Using temporal dynamics for Recommend System

Temporal dynamics 예시

- 특정 상품에 대한 평가가 시간에 따라 달라짐

- 계절이나 요일,주,월 단위의 주기성이 평가에 영향을 미침

- 사용자의 취향 또한 시간에 따라 바뀔 수 있음

- User Interface의 변화에 따라 평가가 달라지기도 함

 

AutoRegression이란?

- 스스로 회귀. 즉 자기 자신의 과거 데이터 기반으로 미래를 예측하는 자동회귀를 의미한다.

- 이때 MSE를 평가지표로 사용하지만 최근 K개의 데이터에 대해서만 MSE를 구한다면 이동 평균(Moving Average)라고 한다.

Moving Average 또한 단순 평균으로 구하는 방법(MSE)와 Weighted MSE를 구하는 방법 등 여러가지가 존재할 수 있다.

 

 

 

 

시간이 지남에 따라 사용자의 취향이나 의견이 변할 수 있음(=concept drift). 이를 고려한 연구에 대해 알아보자

- 데이터 특성에 따라 Long-term temporal, Short-term temporal 분석이 상이할 수 있다.

 

 

 

Long-term Dynamics

Time Weight Collaborative Filtering(Ding and Li, 2005)

- 서로 비슷한 아이템의 평점은 유사하나, 평점을 매긴 시간이 길어질수록 유사도 반영 정도를 줄여야 한다.(시간이 지남에 따라 사용자의 취향이 바뀔 수 있으므로)

Sequential and Temporal Dynamics of Online Opinion(Godes and Silva, 2012)

- Amazon 책 리뷰 rating에 대하여 temporal evolution 분석 진행.

 

Short-term Dynamics(=Session-based Recommendations)

-session은 일 단위, 분 단위 심지어는 초 단위가 될 수도 있음

 

Temporal Recommendation on Graphs via Long and Short term Preference Fusion(Xiang, 2010)

 

여기까진 모두 제공된 'Timestamp'를 분석하여 생성한 feature 위주로 진행한 연구.