推荐系统的实现算法，依照使用的数据，主要分为下面三种算法：

?      协同过滤：用户的行为数据，像点击、评分、购买等；

?      内容过滤：用户内容属性和物品内容属性。

?      社会化过滤：用户之间的社交网络关系，如朋友、关注关系等。

依照模型划分，主要有下面三种：

?      近期邻模型：基于用户/物品的协同过滤算法。

?      Latent Factor Model：基于矩阵分解的模型；

?      图模型：二分图模型，社会网络图模型等。

除了推荐系统自身的问题，像冷启动、数据的稀疏性问题等，另一个须要关注的问题，就是推荐系统的时间效应问题。比較常见的时间效应问题主要反映在用户兴趣的变化、物品流行度的变化以及商品的季节效应。即以下主要考虑三个问题，怎样建立动态用户兴趣模型。怎样建立用户长期兴趣和短期兴趣的动态用户兴趣模型，还有站点时效性对用户行为和推荐系统设计的影响。

考虑到推荐系统的时间效应问题，能够将协同过滤所使用的数据集归结为一个四元组。即{用户。物品。行为，时间}，那么如今就面临一个问题，怎样通过研究用户的历史行为和兴趣爱好。预測用户将来的行为和喜好。

须要解决下面三个问题：动态评分预測、动态Top-N推荐、时效性的影响。

对于第一个问题，动态评分预測问题。

数据集能够选用比較直观的显性反馈数据集。即(用户，物品，评分，时间)。研究是这样一个问题，给定用户u，物品i，时间t，预測用户u在时间t对物品i的评分r。

对于该类问题，相关的算法已经有了非常多的研究，与时间无关的评分预測问题算法主要有下面几种：

?      基于用户/物品的协同过滤算法；

?      基于矩阵分解的模型LatentFactor Model；

?      受限波尔兹曼机RBM。

与时间相关的评分预測问题算法主要是基于以下两种想法：

?      用户会喜欢和他们近期喜欢的物品相似的物品；

?      用户会喜欢和他们兴趣相似的用户近期喜欢的物品。

当然上面的这些算法是提出来了。可是有些地方有待优化。

上述算法须要考虑的时间效应问题主要有下面几个方面：

此外还有季节效应问题。一些在夏季非常流行的。在秋冬季节未必就非常流行。

怎样解决上述问题，提出优化还有待进一步思考。

对于动态Top-N推荐问题。数据集选用的是不太直观的隐性反馈数据集，{(用户。物品。时间)}，研究的是这种一个问题，给定用户u，时间t。预測用户u在时间t可能会喜欢的物品列表R(u)。在这方面的相关研究也非常成熟，有基于邻域的协同过滤算法，主要分为两种，一种是ItemCF。推荐给用户那些跟他们之前喜欢的物品类似的物品；另一种是UserCF。推荐给用户那些跟他们兴趣相似的用户喜欢的物品。还有基于评分数据的Top-N推荐算法，该想法的思路是推荐给用户那些他们可能评分最高的物品。

该想法都是环绕用户的兴趣展开的，须要考虑到，用户兴趣分为短期兴趣和长期兴趣，短期兴趣的特点是暂时、易变。长期兴趣的特点是长久、稳定。用户的短期兴趣可能会转化为长期兴趣，所以须要在推荐时综合考虑长期兴趣和短期兴趣。该问题的解决有待进一步思考。

对于时效性的影响，每一个在线系统都是一个动态系统，但它们有不同的演化速率。

比方说，新闻。博客演化的非常快，但音乐，电影的系统演化的却比較慢。这就带来这样一个问题，不同演化速率的系统须要不同类型的推荐算法，怎样解决该问题。也是应该进一步深入思考的。