推荐系统算法学习笔记（六）——利用用户标签数据

推荐系统算法学习笔记（六）——利用用户标签数据

目前流行的推荐系统基本上通过3种方式联系用户兴趣和物品。

标签可以用来描述物品。标签应用一般分为两种：一种是让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（UGC）。

1、使用UGC标签系统的代表网站

UGC标签系统的鼻祖Delicious、论文书签网站CiteULike、音乐网站Last.fm、视频网站Hulu、书和电影评论网站豆瓣等。

2、标签系统中的推荐问题

• 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时为其推荐适合该物品的标签（标签推荐）？

2.1 用户为什么要打标签 ？

• 便于上传者组织自己的信息；
• 便于帮助其他用户找到信息；
• 用于更好地组织内容，方便用户将来的查找；
• 用于传达某种信息(比如照片的拍摄时间和地点)。

2.2 用户怎么打标签 ？（用户活跃度和物品流行度的长尾分布）

长尾分布的含义就是排名靠前的物品，虽然排名靠前，但是总的占比较小。

因此要看一下标签流行度的分布。我们定义的一个标签被一个用户使用在一个物品上，它的流行度就加一。如下代码计算了每个标签的流行度。

def TagPopularity(records):
    tagfreq = dict()
    for user,item,tag in records:
        if tag not in tagfreq:
            tagfreq[tag] = 1
        else:
            tagfreq[tag] += 1
    return tagfreq

2.3 用户打什么样的标签（最常用） ？

1. 表明物品是什么,比如CSDN博客的‘CSDN’；
2. 表明物品的种类，比如CSDN博客的‘博客’；
3. 表明谁拥有物品，比如CSDN博客的博主等信息；
4. 类型，比如CSDN博客属于IT行业类型；
5. 人物，比如CSDN博客不同的博主，大牛，菜鸟类似的。

3 基于标签的推荐系统

一个用户标签行为的数据集一般由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