【读书笔记】推荐系统实战-第4章：利用用户标签数据

标签是一种无层次化结构的、用来描述信息的关键词，它可以用来描述物品的语义。一种标签是让作者/专家给物品打标签；另一种是让用户给物品打标签，也就是UGC。

4.1 UGC标签系统的代表应用

标签系统的不同作用如下：

• 表达：标签系统帮助我表达对物品的看法

• 组织：打标签帮助我组织我喜欢的电影

• 学习：打标签帮助我增加对电影的了解

• 发现：标签系统使我更容易发现喜欢的电影

• 决策：标签系统帮助我判定是否看某一部电影

4.2 标签系统中的推荐问题

标签系统中的推荐问题主要有以下两个：基于标签的推荐（如何利用用户打标签的行为为其推荐物品）、标签推荐（如何给用户推荐适合物品的标签）。

我们首先需要解答下面的三个问题。

4.2.1 用户为什么进行标注

从社会维度划分，有些标注是给内容上传者使用，便于他们组织自己的信息；有些标注是给广大用户使用的，便于帮助其他用户找到信息。

从功能维度划分，有些标注用于更好地组织内容，方便用户将来的查找；有些标注用于传达某种信息。

4.2.2 用户如何打标签

标签流行度一样服从长尾分布

4.2.3 用户打什么样的标签

标签大体上可以分为以下几类：

• 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

一个用户标签的数据集一般由三元组的集合表示，其中(u,i,b)表示用户u给物品i打上了标签b。

一个简单的算法是，

其中，B(u)使用户u打过的标签集合，B(i)是物品i被打过的标签集合，使用户u打过标签b的次数，是物品i被打过标签b的次数。

针对上述的算法，我们发现一些缺点并提出改进意见：

1）TF-IDF：该公式倾向于给热门标签对应的热门物品很大的权重，因此借鉴TF-IDF的思想我们提出TagBasedTFIDF，即：

其中分母考虑了标签b/物品i分别被多少个不同的用户使用过/打过标签。

2）数据稀疏性：对于新用户或者新物品，BuBi的标签数量会很少。因此我们需要对标签集合做扩展，比如把相似度较高的标签合并到一起。这里我们就需要定义标签的相似度，基于邻域的定义方法如下

3）标签清理：一些标签并不能反映用户的兴趣，比如停止词、表示情绪的词等等，因此需要最标签清理。

当然我们也可以引入基于图的推荐算法，顶点包含用户顶点、物品顶点和标签顶点，如果我们有三元组(u,i,b)，那么就在对应的三个点之间各加一条边。然后使用PersonalRank算法计算节点之间的相关性。

4.4 给用户推荐标签

常用方法基本都基于以下几种思路：

法0：给用户u推荐整个系统上最热门的标签（PopularTags）

法1：给用户u推荐物品i上最热门的标签（ItemPopularTags）

法2：给用户u推荐他自己经常使用的标签（UserPopularTags）

法3：物品和用户的融合（HybridPopularTags）

针对新用户和非热门物品，我们有两个解决思路。第一个思路，从内容数据中抽取关键词作为标签推荐；第二个思路，进行关键词拓展，利用为数不多的已有关键词，引入一些词义、领域相关的标签。