《推荐系统实践》读书笔记(四）(用户和物品用标签关联)

推荐系统将用户和物品关联起来的3种方式：

1. 利用用户喜欢得物品，推荐和这批物品相似得的物品；

2. 利用和用户具有相似兴趣的用户群体，推荐这个群体喜欢的物品；

3. 用特征做桥梁关联用户和物品（用户有哪些特征，推荐具备这些特征的物品）

让用户给物品打标签，是王道：1. 节省标注员；2.通过用户爱打什么标签得知他喜欢或者关注哪些方面；

用户给物品打的标签，是分成好多种类的：1. 物品是什么；2.物品的种类；3.用户的观点；

Hulu给视频的标签做了分类；

 

豆瓣在个性化推荐结果里，给推荐结果们按照标签进行了聚类，每一类选择几个推荐出来；从而增加了推荐的多样性；

1. 我们用的：用户标签向量 点乘 物品标签向量，得到用户和物品的相似度；

2. 直接点乘会倾向只推热门标签的物品；可以对用户向量和物品向量进行TF-IDF处理，即分别把”标签在多少用户的向量里出现过“和”该物品被多少用户打过标签“作为IDF; 从而适当惩罚热门标签和热门物品；

3. 新用户来了以后，用户标签向量很稀疏，可以利用同义词近义词扩展标签向量；标签-标签相似度，可以用标签在所有物品上的分数构成向量，2标签的向量求cosine距离即可（标签-物品-标签，有点儿像CF)；

4. 标签清理：最麻烦最恶心的脏活儿累活儿；a.去除词频很高的词；b.对同义词只保留一个; c.收集用户反馈；

5. 基于图的推荐：3组节点：用户，标签，物品；边上赋予权重；可以用PersonalRank迭代得到用户-->物品的分数；

6. 基于标签的推荐解释：豆瓣，上边是从用户历史行为中得到的标签云（字体越大表示权重越大），用户可以选择其中几个标签，则下面的推荐列表会产生相应变化；

7. 提供给用户一些标签让用户去打的好处：节省用户打字的费劲；避免同义词和错别字的干扰；提供哪些标签呢？a.该物品常被打的标签（最重要！）; b. 该用户常打的标签（辅助a）；a与b结合效果最好！