推荐系统与推荐算法学习笔记（六）
论文标题：A Multi-Latent Transition model for evolving preferences in recommender systems
期刊：《Expert Systems with Applications》
作者：D. Rafailidis
下载地址（如需帮助下载该论文，请私信）：
摘要：
在推荐系统中，用户与项目产生交互，而用户对项目的偏好会随着时间演化。所以，我们面临的挑战是如何识别用户最近和过去的偏好之间的相关性，从而生成高准确率的推荐。在这项研究中，我们提出了一个多潜在跃迁（MLT）模型。考虑到不同时段的用户潜在空间中的多重过渡，我们构造了一个联合目标函数来计算用户最新偏好的持续时段和所有过去时段之间的多重过渡。通过一个有效的梯度交替优化算法解决了联合问题，达到收敛效果。此外，为了更好地捕捉正在进行的周期和前一个时间周期之间的相关性，我们还开发项目的元数据。考虑到随着时间推移，用户可能有稳定的偏好，因为他们可能喜欢项目的某些属性，例如演员或电影导演，或者由于不喜欢项目而彻底改变他们的偏好。我们的实验表明，MLT明显优于现有技术，并且提高了具有稳定偏好的用户和倾向于经常改变偏好的用户的推荐精度。
- 问题表述 (Problem statement ）
非负矩阵分解参见推荐系统与推荐算法学习笔记（五） - 椰汁狂热爱好者的文章 - 知乎
的Funk-svd(隐语义模型)
https://zhuanlan.zhihu.com/p/48248391
假设存在总共t-1个过去时间周期的情况下，
本算法的目标是计算k-1阶当前时间周期t与t-p个先前时间周期之间的用户偏好转变
2.平滑策略(Smoothing strategy ）
3.目标函数(Objective function ）
最终的联合目标函数：
6.模型训练(Model learning ）
7.算法总结
