基于用户行为分析的推荐算法

基于用户行为分析的推荐算法

这种算法称为协同过滤算法，协同过滤是指用户可以齐心协力，通过不断的和网站互动，使自己的推荐列表能够过滤掉自己不感兴趣的物品，从而越来越满足自己的需求。

用户行为数据简介

用户行为数据最简单的存在形式是日志。很多互联网业务会把原始日志按照用户行为汇总成为会话日志（session log），其中每个会话代表一次用户行为和对应的服务，如展示日志，点击日志。

用户行为在个性化推荐系统中一般分为显性反馈行为（explicit feedback）和隐性反馈行为（implicit feedback）。explicit feedback包括用户明确表示对物品的喜好的行为。implicit feedback 是指那些不能明确反应用户喜好的行为。与explicit feedback相比，隐性反馈虽然不明确，但是数量庞大。

	显性反馈数据	隐性反馈数据
用户兴趣	明确	不明确
数量	很少	庞大
存储	数据库	分布式文件系统
实时读取	实时	有延迟
正负反馈	都有	只有正反馈

用户行为分析

在利用用户行为数据设计推荐算法之前，首先需要对用户行为数据进行分析，了解数据中蕴含的一般规律，这样才能对算法的设计起到指导作用。以下用户行为数据的普遍规律。

用户活跃度和物品流行度的分布

互联网上很多数据分布都满足power Law也称长尾分布。

$$f(x)=\alpha x^k$$
研究发现，用户行为数据也满足power law分布，$f_i(k)$为被k个用户产生行为的物品数，$f_u(k)$为对k个物品产生行为的用户数。即
$$f_i(k)={\alpha }_i{k}_i^{\beta }$$$$f_{}$$