利用时间数据进行推荐

Jan, 2013

Using Temporal Data for Making Recommendations

Andrew Zimdars, David Maxwell Chickering, Christopher Meek

TL;DR将协作过滤问题视为一元时间序列估计问题：根据用户的先前选票预测下一个选票。我们提出了两类方法来转换数据，使其在利用现成的分类和密度估计工具时能够编码时间顺序，并研究了在几个真实数据集上使用这些方法的效果。我们实现的预测准确性的提高，建议使用利用数据时间顺序的其他预测算法。

Abstract

We treat collaborative filtering as a univariate time series estimation problem: given a user's previous votes, predict the next vote. We describe two families of methods for transforming data to encode time orde

collaborative filtering time series estimation classification density estimation predictive algorithms

发现论文，激发创造

协同过滤预测算法的实证分析

该文章描述了几种算法来实现协同过滤或推荐系统，并使用不同的评估方法比较了它们的预测准确性。结果表明，在大多数情况下，每个节点具有决策树的贝叶斯网络和相关性方法优于贝叶斯聚类和向量相似度方法。

Jan, 2013

一种职位推荐系统的时间学习和序列建模

本文主要介绍了在 RecSys Challenge 2016 的工作推荐任务中，作者提出的基于时间的排名模型和基于 RNN 的推荐模型的解决方案，该方案在 100 多个参与者中获得第 5 名，证明序列模型在推荐系统中具有非常好的应用前景。

Aug, 2016

学习用户偏好的异质时间模式以实现及时推荐

提出了一种新型的推荐系统，TimelyRec，通过考虑用户偏好的不同的时间模式和其他特征（即周期性与演化）来联合学习用户偏好的异质性时间模式并利用一种注意力模块，进而提供及时的推荐，实验结果表明该方法在实现及时推荐时表现出色。

Apr, 2021

TimeKit：基于时间序列预测的协同过滤升级工具

该研究提出了一个基于时间序列预测的升级工具包 (TimeKit)，能够显著增强现有流行的协同过滤算法，通过每月提取用户 / 项目嵌入向量，并使用时间序列嵌入向量训练预测模型，然后根据嵌入向量的点积得分推荐。

Nov, 2022

具有时间图协同变换器的连续时间序列推荐

提出了一种基于时间顺序的用户行为建模方法，通过融合顺序模式和时间合作信号，并采用 TCT 层和连续时间二分图，设计了一种新的框架 (Temporal Graph Sequential Recommender)，该模型有效提高了推荐质量。

Aug, 2021

个性化时间衰减函数的适应性协同过滤在金融产品推荐中的应用

我们提出了一种基于时间的协同过滤算法，通过个性化衰减函数，自适应折扣远距离的客户 - 产品交互，以处理金融数据的非稳态，并建模客户和产品之间的动态协同信号，以提供可靠的金融产品推荐。通过使用来自巴黎银行的专有数据集进行评估，我们证明了相对于相关文献中最先进的基准线的显著改进，强调了将时间明确纳入模型以提高金融产品推荐的准确性的重要性。

Aug, 2023

协作过滤器的概率集成

本文提出了一种集成式协同过滤算法，采用概率模型集成物品、用户以及其关联性来处理多样的数据，得到比 L2Boost 更优的实验结果。

Jun, 2018

流式推荐系统

本文提出 sRec 框架，使用变分贝叶斯方法来处理流式推荐系统数据，并在真实数据集上的实验结果表明其优于其他流推荐系统的算法。

Jul, 2016

基于梯度调整的推荐系统时间跳跃

本文提出了一种名为 LeapRec 的元学习算法，用于解决推荐系统中用户偏好和物品热度变化所导致的时间动态问题。实验结果表明 LeapRec 优于现有方法，并研究了全局时间跃迁和有序时间跃迁的交互作用。

Dec, 2021

自适应谱图小波用于协作过滤

我们提出了一种基于谱图小波的协同过滤框架，用于隐式反馈数据的个性化推荐，通过将用户、物品及其交互表示为一个二分图，利用自适应转换函数和深度推荐模型，来学习用户和物品的低维表示，同时促进推荐质量。实验证明，相比基准方法，我们的模型在真实世界的基准数据集上取得了更好的推荐效果。

Dec, 2023