《推荐系统实战》读书笔记（三）

一、利用用户行为数据概述

为了让推荐结果符合用户口味，我们需要深入了解用户，通过用户留下的文字和行为了解用户兴趣和需求。

最简单的做法当然是在用户注册时，主动地表明他的需求。但是，这个方法有3个明显的缺点：首先，现在的自然语言技术很难理解用户来描述兴趣的自然语言；其次，用户的兴趣是不断改变的，很少有用户会不断更新自己的兴趣描述；最后，很多时候用户自己也并不知道自己的兴趣，或者说难以用语言来描述。

基于以上的问题，我们需要通过算法自行挖掘用户行为数据，从用户的行为中推测出用户的兴趣，从而给用户推荐满足他们兴趣的物品。

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，学术界一般将这种类型的算法称为协同过滤算法。

二、用户行为数据简介

用户行为数据在网站上最简单的存在形式就是日志。网站在运行过程中产生大量原始日志，并将其储存在文件系统中。

用户行为在个性化推荐系统中一般分为两种——显示反馈行为（explicit feedback)和隐性反馈行为（implicit feedback）。显示反馈行为比如评分和喜欢/不喜欢。

和显示反馈行为相应的是隐性反馈行为。隐性反馈行为指的是那些不能明确反应用户喜欢的行为，例如页面浏览行为。

按照反馈的明确性分，用户行为数据可以分为显性反馈和隐性反馈，但按照反馈的方向分，又可以分为正反馈和负反馈。正反馈指用户的行为倾向于指用户喜欢该物品，而负反馈指用户的行为倾向于指用户不喜欢该物品。

互联网中的用户行为有很多种，有很多方法来表示用户行为，这里给出其中一种：

当然，在很多时候我们并不使用统一结构表示所有行为，而是针对不同的行为给出不同表示。一般来说，不同数据集包含不同的行为：

• 无上下文信息的隐性反馈数据集
• 无上下文信息的显性反馈数据集
• 有上下文信息的隐性反馈数据集
• 有上下文信息的显性反馈数据集

三、用户行为分析

3.1 长尾分布

互联网上的很多数据分布都满足一种称为Power Law的分布，这种分布在互联网领域被称为长尾分布：

$$f(x) = \alpha x^{k}$$

这里以Delicious和CiteULike数据集为例，横坐标为物品的流行度K，纵坐标为流行度为K的物品总数：

同样是上述两个数据集，横坐标为物品的用户活跃度，纵坐标为具有某个活跃度的所有用户评过分的物品的平均流行度：

3.2 用户活跃度和物品流行度的关系

一般认为，新用户倾向于浏览热门物品，而老用户开始逐渐关心冷门的物品。以MovieLens数据集为例：