基于短文本的推荐

很多时候系统只会推送那些大V发布的微博，而对于新人发布的优质内容就会忽略。那么如何避免这一问题呢？首先要做的就是发现优质内容的微博。

 

1. Baseline

1.1 用户特征

（1）基本属性

一般指用户侧的基本属性，如年龄、性别等。由于数据中无相关信息，于是无需进行分析。

（2）用户-博文交叉特征（统计特征）

1）过去一个月：

-发布博文总数

-最大评论数、点赞数、转发数    

-最小评论数、点赞数、转发数

-平均评论数、点赞数、转发数

-众数评论数、点赞数、转发数

-方差评论数、点赞数、转发数

 

2）过去一周:

-发布博文总数

-最大评论数、点赞数、转发数    

-最小评论数、点赞数、转发数

-平均评论数、点赞数、转发数

-众数评论数、点赞数、转发数

-方差评论数、点赞数、转发数

 

 

1.2 微博内容特征

这里暂且不分析，下一节将详细挖掘文本相关特征。

 

1.3 博文时间特征

（1）基本属性

-是星期几

-是否周末

-是否是节假日

-发文时间段（分24个时间段）

 

（2）统计特征

过去一周每个时间段的：

-发布博文总数

-最大评论数、点赞数、转发数    

-最小评论数、点赞数、转发数

-平均评论数、点赞数、转发数

-众数评论数、点赞数、转发数

-方差评论数、点赞数、转发数

 

注：由于预测的数据集中存在没有用户统计特征的数据，为了提高模型的泛化性，最后添加一维特征为

-是否有用户统计特征（过去三个月是否发过微博）

 

2. 文本特征挖掘

 2.1 基于后验的统计特征

根据已经有点赞、评论、转发的微博，来统计每个单词对应的点赞、评论、转发等。

实验结果是大大改进模型的精度，于是如何细化到每人每词的统计特征，但是这样会使得特征十分稀疏，于是把词的粒度放粗，对微博进行聚类，得到每人每类簇的统计特征，从而大大提高模型的效果。

 

2.2 基于聚类的粗粒度统计特征

用户-类别的交互特征

（1）利用训练集训练词向量；

（2）使用词向量对微博进行聚类；

（3）计算每人每类簇的统计特征；