timeSVD++

概述

矩阵分解的时间动态扩展模型，将用户偏好的时间演化纳入建模，10 维 timeSVD++ 精度超过 200 维标准 SVD。

关键内容

1. 核心创新：将 bias 和用户因子都变为时间的函数：
2. $b_i(t)$：物品偏置随时间变化（如电影刚上映时评分较高，后来逐渐回落）
3. $b_u(t)$：用户偏置随时间变化（包括长期漂移和日特定波动）
4. $p_u(t)$：用户隐因子向量随时间变化（品味的演化）
5. 静态假设：物品的隐因子 $q_i$ 不随时间变化，因为物品本身是静态的。
6. 效果：一个仅 10 维的 timeSVD++ 模型，精度就超过了 200 维的标准 SVD 模型。Koren 总结："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。"
7. 公式：$\hat{r}{ui}(t) = \mu + b_i(t) + b_u(t) + q_i^T \cdot (p_u(t) + |R(u)|^{-1/2} \sum{j \in R(u)} y_j)$
8. 后续影响：为序列推荐、会话推荐等研究方向埋下了种子。

来源

• 04-matrix-factorization-for-recsys.md — 深度解读 Matrix Factorization Techniques for Recommender Systems

相关

• SVD++ — 基础模型
• 矩阵分解 — 方法论类别
• Yehuda Koren — 提出者