推荐系统实践（项亮）— 第4章 利用用户标签数据

Posted 2021-01-16 eilearn

　　标签应用：一种是让作者或专家给物品打标签；另一种是让普通用户给物品打标签（UGC）。当一个用户对一个物品打上标签，这个标签一方面描述了用户的兴趣，另一方面则表示了物品的语义，从而将用户和物品联系了起来。标签，是一种重要的特征表现方式。

4.1 UGC标签系统的代表应用

　　标签系统的最大优势：发挥群体智力，获得对物品内容信息比较准确的关键词描述，而准确的内容信息是提升个性化推荐系统性能的重要资源。

• Delicious / CiteLike / 豆瓣 / Hulu

4.2 标签系统中的推荐问题
　　主要问题有：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）

　　（1）用户为什么进行标注？

　　两个维度：社会维度，便于其他人找到信息；功能维度，方便自己将来查找。

　　（2）用户如何打标签？

　　标签的流行度：用户在物品上打这个标签的次数。

　　标签的流行度分布也呈现非常典型的长尾分布。

　　（3）用户打什么样的标签？

• 表明物品是什么
• 表明物品的种类
• 表明谁拥有物品
• 表达用户的观点
• 用户相关的标签
• 用户的任务

4.3 基于标签的推荐系统

　　(u,i,b)表示用户u给物品i打上标签b。一个简单的基于标签的推荐算法：

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物品推荐给这个用户。
   那么用户u对物品i的兴趣公式为：
4. 

　　算法的改进：

　　（1）对热门的惩罚

　　上述的公式倾向于给热门标签对应的热门物品很大的权重，因此会造成推荐热门的物品给用户，从而降低推荐结果的新颖性。并且，给热门标签过大的权重，从而不能反应用户个性化的兴趣。书中借鉴了TF-IDF的思想，将公式改进为：

　　适当惩罚热门标签和热门物品，在增进推荐结果个性化的同时，并不会降低推荐结果的离线精度。

　　（2）数据稀疏性

　　对于新用户或者新物品B(u)∩B(i)中的标签会很少，为了提高推荐的准确率，我们可能要对标签集合做扩展，比如若用户曾经用过“推荐系统”这个标签，我们可以将这个标签的相似标签也加入到用户标签集合中，比如“个性化”、“协同过滤”等标签。标签扩展的本质是对每个标签找到和它相似的标签，也就是计算标签之间的相似度。

　　（3）标签清理

　　不是所有的标签都能反应用户的兴趣，要将这一部分标签清理掉。网站通过让用户对标签进行反馈，融合专家和广大用户的知识。

　　（4）基于标签的推荐解释

　　标签云：提高推荐结果多样性；提供解释功能。

4.4 给用户推荐标签

　　（1）作用：方便用户输入标签；提高标签质量；

　　（2）方法：

• 推荐物品上最热门的标签；
• 推荐用户常使用的标签；
• 将前两项进行加权