学习笔记：“Temporal Recommendation on Graphs via Long- and Short-term Preference Fusion”

Outlines

1. 致力于解决temporal
recommendation问题

2. 引入的概念主要有两个，STG（session-based temporal graph）及IPF（injected preference fusion）。STG是个有向二分图G(U,S,I,E,w)，其中U是user结点集，S是session节点集，I是item结点集，w:E->R表示一个由边到权重的非负映射函数。对于temporal recommendation，常常涉及的元组格式为<user,item,time>，本文将其拆分为<user,item>和<session,item>，并将<session,item>与user绑定。如图：



Si(useri,timei)指useri在timei的时间，如果useri在timei内看过itemk则它与ik结点之间应有边。而IPF则是基于STG的一种推荐方法。

3. evaluaion metric是all-but-one的hit-ratio

4. 与TItemKNN及TUserKNN比较，还把STG用于PRW(personalized
random walk)得到TPRW比较

Interesting
Ideas

1. users和items关于time的相关性一般是没有用的，而对于一个user来说items之间关于时间的相关性却是非常有用。其实就是说，user在time内看了item不能说user与item更相关，而user在item内同时看了items，items之间应该很相关。

2. STG成功之处在于它很好地建模了一个事实，就是用户的长期兴趣与短期兴趣是不同的。U与I之间的边代表用户的长期兴趣，而这些边向其它未知item节点的延伸(原文用了propagate)就是基于用户长期兴趣的推荐。同样地，S与I之间的边代表用户的短期兴趣，这些边向其它未知item节点的延伸就是基于用户短期兴趣的推荐。同时下面的权重公式巧妙地建模了长短期之间相对的重要程度。可见，一个优秀的模型非常重要的一点就是能将上下文环境自然地参数化。

3. 从图结构的直观角度来讲，一个未知item对一个user的推荐值应由连接它们的路径构成。但是需要注意较长路径可能带来噪音干扰。因此，该文只将最短路劲考虑在内，即distance=3

Implementation
Details

1. STG的权重这样表示：



给定一个边e(v,v’)。假如它出自user或session结点，那么w=1。因为它一定到达item结点，这样常数1与基于user或session结点出度的归一化是等价的。而当e出自item结点时，到user与session的不同w值可以描述它们对items similarity的长短期贡献。

2. 给定路径P（V0，…,Vn），其中V0是user或session结点，Vn是未知item。其推荐值表示为：



其中：

用来调节user结点的preference与session结点的preference比例。


，

用来调节出度的影响。

Conclusions

待续