《推荐系统实践》算法纯享（附代码链接）（四）—— UGC推荐篇

在上一篇博客里面分享的是《推荐系统实践》中冷启动相关的处理算法，对此还不熟悉的读者可以戳这里。

关于这个系列会分为如下几个部分：

《推荐系统实践》算法纯享（附代码链接）（一）—— 评价指标篇
《推荐系统实践》算法纯享（附代码链接）（二）—— 协同过滤篇
《推荐系统实践》算法纯享（附代码链接）（三）—— 冷启动篇
《推荐系统实践》算法纯享（附代码链接）（四）—— UGC推荐篇
《推荐系统实践》算法纯享（附代码链接）（五）—— 借助上下文信息推荐篇
《推荐系统实践》算法纯享（附代码链接）（六）—— 借助社交网络推荐篇
《推荐系统实践》算法纯享（附代码链接）（七）—— 评分预测篇

完整代码链接：https://github.com/Magic-Bubble/RecommendSystemPractice

下面将开始本系列的第四部分——UGC推荐篇。

4 UGC推荐

用户的标签行为数据集一般由(u, i, b)三元组组成，表示用户u给物品i打上了标签b的行为。

4.1 基于用户UGC标签进行推荐

代码链接：https://github.com/Magic-Bubble/RecommendSystemPractice/blob/master/Chapter4/基于用户标签的推荐系统.ipynb

4.1.1 最简单的算法（SimpleTagBased）

在拿到用户标签行为数据之后，一个最容易想到的方法就是：

1. 统计每个用户最常用的标签
2. 对于每个标签，统计被打过这个标签次数最多的物品
3. 对于每个用户，首先找到他常用的标签，然后找到具有这些标签的最热门物品进行推荐

用公式表示用户u对物品i的兴趣为，其中，$n_{u,b}$是用户u打过标签b的次数，$n_{b,i}$是物品i被打过标签b的次数。

$$p(u,i)=\sum _b{n}_{u,b}{n}_{b,i}$$

4.1.2 利用TF-IDF进行改进（TagBasedTFIDF和TagBasedTFIDF++）

上面的公式倾向于给热门标签对应的热门物品很大的权重，从而不能反映用户个性化的兴趣，因此可以借鉴TF-IDF思想，对上述公式进行改进（TagBasedTFIDF）：

$$p(u,i)=\sum _b\frac{n_{u,b}}{log(1+n_b^{(u)})}{n}_{b,i}$$

其中$n_b^{(u)}$记录了标签b被多少个不同的用户使用过。

可见这个公式是对热门标签进行惩罚，当然对于热门物品也可以进行同样的惩罚（TagBasedTFIDF++）：

$$p(u,i)=\sum _b\frac{n_{u,b}}{log(1+n_b^{(u)})}\frac{n_{b,i}}{log(1+n_i^{(u)})}$$

其中$n_i^{(u)}$记录了物品i被多少个不同的用户打过标签

4.1.3 标签扩充改进

前面的算法中，用户兴趣和物品的联系是通过$B(u)\bigcap B(i)$中的标签建立的。但对于新用户或新物品，这个集合中的标签数量会很少，因此可以考虑对标签集合进行扩展。

一种简单的扩充方法是基于邻域的做法，即通过计算标签之间的相似度进行扩充。对于标签的相似度计算可以从数据中统计，当两个标签同时出现在很多物品的标签集合中时，就可以认为它们具有较大的相似度。

对于标签b，令$N(b)$为有标签b的物品的集合，$n_{b,i}$为给物品i打上标签b的用户数，可以用如下的余弦相似度计算标签b和标签b’的相似度：

$$sim(b,b^{\prime })=\frac{{\sum }_{i\in N(b)\bigcap N(b^{\prime })}{n}_{b,i}{n}_{b^{\prime },i}}{\sqrt{{\sum }_{i\in N(b)}{n}_{b,i}^2{\sum }_{i\in N(b^{\prime })}{n}_{b^{\prime },i}^2}}$$

后续就可以根据这种标签的相似度进行聚合排序，而后作为用户新的标签集合。

4.1.4 基于图的推荐

相比较于协同过滤算法中提到的(User, Item)二元组，这里的数据是(User, Item, Tag)三元组，因此也可以构建成如下的图：

其中ABC表示用户，abc表示物品，123表示标签。在建立了这种图之后，就可以用协同过滤部分提到的PersonalRank算法进行随机游走计算了。

而对于前面的简单算法来说，用户对物品的兴趣公式为：

$$P(i|u)=\sum _{b}P(i|b)P(b|u)$$

其实这个可以用简化的图模型来建模，即SimpleTagGraph，如下图所示，它将前面的三条边(User,Item)，(Item, Tag)，(User, Tag)改成了两条边，去掉了(User, Item)边，并且改为了有向图。

这时用PersonalRank算法， 设$K=1$，就等价于前面提到的简单推荐算法SimpleTagBased。

4.2 给用户推荐标签

代码链接：https://github.com/Magic-Bubble/RecommendSystemPractice/blob/master/Chapter4/给用户推荐标签.ipynb

给用户推荐标签的好处在于：1）方便用户输入；2）提升标签质量

4.2.1 基于统计的方法

当用户u给物品i打标签时，有如下4种方法给用户推荐和物品i相关的标签：

1. PopularTags：给用户u推荐整个系统里面最热门的标签
2. ItemPopularTags：给用户u推荐物品i上面被打的最热门标签
3. UserPopularTags：给用户u推荐他自己经常打的标签
4. HybridPopularTags：线性加权融合方式2、3，对两个列表进行线性相加之前，需要对其按照各自的最大值进行归一化

4.2.2 基于图的标签推荐

在根据用户打标签的行为生成图之后（4.1.4），同样可以利用PersonalRank方法进行排名。这次的问题是，当用户u遇到物品i时，会给物品i打什么样的标签。因此，需要重新定义顶点的启动概率：

$$PR(v)=r_{v(k)}=\{\begin{array}{lr}\alpha & v(k)==v(u)\\ 1-\alpha & v(k)==v(i)\\ 0& other\end{array}$$

也就是说，只有用户u和物品i对应的顶点有非0的启动概率，而其他顶点的启动概率都为0。在上面的定义中，$v(u)$和$v(i)$的启动概率并不相同，$v(u)$的启动概率是$\alpha$，而$v(i)$的启动概率是$1-\alpha$。参数$\alpha$可以通过离线实验选择。

对于UGC推荐部分的介绍就到这里，下面将继续分享第五部分——借助上下文信息推荐篇。