timeSVD++

概述

timeSVD++ 是 SVD++ 模型的时间动态扩展版本，通过建模用户偏好和物品属性随时间的变化，显著提升了推荐系统的预测精度。

关键内容

1. 核心思想： 用户的品味会随时间变化，物品的受欢迎程度也会因时间而异。timeSVD++ 将时间作为一等公民纳入建模，将用户偏置、物品偏置和用户隐因子都建模为时间的函数。

2. 数学公式： $$\hat{r}{ui}(t) = \mu + b_i(t) + b_u(t) + q_i^T \cdot \left( p_u(t) + |R(u)|^{-1/2} \sum{j \in R(u)} y_j \right)$$

关键创新在于将 bias 和用户因子都变为时间的函数： - $b_i(t)$：物品偏置随时间变化 - $b_u(t)$：用户偏置随时间变化（包括长期漂移和日特定波动） - $p_u(t)$：用户隐因子向量随时间变化（品味的演化）

物品的隐因子 $q_i$ 保持静态不变。

1. 效果： 效果显著：一个仅 10 维的 timeSVD++ 模型，精度就超过了 200 维的标准 SVD 模型。正如 Koren 总结的："正确处理时间动态对精度的影响，大于设计更复杂的推荐架构。"

2. 重要观察：

3. 物品隐因子 $q_i$ 不随时间变化，因为物品本身是静态的
4. 时间动态建模的重要性远超模型复杂度，体现了对数据特性深刻理解的价值

来源

• 推荐系统/04-matrix-factorization-for-recsys.md — 详细介绍 timeSVD++ 模型
• [[]] —

相关

• SVD++ — 基础模型
• 矩阵分解 — 核心方法
• 时间动态 — 建模要素
• Matrix Factorization Techniques for Recommender Systems — 提出论文