【推荐系统】利用用户行为数据

为了让推荐结果符合用户口味，我们需要深入了解用户

基于用户行为分析的推荐算法是个性化推荐系统的重要算法，学术界一般将这种类型的算法称为协同过滤算法（用户通过不断地和网站互动，使自己的推荐列表能够不断过滤掉自己不感兴趣的物品，从而使网站推荐的内容越来越满足自己的需求）

• 基于用户的协同过滤算法：给用户推荐和他兴趣相似的其他用户喜欢的物品
• 基于物品的协同过滤算法：给用户推荐和他之前喜欢物品相似的物品

用户行为在个性推荐系统中一般分为两种——显性反馈行为和隐性反馈行为
显性反馈行为包括用户明确表示对物品喜好的行为
隐性反馈行为是指那些不能明确反映用户喜好的行为

协同过滤算法的离线实验设计步骤

1、将用户行为数据集按照均匀分布随机分成M份，挑选一份作为测试集，将剩下的M-1份作为训练集
2、在训练集上建立用户兴趣模型，并在测试集上对用户行为进行预测，统计出相应的评测指标
3、进行M次实验，并且每次都使用不同的测试集
4、将M次实验测出的评测指标的平均值作为最终的评测指标

基于用户的协同过滤算法的主要步骤

（1）找到和目标用户兴趣相似的用户集合
（2）找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户

基于物品的协同过滤算法的主要步骤

（1）计算物品之间的相似度
（2）根据物品的相似度和用户的历史行为给用户生成推荐列表

基于物品的协同过滤算法，在互联网产品中的应用还是比较广泛的，比如亚马逊、豆瓣、Netflix等，都用到了这种推荐算法

最近，在网易云听歌时，发现网易云的歌单推荐也使用了类似的算法
我在学习时，喜欢听纯音乐的歌单，结果它给我推荐的歌单中大部分都是这种类型的

UserCF和ItemCF优缺点的对比