口味提取研究

首先定义广义的“标签”：用户输入、选择单个词组，以及他们在交互过程中提供的全部具有单词性质的词组信息。

 

以QQ为例子来阐述广义标签的概念。在QQ好友印象中，每个好友都有一组描述标签，这可以构成QQ用户的广义标签的一部分。我们还可以对用户的全部签名档进行分词，提取出各种关键词，那么这些关键词也构成了QQ用户的广义标签的一部分。我们还可以获得QQ用户的拍拍信息，他拍过的商品名称、浏览过的商品名称，同样可以成为该QQ用户广义标签的一部分。依次类推，QQ用户的QQ音乐信息、QQ农场信息、QQ群信息等等，只要能够提取出关键词，都可以作为该QQ用户广义标签的一部分。各个部分的标签集合起来，就成为了该QQ用户的广义标签集合。

 

标签在SNS网站的建设中可以发挥重大作用。目前重点研究的领域是利用标签对用户进行聚类，或者说是开发基于用户口味的推荐功能。通过分析用户标签之间的相似度，可以帮助用户找到和他口味相似的人。例如，在对新浪微博的标签研究中，利用简单的机械匹配，我们找到了若干组口味相似的人。这个研究是不完整的，它只为部分人找到了口味很相似的朋友。对于一个完整的系统，我们需要为每个用户都找到口味相似的人。导致不完整的原因，可能有两个：（1）样本不够大 （2）采用的匹配方式过于机械。 对于（1），可以通过扩大样本数量来尝试解决。 对于（2），目前正在研究，计划的方向是引入同义词、近义词模式，例如这篇文章中提出的问题。下面详述近义词匹配的思路。

 

1. 我们已经有的工具：《同义词词林》，里面给出了数万个同义词，为我们的研究打下了基础。但是词林是80年代中期编纂的，很多网络词汇尚未收录，可能对最终效果有一定影响。不过该问题暂时可以忽略，如果效果不佳，再考虑扩展词林等优化。

 

2. 收集TAG。在研究阶段，主要以新浪微博的Tag为主。这里提供了我已经收集的几百个用户的Tag。

 

3. 根据Tag分析用户间相关度。

     i. 机械匹配法

    ii. 先转化成近义词，然后再匹配。例如，在机械匹配法中“唱歌”和“K歌”是两个不相关的词，但是在本方法中，可以转化成同一类词汇。

 

 

最终的效果：

   对全部用户进行聚类，将相关人员按群输出。 同一个用户可以出现在多个群中。

 

如果实现了上述效果，在SNS中就可以实现基于口味的好友推荐了 :-)