推荐系统-基于标签的推荐系统

1.  计算用户对标签的的喜爱程度

用户对物品的喜欢程度a（可以使用频次来计算）

物品与标签的相关度b（有该标签为1，没有该标签为0）

用户对标签的喜爱程度可以使用a*b得到

加入平滑因子可以使当评分行为较少时产生的误差

rate(u,t)用户u对标签t的喜爱程度

rate(u,i)用户u对物品i的喜爱程度

rel(i,t)物品i于标签t的相关度

 

2. 计算用户对标签的依赖程度

用户对某个标签使用的次数越多，用户对该标签的依赖程度就越大。

n(u,t)用户对标签t的使用次数

分母：用户使用的所有标签的次数之和

优化：需要对热门的使用标签进行惩罚，原理和it-idf一样

分子：所有用户数

分母：使用该标签的用户数

依赖公式为：tf-idf = TF(u,t)* IDF(u,t)

所以最后计算用户对标签的喜爱程度的公式为：

pre(u,t) = rate(u,t)*TF-IDF(u,t)

预测建模

用户对标签的兴趣矩阵Tu

商品的标签基因矩阵Ti

用户对商品的喜爱程度的预测公式可以为:

从最终的结果里面选取k个用户推荐给用户