推荐系统实践 - 04利用用户标签数据

–未经授权，禁止转载–

1 利用用户标签综述

目前的推荐系统基本上通过三种方式联系用户兴趣与物品：对于第三种推荐方法，特征有不同的表现形式，如隐语义向量，标签等。本章主要讨论标签这种特征表现形式。

根据打标签的人不同，可以将标签分为两种：一种是让作者或专家给物品打标签；一种是让用户给物品打标签，即用户生成的内容（User Generated Content, UGC）的应用。当一个用户对物品打上标签，这个标签一方面描述了用户的兴趣，另一方面表示了物品的语义，从而将物品和用户联系起来。

标签系统在各种各样的网站中都得到了广泛应用。它最大的优势在于能够发挥群体智能，获得对物品内容信息比较准确的关键词描述。UGG标签系统的代表应用如下：

• Delicious。Delicious允许用户给互联网上的每个网页打标签，从而通过标签重组整个互联网。比如对豆瓣电台的标签为：music、radio、douban、豆瓣、音乐、web2.0……
• CiteULike。CiteULike是一个论文书签网站，允许研究人员收藏感兴趣的论文并给论文打标签。通过群体智能，让每个研究人员对自己了解的论文进行标记，借此帮助其他人员更好地发现自己感兴趣的论文。
• ……
  
  

2 标签系统中的推荐问题

标签系统中的推荐问题包括：如何利用用户打标签的行为推荐物品（基于标签的推荐），如何在用户给物品打标签时推荐适合该物品的标签（标签推荐）为研究上述问题，需要了解：用户为什么打标签，用户如何打标签，用户打什么样的标签

• 用户为什么打标签

  • 社会维度：便于上传者组织自己的信息；便于帮助其他用户找到信息
  • 功能维度：用于更好地组织内容，方便用户查找；用于传达信息，如拍照时间和地点

• 用户如何打标签
  标签的流行度分布呈长尾分布，如下图所示，横轴表示标签的流行度k，即一个标签被用户的使用次数。纵轴表示流行度为k的标签总数。
  

• 用户打什么样的标签
  可以通过以下几点设计标签：

  • 表明物品是什么。如鸟，豆瓣乔布斯
  • 表明物品的种类。如文章，博客，图书
  • 表明物品拥有者。如作者信息
  • 表明用户观点。如有趣，无聊
  • 用户相关标签。如我喜欢的，我的评论
  • 用户相关任务。如即将阅读，找工作
    
    

  Hulu对电视剧的标签示例：

  • 类型。如医学剧情片
  • 时间。包括电视剧发布时间，或电视剧中剧情发生时间
  • 人物。包括电视剧导演、演员及剧中的重要人物
  • 地点。包括剧情发生地点或拍摄地点
  • 语言。电视剧所使用的语言
  • 奖项。电视剧所获奖项
  • 其他。
    
    

3 基于标签的推荐系统

3.1 实验设置

本节利用准确率（precision）、召回率（recall）、覆盖率（coverage）、多样性（diversity）和新颖度对性能进行测评。

$R(u)$为给用户$u$的长度为$N$的推荐列表，包含系统认为用户会打标签的物品。
$T(u)$为用户$u$实际上打过标签的物品集合。
准确率：系统认为用户会打标签的物品中，用户打过标签的比例
$$Precision=\frac{R(u)\cap T(u)}{R(u)}$$

召回率：用户打过标签的物品中，系统认为用户会打标签的比例
$$Recall=\frac{R(u)\cap T(u)}{T(u)}$$

覆盖率：给所有用户推荐的物品，占所有物品的比例
$$Coverage=\frac{U_{u\in U}R(u)}{I}$$

多样性： 列表中物品的不相似性。其中$s(i,j)$为物品$i$和$j$之间的余弦相似度
D i v e r s i t y = 1 − ∑ s ( i , j ) 1 2 R ( R − 1 ) , i ≠ j Diversity=1-\frac{\sum{s(i,j)}}{\frac{1}{2}R(R-1)},i\neq{j} Diversity=1−