推荐系统——利用用户标签数据

UGC（User generated content用户生成的内容）标签系统的代表应用
UGC标签系统是很多web2.0网站的必要组成部分。

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。其中的推荐问题主要由以下两个：
如何利用用户打标签的行为为其推荐物品？
如何在用户给物品打标签时为其推荐适合该物品的标签？

标签被一个用户使用一次则流行度就加1

用户打什么样的标签：
ScottA.Golder总结的分类如下：
①表明物品是什么
②表明物品的种类：它属于什么
③表明谁拥有物品：比如博客中就包含博客作者等信息
④用户相关的标签：比如my favorite、my comment等
⑤用户的任务：比如to read（即将阅读）、job search（找工作）等

基于标签的推荐系统：

一个最简单的算法步骤：
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对于一个用户，首先找到他常用的标签，然后找到具有这些标签的最热门的物品推荐给这个用户

则用户u对物品i的兴趣公式：

P(u,i) = ∑(b)n(u,b)*n(b,i)

B(u)是用户u打过的标签集合，B(i)是物品i被打过的标签集合，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
规定：

records存储标签数据三元组，records[i] = [user, item, tag];
User_tags存储n(u,b)，user_tags[u][b] = n(u,b)
Tag_items存储n(b,i)，tag_items[b][i] = n(b,i)

算法改进：

①用TF-IDF方法：

n(u)b记录了标签b被多少个不同用户使用过，n(u)i记录物品i被多少个不同的用户打过标签

标签扩展本质是对每个标签找到和它相似的标签，计算相似度。对于标签b，令N(b)为有标签b的物品集合，n_{b,i}为给物品i打上标签b的用户数，可以通过计算b和b’的相似度：

Sim(b,b’) =∑(i∈N(b)∩N(b’)) n(b,i)*n(b’,i) / sqrt[∑(i∈N(b))n^2(b,i) * ∑(i∈N(b’))n^2(b’,i) ]

②标签清理：
要提高标签的质量就要去除一些停止词或者表示情绪的词，其次这些推荐解释里不能包含很多意义相同的词语，一般来说有如下的方法：
①去除词频很高的停止词
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

如何给用户推荐标签：

①推荐整个系统里最热门的标签
②给用户推荐物品i上最热门的标签
③推荐用户自己经常使用的标签
④通过一个系数将上面两种方法的推荐结果线性加权

将两个列表线性相加时都将两个列表按最大值做了归一化