第8章 基于情境感知的推荐 — 通俗讲解

第8章 基于情境感知的推荐 — 通俗讲解

对应教材：刘宏志《推荐系统》第8章（PDF：推荐算法.pdf，目录见 toc.json，PDF 页 145–157 ≈ 书页 134–146）
前置章节：第2章协同过滤、第3章矩阵分解、第5章混合推荐、第7章排序学习
后续章节：第9章时空信息推荐（时间/位置是本章「情境」中最常见的两类）
经典参考：Schilit et al. (1994) Context-Aware Computing；Adomavicius & Tuzhilin (2011) Context-Aware Recommender Systems

章节目录速览

一、先搞懂：为什么需要「情境感知」？

1.1 传统推荐的盲区

前面各章的推荐算法，核心逻辑都是：

看用户和物品之间的历史关系，预测用户会不会喜欢某个物品。

这在很多场景下够用，但忽略了一个关键事实：

同一个人，在不同情境下，想要的东西完全不同。

传统推荐把「用户 u 喜欢物品 i」当成固定关系；情境感知推荐则问：「用户 u 在情境 c 下，会不会喜欢物品 i？」

1.2 情境感知推荐的目标

教材用一句话概括（Schilit 1994 提出「情境感知」概念）：

在正确的时间、正确的地点、正确的情况下，通过正确的媒介，向用户推荐满足其偏好、需求和意图的信息。

可以记成 「五个正确」：时间、地点、情况、媒介、内容。

1.3 与第7章、第9章的关系

• 第7章：在排序得分 (\hat{y}_{ui}) 里加特征（与本章「情境建模」思路相通）。
• 第9章：时间、位置是情境中最常见、最好获取的两类，本章讲通用框架，第9章讲专项算法。

二、8.1 情境信息的定义

2.1 什么叫「情境」？

学术界没有唯一标准定义。在推荐系统里，教材采用实用定义：

除了用户–物品评分/反馈、用户属性、物品属性之外，任何能影响用户行为（评分或反馈）的因素，都可以视为情境因素。

2.2 情境 = 内在情感 + 外部环境

从用户视角，情境分为两大部分（图 8-1）：

（1）内在情感

（2）外部环境

物理环境：时间、位置（经纬度/周边 POI）、天气、温度等。
时空信息最常用——易获取、预测力强。例如：位置 + 地图 → 商场/景区/公司/家；再叠加时间 → 饭点推餐厅、节假日推促销。

社交信息：当前同伴、社交网络中他人的行为。

• 有同伴时，推荐要考虑群体偏好（Group Recommendation）。
• 独自一人时，朋友最近在看什么电影，也会影响选择。

交互媒体：设备（PC/平板/手机）、媒体类型（文字/图片/视频/语音）。

• 小屏设备：Top 几项的准确性更重要。
• 不同媒体需不同分析（文本 NLP、图像识别等）。

三、8.2 情境信息的获取

有了「情境是什么」，还要解决「怎么拿到」。教材分三类：

3.1 显式获取

做法：直接问用户——弹窗、标签、分类筛选。

优点：准确、可解释。
缺点：用户未必清楚自己的情境，或不愿填写 → 干扰体验。

3.2 隐式获取

做法：从环境或数据中被动采集，用户无感知。

优点：真实、不打扰。
缺点：依赖硬件/权限，并非所有情境都能直接测到。

3.3 推理获取

做法：用规则或统计/机器学习推断情境。

优点：显式/隐式都不可行时的补充。
缺点：需要领域知识或大量历史数据。

3.4 实践中的选择策略

工业界常见做法：多种方式组合，互相校验，提高情境识别准确率。

四、8.3 基于情境感知的推荐系统框架

4.1 从二维到三维：问题形式化

图 8-2 对比：传统模型只有「用户」「物品」两路输入；情境感知模型增加「情境」第三路，共同决定用户行为。

生活类比：

• 传统：「张三喜欢川菜」→ 永远推川菜。
• 情境感知：「张三工作日午餐喜欢快餐，周末晚餐喜欢火锅」→ 分情境推。

4.2 系统结构（图 8-3）

相对传统系统，多了一条「情境数据源 → 情境建模 → 推荐算法」的链路。

4.3 8.3.1 数据立方体

情境信息常用 数据立方体（Data Cube） 表示——把二维「用户–物品」表推广到多维。

定义：情境是各情境属性笛卡尔积的一个子集，例如：

$$\text{Context}=\text{Time}\times \text{Location}\times \text{Companion}$$

图 8-4 示例（鞋类电商 + 时间情境）：

每个「用户–物品–时间」格子存一个评分 (r_{u,i,t})。
同一用户、同一双鞋，上午和晚上的评分可以不同——这就是情境的价值。

核心矛盾：数据稀疏性

→ 引出下一节的「层次化」缓解手段。

4.4 8.3.2 基于树的层次信息表达

很多情境属性天然有层次结构，用树表示，并在数据不足时向上泛化。

时间（图 8-5）：

时间
├── 节假日
│   ├── 上午 / 中午 / 晚上
└── 非节假日
    ├── 工作日 → 上午 / 下午 / 晚上
    └── 周末   → 上午 / 下午 / 晚上

购买意图（图 8-6）：

购买意图
├── 个人用品 → 工作 / 生活
└── 礼物
    ├── 朋友 → 同学同事 / 情侣
    └── 亲人 → 父母 / 儿童

位置 也可层次化：

$$\text{Location}:=⟨\text{Lat},\text{Lon},\text{Road},\text{District},\text{City},\text{Province},\text{Country}⟩$$

街道 → 区县 → 城市 → 省 → 国家，越往上数据越聚合、越不稀疏，但越粗糙。

泛化策略（预过滤/后过滤都会用到）：

「周一晚上 10 点」数据不够 → 泛化到「周一晚上」→「工作日晚间」→「任意时间」
直到行为集合达到可训练阈值；再往上泛化会引入噪声，需停止。

五、8.4 融合情境信息的三种推荐模型

图 8-7 回顾传统流程：输入 (U \times I \times A) → 模型 (U \times I \to A) → 输出推荐列表。

加入情境后，映射变为 (f: \text{User} \times \text{Item} \times \text{Context} \to \text{Action})。
教材按情境介入的时机，分三大类：

5.1 8.4.1 情境预过滤（Context Pre-filtering）

核心思想：先按给定情境 (c) 过滤输入数据，只保留该情境下的「数据切片」，再跑传统推荐。

图 8-8 流程：

输入 U×I×C×A  →  [过滤: 保留 c]  →  U×I×A(c)  →  传统模型 U×I→A  →  推荐列表

图 8-9：数据立方体按「时间=上午」切一片，只在上午切片里建协同过滤 / 训练矩阵分解。

两个视角

优缺点

生活类比：图书馆按「儿童区 / 成人区」分开书架；你在儿童区，只在儿童书库里找推荐——不会混进成人文学。

5.2 8.4.2 情境后过滤（Context Post-filtering）

核心思想：先忽略情境，用全部历史数据做传统推荐，得到初始列表后，再用情境 (c) 过滤或重排。

图 8-10 流程：

输入 U×I×C×A  →  传统模型(忽略C)  →  i₁,i₂,i₃…  →  [按 c 调整]  →  符合 c 的最终列表

两种调整方式

优缺点

生活类比：搜索引擎先按关键词排出 100 条结果，你再点「仅看今天营业的」——后过滤。

预过滤 vs 后过滤 怎么选？

5.3 8.5 情境建模（Context Modeling）— 总述

核心思想：把情境写进模型本身，学习 (f(u, i, c)) 的联合关系，而不是先切或后补。

下面 8.5.1、8.5.2 是两类具体实现。

六、8.5.1 基于邻域的情境建模

把第2章邻域协同过滤从 ((u, i)) 推广到 ((u, i, t)) 三元组（(t) 为情境，如时间）。

6.1 预测公式（式 8-1）

$${\hat{r}}_{u,i,t}=\frac{{\sum }_{(u^{\prime },i^{\prime },t^{\prime })\in N(u,i,t)}s[(u,i,t),(u^{\prime },i^{\prime },t^{\prime })]\cdot r_{u^{\prime },i^{\prime },t^{\prime }}}{{\sum }_{(u^{\prime },i^{\prime },t^{\prime })\in N(u,i,t)}s[(u,i,t),(u^{\prime },i^{\prime },t^{\prime })]}$$

• (N(u,i,t))：与目标 ((u,i,t)) 相似的历史样本集合
• (s[\cdot,\cdot])：样本间相似度
• 本质：在「用户–物品–情境」三维空间里找邻居，加权平均它们的评分

6.2 样本相似度：加权分解（式 8-2）

$$s[(u,i,t),(u^{\prime },i^{\prime },t^{\prime })]=w_1{s}_1(u,u^{\prime })+w_2{s}_2(i,i^{\prime })+w_3{s}_3(t,t^{\prime })$$

其中 (w_1 + w_2 + w_3 = 1)。

直觉：两个样本「像不像」，看用户像不像、物品像不像、情境像不像，再加权综合。

6.3 样本相似度：距离反比（式 8-3）

$$s[(u,i,t),(u^{\prime },i^{\prime },t^{\prime })]=\frac{1}{d[(u,i,t),(u^{\prime },i^{\prime },t^{\prime })]}$$

加权曼哈顿距离：

$$d=w_1{d}_1(u,u^{\prime })+w_2{d}_2(i,i^{\prime })+w_3{d}_3(t,t^{\prime })$$

加权欧氏距离：

$$d=\sqrt{w_1{d}_1^2+w_2{d}_2^2+w_3{d}_3^2}$$

情境距离示例：(d_3(t,t’) = |t - t’|)（时间差）；或 (t \neq t’) 时为 (+\infty)（必须同一情境）。

6.4 实现要点

1. 事先定好 (s) 或 (d) 的计算方式及权重 (w_1,w_2,w_3)
2. 高效检索 (N(u,i,t))（三维索引或倒排）
3. 情境相似度常需领域知识（「下午」与「傍晚」多近？）

七、8.5.2 基于模型的情境建模

邻域法在线计算贵；模型法离线训练一次，在线预测快。教材重点讲 因子分解机 FM 及其扩展 FFM、DeepFM。

7.1 从评分表到监督学习

图 8-11：原始表（User, Movie, Rating）→ One-Hot 特征向量 (x) + 标签 (y)。

One-Hot 后，Alice = ((1,0,0,\ldots))，Titanic = ((0,0,1,0,\ldots))，拼成稀疏高维 (x)，(y=5)。

7.2 因子分解机 FM

一阶（线性回归，式 8-4）——只看单个特征权重：

$$\hat{y}(x)=w_0+\sum _{i=1}^p{w}_i{x}_i$$

二阶 FM（式 8-5 / 8-6）——加上特征两两交互：

$$\hat{y}(x)=w_0+\sum _{i=1}^p{w}_i{x}_i+\sum _{i=1}^p\sum _{j=i+1}^p⟨{\mathbf{v}}_i,{\mathbf{v}}_j⟩x_i{x}_j$$

为什么 FM 适合推荐？

• One-Hot 下 (p) 极大、矩阵极稀疏，直接学 (w_{ij}) 参数量 (O(p^2)) 不可行
• FM 用低秩隐向量分解交互项，复杂度 (O(kp))，样本少也能训

情境怎么加？——把情境特征拼进 (x)，模型形式不变。

图 8-12 示例：

日志：(B, StarWars, Mood=Normal, Companion={A,C}, Rating=4)

特征向量在 User / Movie / Mood / Companion 各 Field 里 One-Hot；同伴 A、C 各赋 0.5（归一化）。预测时 FM 自动学习「Bob × StarWars × Normal × {A,C}」的组合效应。

7.3 域感知因子分解机 FFM（式 8-7）

FM 里特征 (i) 与 (j) 交互共用同一隐向量 (\mathbf{v}_i)。
FFM 认为：同一特征与不同 Field 交互时，应使用不同隐向量。

$$\hat{y}(x):=w_0+\sum _{i=1}^p{w}_i{x}_i+\sum _{i=1}^{p-1}\sum _{j=i+1}^p⟨{\mathbf{v}}_{i,f_j},{\mathbf{v}}_{j,f_i}⟩x_i{x}_j$$

• (f_i)：特征 (i) 所属 Field（用户域、电影域、心情域…）
• (\mathbf{v}_{i,f_j})：特征 (i) 与 Field (f_j) 交互时用的隐向量

效果：比 FM 更细，CTR 预估常用；训练更慢。

7.4 DeepFM（式 8-8 ~ 8-13）

动机：FM 只显式建模二阶交互；用户–物品–情境之间可能有高阶非线性关系 → 加 DNN。

结构（图 8-13）：

FM 分量（式 8-8）：

$$y_{FM}(x)=w_0+\sum _{i=1}^p{w}_i{x}_i+\sum _{i=1}^{p-1}\sum _{j=i+1}^p⟨{\mathbf{v}}_i,{\mathbf{v}}_j⟩x_i{x}_j$$

Embedding（式 8-9 ~ 8-10）：每个 Field 的 One-Hot 映射为稠密向量 (e_i)，拼接后送入 DNN：

$$a^{(0)}=[e_1,e_2,\dots ,e_m]$$

DNN 前向（式 8-11）：

$$a^{(l+1)}=f(W^{(l)}{a}^{(l)}+b^{(l)})$$

输出融合（式 8-12 ~ 8-13）：

$$y_{DNN}=W^{(L)}{a}^{(L)}+b^{(L)},\hat{y}:=\text{sigmoid}(y_{FM}+y_{DNN})$$

工业联系：DeepFM 思路与广告/推荐精排模型（Wide&Deep、DeepFM、xDeepFM）一脉相承；情境特征作为 Field 接入即可。

八、三种方法全面对比

九、完整算例：鞋类 + 时间情境

沿用 图 8-4 数据立方体：

观察：李四上午爱运动鞋，晚上爱拖鞋——同一用户同一品类，因时间情境偏好反转。

十、与前几章的衔接

十一、本章小结（背诵版）

1. 情境感知：(f: U \times I \times C \to A)，解决「同人在不同场景要不同东西」。
2. 情境定义：内在情感（心情/意图/认知）+ 外部环境（物理/社交/媒体）。
3. 获取方式：隐式优先 → 推理 → 显式；多源组合。
4. 数据立方体：多维表示；稀疏性是核心难题，树层次泛化缓解。
5. 预过滤：先按 c 切数据再传统推荐；不改算法，易稀疏。
6. 后过滤：先全局推荐再按 c 过滤/重排；上线最快。
7. 情境建模：c 进模型；邻域扩展或 FM/FFM/DeepFM。
8. FM 关键：One-Hot + 二阶隐向量交互；情境 = 额外特征 Field。
9. DeepFM：FM（低阶）+ DNN（高阶）+ 共享 Embedding。
10. 选型：硬约束用后过滤；情境改变分布用预过滤；多特征耦合用建模。

十二、面试题速记

1. 情境感知推荐 vs 传统推荐？
   传统只建模 (p(i|u))；情境感知建模 (p(i|u,c))，c 含时间、地点、设备、意图等。

2. 三种融合方式区别？
   预过滤=输入前切片；后过滤=输出后调整；建模=c 写入 (f(u,i,c))。前两种不改原算法。

3. 数据立方体为何更稀疏？
   每多一维情境，有效观测被分到更多格子，单格样本指数级减少。

4. 层次泛化做什么？
   情境树向上合并（周一22点→工作日晚间→任意），用更粗粒度换更多训练样本。

5. FM 如何解决高维稀疏？
   用 (k) 维隐向量 (\mathbf{v}_i) 分解二阶交互，参数量 (O(kp)) 而非 (O(p^2))。

6. 情境特征怎么接入 FM？
   One-Hot 拼入 (x)，与 user/item 同等对待；多值情境（多个同伴）可权重归一化。

7. FFM 比 FM 强在哪？
   同一特征对不同 Field 用不同隐向量，交叉更精细。

8. DeepFM 双塔各干什么？
   FM 显式二阶交叉；DNN 学高阶非线性；Sigmoid 融合输出。

9. 预过滤和后过滤各适合什么？
   预过滤：情境强烈改变偏好且数据够；后过滤：距离/营业时间等硬约束、快速改造。

10. 第9章与本章关系？
    本章通用框架；第9章专讲时间效应、时间衰减 CF、会话推荐、LBS 等。

十三、课后思考（对应教材习题）

1. 简述情境感知推荐的基本思想与主要假设。
2. 对比预过滤、后过滤、情境建模的优缺点与适用场景（见本文第八节表格）。
3. 任选一种情境（如「出行方式：步行/驾车/公交」），画树状层次图。
4. 描述图 8-3 各模块职责：用户库、项目库、情境源、三种建模、推荐算法、列表。
5. FM 的基本思想：One-Hot 特征 + 一阶线性 + 二阶隐向量内积交互。
6. （实践）用 Python + 公开数据实现 FM，加入「时间」或「设备」One-Hot 特征，对比不加情境的 RMSE/NDCG。

十四、延伸阅读

• Schilit, B. et al. (1994). Context-Aware Computing Applications. WMCSA.
• Adomavicius, G. & Tuzhilin, A. (2011). Context-Aware Recommender Systems. Recommender Systems Handbook.
• Rendle, S. (2010). Factorization Machines. ICDM.
• Juan, Y. et al. (2016). Field-aware Factorization Machines for CTR Prediction. RecSys.
• Guo, H. et al. (2017). DeepFM: A Factorization-Machine based Neural Network for CTR Prediction. IJCAI.
• 本书 第9章：时间/空间情境的专项算法；第5章 5.6.2：特征扩充式混合

文档风格与 p22_第7章_基于排序学习的推荐.md、p21_第5章_混合推荐系统.md 一致。