如何将用户表示成机器可以处理的形式（基于内容的推荐）

当用户信息（如年龄，性别）和物品信息（如制片方，上映年份，所属类型）可用时，如何在推荐系统中利用这些信息？也是实现所说的基于内容（content-based）的推荐。其实基于内容的推荐要解决两个主要问题：item profile 和 user profile。即如何将这些人类的知识转化成机器可以处理的形式。CB里面常见的一个词是Ontology（本体），它的含义就是一种可被机器处理的人类知识的表现形式。最后，有了用户和物品的适当表示，进行基于物品或者用户相似度的推荐便是很自然的事了。因此，本文只讲述如何profiling用户。主要有两个方面：①从用户喜欢的物品中提取信息②直接使用用户的个人资料

①从用户喜欢的物品中提取信息

一种方法是利用物品的分类。作者在[3]中利用物品的taxonomy（类别）来构造用户preference参数。具体方法是为每一个用户充值s分（s为定值）。每个用户把这s分平均分配给自己喜欢过的物品上。每个物品再把得到的分数平均分配给它所属的类目（每个物品所属的类目都是已知的，作者从Amazon爬来）。最后，得到分数的类目再把自己的分数按照一定规则分配给自己的父类目。最终，一个用户对应一个length为类目数的向量。个人感觉这个有点太启发式了，描述起来都有点复杂。不过，这是对“如何利用物品类别”的一个有益探索。

可以看到，主要想法还是用物品来表示用户。因此如果是文档推荐，且文档类别未知，那一个最简单的做法是：将每个文档表示成tf-idf向量形式。每个用户则表示为其阅读过的所有文章的向量平均值。

不过还有更好的做法。[17]是一个paper推荐系统。它同[3]的一个巨大区别在于，每个paper的分类是未知的。于是它将用户浏览过的paper使用IBK（AdaBostM1 boosted的KNN算法）归类成不同的topic。训练样本是手工标记的，而且表示所使用的类名来自开放目录DMOZ。根据用户看过哪些topic的paper，系统为用户维护一个topic interest向量。兴趣度在分类目录树上的传播过程同[3]中类似。最后为了反映用户近期爱好，作者引入了时间衰减函数，给近期看过的论文赋予较高的权值。 

②直接使用用户的配置信息

配置信息的使用要比类别信息要更直观一点。[18]使用用户信息来加强传统的CF推荐算法。它使用MovieLens中提供的用户的年龄，性别，职业和邮政编码，为用户显示构造feature向量，如图1。

图1   来自[18]

总结：可以看到，这种显示编码的方式来做用户profile是很有限的——除了用户的个人信息，剩下可以提取的似乎就只有“类别”信息（使用自动聚类方法获得的cluster也算是分类）。这种方法的弊端是，无法捕捉用户或物品间更深层次的关系。一个好的替代则是使用Linked Data，可以看这里。

参考文献：

[3] Taxonomy-driven Computation of Product Recommendations

[17] Ontological User Profiling in Recommender 

[18] COLLABORATIVE FILTERING ENHANCED BY DEMOGRAPHIC CORRELATION