推荐系统 特征工程

推荐系统中，主流的特征工程方法。
用户特征:
·基本信息:用户的年龄、性别、地理位置等基本信息
·行为信息: 用户的点击历史、购买历史、收藏历史等行为信息。
·社交信息: 用户在社交网络上的关系、好友列表等信息。

物品特征:
·基本信息:物品的类别、标签、发布时间等基本信息。
·内容信息:对于文本内容，可以提取关键词、主题等信息,
·图片信息:对于图像内容，可以使用图像特征提取方法获取特征。

上下文特征:
·时间信息:用户行为的时间信息，如小时、星期、季节等。
·环境信息: 用户行为发生的环境，比如设备类型、网络状态等。

交叉特征:
·用户-物品交叉信息: 用户和物品之间的交互信息，如用户购买历史与物品类别的交叉。
·用户-上下文交叉信息: 考虑用户行为发生的时间和地点对推荐的影响。

Embedding 特征:
·用户 Embedding:使用技术如Word2Vec、ltem2Vec等将用户表示为低维向量

·物品 Embedding:类似地，将物品表示为低维向量。

统计特征:
·用户行为次数: 统计用户对物品的点击次数、购买次数等。
·物品流行度: 物品被点击、购买的次数，用于反映物品的热门程度。