推荐系统实践---第四章：利用用户标签数据

下面简单介绍书中提到的问题以及有哪些解决办法，方便大家对正本书有个整体的把握，同时我也会上传这本书的高清PDF版，本来想不用积分下载，但是系统最少2个，要是哪位没有积分，可以私信我。下载链接如下：

http://download.csdn.net/download/wtt561111/10163609

其他章节内容

推荐系统实践---第一章：好的推荐系统

推荐系统实践---第二章：利用用户行为数据

推荐系统实践---第三章：推荐系统冷启动问题

推荐系统实践---第四章：利用用户标签数据

推荐系统实践---第五章：利用上下文信息

推荐系统实践---第六章：利用社交网络数据

推荐系统实践--第七章：推荐系统实例 第八章：评分预测问题

前面介绍的CF算法，利用的是用户的行为数据，就是用户对商品的动作，为了区别本章内容，称之为用户动作行为数据。

在介绍商品冷启动时，提到了利用商品的内容信息计算商品间的相似度。

本章介绍另外一种数据：用户标签行为数据。就是人为的添加的标签，比如用户对看的一部电影打标签，写博客时作者给博客打的标签。标签分两种：一种是作者或者专家给商品打标签，一种是普通用户对商品打标签。后者被称为UGC。

商品的内容信息和标签信息，都是特征。基于CF的推荐算法不用特征，只用用户行为。

4.1    UGC标签系统的代表应用

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，书和电影评分网站豆瓣等。

4.2    利用用户注册信息

用户为什么进行标注： Morgan Ames研究图片分享网站中用户标注的动机问题，并从社会维度和功能维度进行分析。社会维度：有些标签是为上传者能够更好的组织自己得信息，有些标签是为了其他广大用户找到想要的信息；功能维度：有些标注是为了更好的组织内容，方便用户将来的查找，有些标签是为了传达某些信息，比如照片拍摄的时间和地点。

用户如何打标签：作者基于Delicious数据集做实验。横坐标表示标签的流行度x，纵坐标表示该流行度的所有商品的数量f(x)，服从长尾分布。

用户打什么样的标签：我们希望用户为物品打的标签能够准确的描述物品内容属性，但用户往往不会按照我们预期的想法操作，而是会给物品打上各种奇奇怪怪的标签。Scott A.Golder总结了Delicious上的标签（说到这些有模有样的内容，必须得引经据典，这样才有说服力），分为以下几类：表面物品是什么，表明物品的种类，表明谁拥有该物品，表示用户的观点（搞笑），用户相关的标签（我的最爱），用户的任务（找工作）。

4.3    基于标签的推荐系统

一个标签是用户对物品的一个描述，比如关键词“搞笑”。但是在进行推荐时，用户标签行为数据不仅包括(user_id,item_id,tags)。还包括用户的内容信息和商品的内容信息。（基于CF的推荐，不需要用户和商品的内容信息）

实验设置：实验数据是Delicious数据集和CiteULIke数据集；将数据分为10份，9份用来训练，1份用来测试；评价指标是准确率，召回率，多样性；

最简单的推荐算法：对于一个用户，统计他最常用的标签，然后把具有这些标签的最热物品推荐给该用户。基于此算法，定义用户u对商品i的兴趣公式： P(u,i)=Nub*Nbi 求和。其中Nub表示用户u为所有商品打该标签的次数，Nbi表示该商品被所有用户打该标签的次数。

借鉴TF-IDF对热门标签和热门商品做出惩罚：在上面公式的基础上，除以一个分母：log(1+Nb(u)) *log(1+Ni(u))。其中Nb(u)表示标签b被多少不同用户打过标签，Ni(b)表示商品i被多少不同用户打过标签。

利用标签扩展解决数据稀疏问题：在基于用户标签行为的商品推荐算法中，主要是通过B(u) & B(i)完成。用户u对商品i必须在标签上有交集：用户u打了标签b，并且商品i也被人打了b标签。如果用户u很少打标签，或者商品i很少被人打标签，就会导致该用户u对该商品i的分数为0，无法对其进行推荐。为了避免这种情况，需要对用户和商品进行标签的扩展。最常用的标签扩展方法是通过话题模型，书中介绍比较简单的基于领域的扩展方法。如果两个标签经常同时出现在物品的标签集合中，就认为这两个标签具有很大的相似度。

标签的清理：用户经常为电影打“动作片”标签，说明该用户喜欢“动作片”类型的电影。但是如果用户经常打“不喜欢”标签，我们不能为他推荐“不喜欢”相关的内容；“推荐系统”和“推荐引擎”是一个意思，只保留一个就行了；我们需要用某个标签作为推荐结果的解释，所以需要清理质量不高的标签。一般的标签清理方法：去除词频很高的停止词；去除因词根不同造成同义词，比如“搞笑的”和“搞笑”；去除分隔符在成的同义词，比如“推荐-系统”和“推荐_系统”。

如何保证标签的质量：很多网站采用让用户进行反馈的思想，让用户告诉系统某个标签是否合适。

基于图的推荐算法：基于用户动作行为的数据，可以将用户行为表示在图上，通过随机游走获取概率值，从而进行推荐。现在是基于用户标签行为的数据，由原来的二元组(user,item)变为三元组(user,item,tag)。有两种方法：第一种是对每一个(user,item,tag)，添加三条无向边user_item,user_tag,item_tag。第二种方法是将节点分为三列，分别为用户标签商品，每次添加两条有向边user->tag以及tag->item。在图上表示了用户标签数据后，利用随机游走算法获得概率值，然后进行推荐。

基于标签的推荐具备较好的多样性：用户的兴趣在长时间内是很广泛的，但在某一天却很具体。豆瓣通过标签云，展示了用户所有的兴趣，然后让用户自己根据今天的兴趣选择一个标签，系统通过该标签对其进行推荐。

基于标签的推荐具备较好的解释性：用户首先会觉得标签云是合理的，点击一个标签后，发现根据该标签的推荐也是合理的。

4.4    给用户推荐标签

为什么要给用户推荐标签：方便用户输入；T提高标签质量；

如何给用户推荐标签：给用户推荐系统里最热门的标签；给用户推荐该用户最常用的标签；给用户推荐该物品最长被打的标签；将前面两个的推荐结果相性加权；

基于图的标签推荐算法：根据用户的标签行为生成图，还是利用随机游走确定推荐结果。但是这次不是推荐商品，而是推荐标签，所以启动概率稍微有些不同。