利用用户的行为数据

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。

用户行为数据简介

• 用户行为数据在网站上最简单的存在形式就是日志。
• 用户行为分类
  
  • 显性反馈行为包括用户明确表示对物品喜好的行为。
  • 隐形反馈行为指的是那些不能明确反应用户喜好的行为。（比如页面浏览行为）

• 显性反馈数据与隐性反馈数据的比较

  	显性反馈数据	隐性反馈数据
  用户兴趣	明确	不明确
  数量	较少	庞大
  存储	数据库	分布式文件
  实时读取	实时	有延迟
  正负反馈	都有	只有正反馈

  显性反馈数据和隐性反馈数据实例:

  	显性反馈	隐性反馈
  视频网站	用户对视频的评分	用户观看视频的日志、浏览页面的日志
  电子商务网站	用户对商品的评分	购买日志、浏览日志
  门户网站	用户对新闻的评分	阅读新闻的日志
  音乐网站	用户对音乐/歌手/专辑的评分	听歌的日志

• 比较有代表性的数据集有下面几个

  • 无上下文信息的隐性反馈数据集:每一条行为记录仅仅包含用户ID和物品ID。
  • 无上下文信息的显性反馈数据集:每一条记录包含用户ID、物品ID和用户对物品的评分。
  • 有上下文信息的隐性反馈数据集:每一条记录包含用户ID、物品ID和用户对物品产生行
  • 有上下文信息的显性反馈数据集:每一条记录包含用户ID、物品ID、用户对物品的评分和评分行为发生的时间戳。

用户行为分析

用户活跃度和物品流行度的分布

很多关于互联网数据的研究发现，互联网上的很多数据分布都满足一种称为Power Law的分布，这个分布在互联网领域也称长尾分布。

$$f(x)=ax^k$$
很多研究人员发现，用户行为数据也蕴含着这种规律。令 $f_u(k)$ 为对 $k$个物品产生过行为的用户
数，令 $f_i(k)$为被 $k$个用户产生过行为的物品数。那么， $f_u(k)$和 $f_i(k)$都满足长尾分布。也就是说：
$$f_i(k)=\alpha_ik^{\beta_i}$$
$$f_u(k)=\alpha_uk^{\beta_u}$$

用户活跃度和物品流行度的关系

• 用户越活跃，越倾向于浏览冷门的物品
• 仅仅基于用户行为数据设计的推荐算法一般称为协同过滤算法，有很多方法
  
  • 基于领域的方法（业界得到最广泛的应用）
    
    • 基于用户的协同过滤算法：这种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：这种算法给用户推荐和他之前喜欢的物品相似的物品。
  • 隐语义模型
  • 基于图的随机游走算法

基于领域的算法

基于用户的协同过滤算法（UserCF)

1. 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
2. 计算两个用户的兴趣相似度

这里，协同过滤算法主要利用行为的相似度计算兴趣的相似度。给定用户$u$和用户$v$,令$N(u)$表示用户$u$曾经有过正反馈的物品集合，令$N(v)$为用户$v$曾经有过正反馈的物品集合。那么，我们可以通过如下的Jaccard公式简单地计算$u$和$v$的兴趣相似度：

$$w_{uv}=\frac{|N(u)\bigcap{N(v)}}{N(u)\bigcup{N(v)}}$$
或者通过余弦相似度计算：

$$w_{uv}=\frac{|N(u)\bigcap{N(v)}}{\sqrt{|N(u)||N(v)|}}$$

1. 优化
   该代码对两两用户都利用余弦相似度计算相似度。这种方法的时间复杂度是$O(|U|*|U|)$，这在用户数很大时非常耗时。事实上，很多用户相互之间并没有对同样的物品产生过行为。所以可以先建立物品到用户的倒排表，对于每个物品都保存对该物品产生过行为的用户列表。

2. 计算用户对物品的感兴趣程度

   得到用户之间的兴趣相似度后，UserCF算法会给用户推荐和他兴趣最相似的$K$个用户喜欢的物品。如下的公式度量了UserCF算法中用户$u$对物品$i$的感兴趣程度：
   

   p(u,i)=∑v∈