《推荐系统实践》读书笔记——第四章

1 利用用户标签数据

推荐系统的目的是联系用户的兴趣和物品，目前流行的联系用户兴趣和物品的方式为：

1）  利用用户喜欢过的物品，给用户推荐与他喜欢过的物品类似的物品，即基于物品的协同过滤算法；

2）  利用和用户兴趣相似的其他用户，给用户推荐那些与他们相似用户喜欢过的物品，即基于用户的协同过滤算法；

3）  通过一些特征联系用户的兴趣和物品，给用户推荐那些个有用户兴趣的特征的物品。

 

标签：是一种无层次化结构的，用来描述信息的关键词，它可以用来描述物品的语义。标签分为两种，一种是由作者或者专家给物品打标签，另一种是让普通用户给物品打标签，也就是UGC(User Generated Content，用户生成的内容)。UGC的标签系统是一种描述用户兴趣和物品语义的重要方式。

作为音乐或视频推荐，如果要进行音频分析，那是一项很复杂的任务，这个时候，使用UGC标签就很方便。而且，标签系统的最大优势在于可以发挥群体的智能，获得对物品内容信息比较准确的关键词描述。

1.1  标签系统中的推荐问题

打标签作为一种重要的用户行为，蕴含了很多用户兴趣信息，标签系统中的推荐问题主要有以下两个：

1）  如何利用用户打标签的行为为其推荐物品（基于标签的推荐）；

2）  如何在用户给物品打标签的时候为其推荐适合该物品的标签（标签推荐）。

1.2  基于标签的推荐系统

用户用标签来描述对物品的看法，因此标签是联系用户和物品的纽带，也是反应用户兴趣的重要数据源。

一个用户标签行为的数据集一般 一个三元组的集合表示，其中记录（u，I，b）表示用户u给物品i打上了标签b。

最简单的个性化推荐算法：

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，找到他常用的标签，然后找到具有这些标签的最热门物品推荐给这个用户。

但是，这个公式倾向于给热门标签对应的热门物品很大的权重，因此会造成推荐热门的物品给用户。可以借鉴TF-IDF的思想（如果某个词或短语在一篇文章中出现的频率TF很高，并且在其他文章中出现的次数很少，则认为此词或短语具有很好的类别区分能力）对公式进行改进。

然而，如果数据稀疏，即标签数量很少，这个时候，为了提高推荐系统的准确度，我们需要进行标签扩展，标签扩展的本质是对每个标签找到和它相似的标签，也就是计算标签之间的相似度。进行标签扩展的方法主要有两个，一个是根据同义词典扩展，另一个是通过统计出标签的相似度。

不是所有的标签都能反应用户的兴趣，适当的时候，我们需要进行标签清理，标签清理的另一个重要意义在于将标签作为推荐解释，一般来说有如下的标签清理方法：

1）  去除词频很高的停止词（大量使用却没有意义的词）；

2）  去除因词根不同造成的同义词；

3）  去除因分隔符造成的同义词。

1.3  给用户推荐标签

之所以要给用户推荐标签，是因为给用户推荐标签不仅可以方便用户输入标签，而且还可以提高标签质量。

给用户推荐标签比较简单的方法有如下4种：

1）  给用户u推荐整个系统里最热门的标签；

2）  给用户u推荐物品i上最热门的标签；

3）  给用户u推荐用户自己最常用的标签；

4）  结合前面两种方法，推荐标签。