用户所处的上下文（context）包括用户访问推荐系统的时间、地点、心情等，对于提高推荐系统的推荐系统是非常重要的。
时间效应简介
用户兴趣是变化的，物品也是有生命周期的，季节效应。
系统时间特征的分析
通过统计如下信息研究系统的时间特性：数据集每天独立用户数的增长情况，系统的物品变化情况，用户访问情况。
以用如下指标度量网站中物品的生命周期：物品平均在线天数，相隔T天系统物品流行度向量的平均相似度
推荐系统的实时性
实现推荐系统的实时性除了对用户行为的存取有实时性要求，还要求推荐算法本身具有实时性，而推荐算法本身的实时性意味着：
实时推荐系统不能每天都给所有用户离线计算推荐结果，然后在线展示昨天计算出来的结果。所以，要求在每个用户访问推荐系统时，都根据用户这个时间点前的行为实时计算推荐列表。
推荐算法需要平衡考虑用户的近期行为和长期行为，即要让推荐列表反应出用户近期行为所体现的兴趣变化，又不能让推荐列表完全受用户近期行为的影响，要保证推荐列表对用户兴趣预测的延续性。
推荐系统的时间多样性
推荐系统每天推荐结果的变化程度被定义为推荐系统的时间多样性。时间多样性高的推荐系统中用户会经常看到不同的推荐结果。
提高推荐结果的时间多样性需要分两步解决：首先，需要保证推荐系统能够在用户有了新的行为后及时调整推荐结果，使推荐结果满足用户最近的兴趣；其次，需要保证推荐系统在用户没有新的行为时也能够经常变化一下结果，具有一定的时间多样性。
那么，如果用户没有行为，如何保证给用户的推荐结果具有一定的时间多样性呢？一般的思路有以下几种：
- 在生成推荐结果时加入一定的随机性。
- 记录用户每天看到的推荐结果，然后在每天给用户进行推荐时，对他前几天看到过很多次的推荐结果进行适当地降权。
- 每天给用户使用不同的推荐算法。
当然，时间多样性也不是绝对的。推荐系统需要首先保证推荐的精度，在此基础上适当地考
虑时间多样性。在实际应用中需要通过多次的实验才能知道什么程度的时间多样性对系统是最
好的。
时间上下文推荐算法
最近最热门
时间上下文相关的ItemCF算法
时间上下文相关的UserCF算法
可以在以下两个方面利用时间信息改进UserCF算法
- 用户兴趣相似度.如果两个用户同时喜欢相同的物品，那么这两个用户应该有更大的兴趣相似度。
- 相似兴趣用户的最近行为：给用户推荐和他兴趣相似的用户最近喜欢的物品。
