随着互联网的高速发展和智能手机的普及,人们已经能够随时随地获取在线内容和服务,例如新闻、音乐、视频、餐厅位置和评论等。这些海量互联网信息在给用户带来便利的同时,也给用户从中筛选感兴趣的内容带来了新的挑战。为了解决这种信息过载问题,推荐系统应运而生。作为连接内容消费者和提供商的桥梁,推荐系统既能帮助消费者发现潜在感兴趣的商品,还能帮助内容提供商提升商品销量和用户粘性。近十年以来,推荐系统在各大商业领域得到了广泛应用,同时也成为计算机、物理、管理学等交叉领域的热点研究课题。早期研究主要集中在静态推荐系统,即不考虑用户历史行为发生的时间,构建与时间无关的推荐模型。然而人类动力学研究发现,用户的兴趣偏好与时间因素有着紧密联系。例如,用户兴趣会随时间推移发生变化,用户的评分行为存在锚定现象,商品的销量呈现周期性变化等。因此,时间因素的作用近年来吸引了众多推荐系统研究人员的关注。本文基于大量带时间标签的用户行为数据,分析用户动态行为在推荐算法中的作用,对时间感知的推荐算法进行深入研究。论文主要研究工作和创新点如下:(1)基于用户显性评价的时间感知算法研究。用户的显性评价通常可以分为正面评价和负面评价两类,不同类型的评价对用户未来的兴趣可能会有不同的影响。本文通过实证分析发现正负面评价具有不同的时间特性,并基于此提出了改进的资源分配算法。该算法可以显著提升推荐结果的准确性,并有效解决了稀疏数据集上的推荐列表个性化问题。为了避免参数遍历寻优的时间开销,本文进一步利用线性回归方法拟合得到了正负面评价的不同时间衰减因子。基于拟合的推荐算法除了能够改善推荐结果之外,还大幅降低了计算复杂度,因此具有较高的商业应用价值。(2)基于用户隐性反馈的时间感知算法研究。用户的选择行为一方面可能受到之前购买过该物品的其他用户的影响,另一方面他的选择行为也会影响后续用户。我们针对指定的目标用户,根据选择行为的先后顺序将其他用户分为引领型用户和跟随型用户。实证分析发现跟随型用户选择的物品比较相似,而引领型用户选择的物品个性化程度较高。本文给不同类型用户赋予不同的时间衰减权重,提出了一种基于资源分配的时间感知推荐算法。实验结果表明,相对于时间无关的静态模型,本文算法能够显著提高推荐结果的准确性。(3)基于近期流行度的推荐算法研究。在现有推荐算法研究中,物品的流行度通常定义为它在整个观测周期内被购买的总次数,也就是物品的长期流行度。本文实证分析发现,物品近段时间被购买的次数,也就是物品近期流行度在推荐系统中起着重要的作用。本文通过考虑近期流行度的影响,改进了热传导算法的推荐得分计算公式,并针对资源分配算法设计了推荐结果重排序策略。实验结果表明,上述两种改进算法都能够提供较高的推荐准确性,同时还能提高稀疏数据集上推荐结果的个性化水平。(4)基于相对时间的推荐算法研究。在没有明确时间信息的场景中,用户-商品交互记录产生的相对时间同样可以用来提高推荐系统的性能。本文基于不同用户选择同一物品的先后顺序量化不同用户之间的相互影响,并将其作为用户-物品二部图的连边权重,提出了基于用户序列的个性化推荐算法。此外,本文将每个用户表示成她选择过的物品组成的有序概率向量,利用Jensen-Shannon散度计算每对用户之间的相似度,提出了基于物品序列的个性化推荐算法。实验结果表明,这两种基于相对时间的推荐算法都可以在保持较高准确性的情况下,显著提高推荐结果的个性化程度。