推荐系统实践笔记——第二章_利用用户行为数据

目录

一、用户行为数据简介

二、用户行为分析

三、实验设计

四、基于邻域的算法

五、隐语义模型（参考LiuQQu的博客，版权声明：本文为CSDN博主「LiuQQu」的原创文章）

六、基于图的模型（参考LiuQQu的博客，版权声明：本文为CSDN博主「LiuQQu」的原创文章）

---

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，学术界一般将这类型的算法称为协同过滤算法。

一、用户行为数据简介

用户行为在推荐系统中一般分两种，一种是显性反馈行为，一种是隐性反馈行为。显性反馈行为包括用户明确对物品表示喜好的行为，隐性反馈行为包括那些不能明确反应用户喜好的行为，最具代表性的隐性反馈行为就是页面浏览行为。

二、用户行为分析

互联网数据分布都满足长尾分布，在英文单词的词频研究中发现，将单词的出现频率按照由高到低排列，则每个单词出现的频率和它在热门排行榜中排名的常数次幂成反比，很多研究人员发现在行为数据中也蕴含着这种规律。

令fu(k)为对k个物品产生过行为的用户数，令fi(k)为被k个用户产生过行为的物品数。那么，fu(k)和fi(k)都满足长尾分布。

                                                                                  

一般认为，新用户倾向于浏览热门物品，因为他们对网站不熟悉，只能点击首页热门物品，而老用户逐渐开始浏览冷门物品，下图表明用户越活跃，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，包括基于邻域的方法，隐语义模型，基于图的随机游走算法。其中基于邻域的算法包含：

• 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物品相似的物品。

具体算法原理及代码见算法原理及代码。

三、实验设计

1.数据集

改文章采用的数据集是GroupLens提供的MovieLens数据集（数据集地址），本章选择的是中等大小的数据集，该数据集包括6000多用户对4000多部电影的100万条评分。

2.实验设计

协同过滤算法的离线实验一般如下设计。

首先，将用户的数据集按照均匀分布随机分成M份（本章M=8），挑选一份作为测试集，将剩下的M-1份作为训练集。

然后，在训练集上建立用户兴趣模型&#x