推荐系统之标签相关

在推荐系统中，社会化标签越来越重要。标签是用户对物品的偏好的展示，是用户对物品的看法。因此，标签既可以反映用户的偏好，也可以反映物品的特性。然而标签存在像语意不明、噪音等诸多问题。本文把问题缩小，谈谈标签的一些应用。
1、标签之用户画像
一个用户的兴趣可以通过一系列标签展现出来，然而，如何通过标签展示用户的兴趣并不简单。
（1）出现最多的K个标签展示用户兴趣。该方法简单，然而，由于标签是用户随意的标记，会存在诸多问题。例如，在短视频的推荐中，“短视频”这一标签如果出现次数较多，但该标签没有太大作用，因为该标签太泛化了，远不及“周杰伦”表达的清楚。并且这种统计方法忽略了标签之间的关联。
（2）怎样缓解单个标签语义太过宽泛的问题，文献[1]介绍了一种基于图的方法，该方法的思想大体是用标签组合代替单个标签。如“教学”“吉他”两个标签进行合并就是“教学-吉他”，组合标签语义较明确。怎样发掘组合标签参照文献[1].但这种组合方法可能存在:1)极端情况，标签单独出现问题。2）标签的时效问题
(3)针对以上问题，[1]提出了自适应算法。
2、基于标签的推荐：ICF&UCF混合模型
文献【2】提出了一种混合模型，在此说下个人对该混合模型的理解。为什么混合模型能够提高性能。
1）UCF是基于用户的协同过滤算法，该算法的核心是计算目标用户的最近邻居。根据最近邻居预测用户对物品的兴趣。可以看出，考虑用户的偏好是从用户邻居角度进行的，相似用户具有相似偏好。
2}ICF是基本上是根据候选物品与目标用户已评价过的物品之间的相似度得来的，更加侧重于用户的局部偏好。因此ICF可以看做是对UCF的一种补充。

接下来：标签用户画像构建、标签的聚类问题

【1】Learning User Profiles from Tagging Data and Leveraging
them for Personal(ized) Information Access
【2】Tag-aware Recommender Systems by Fusion of
Collaborative Filtering Algorithms