑。比如，用户在同一时刻，可能因为相同的外部原因购买不同的物品，也有可能因为分别由于不同的原因购买不同的物品，所以时间因素要与具体用户相关才更加的合适。

3 Koren已提出的时序推荐的算法在处理隐式反馈时的效果提升不高，

4 该文提出模型的独特性在于引入了会话节点，用于捕捉与用户相关的时间点。具体来说，基于会话的时序图STG通过用户与项目之间的关联捕捉长期兴趣，通过会话与项目之间的关联捕捉短期兴趣。

5 时序推荐上的进展：

1. 降低旧数据的权重
2. 将CF视为单变量时间序列问题，再使用决策树
3. 时间依赖的迭代预测问题
4. 根据时间自动分配最近邻中K的选择
5. 挖掘过去交互定义稳定偏好，并利用评论找到用户基于会话的偏好
6. 将时序变化引入因子模型

前4中没有对长期偏好和短期偏好进行建模，而与后2种的区别则在于该文用的是图模型来建模