【推荐系统】利用用户标签数据和上下文信息

利用用户标签数据

推荐系统的目的是联系用户的兴趣和物品，这种联系需要依赖不同的媒介

推荐系统联系用户和物品的几种途径

1、利用用户喜欢过的物品，给用户推荐与他喜欢过的物品相似的物品
2、利用和用户兴趣相似的其他用户，给用户推荐那些和他们兴趣爱好相似的其他用户喜欢的物品
3、通过一些特征联系用户和物品，给用户推荐那些具有用户喜欢的特征和物品

标签是一种无层次化的结构、用来描述信息的关键词，它可以用来描述物品的语义。根据给物品打标签的人的不同，标签应用一般分为两种：一种是让作者或者专家给物品打标签，另一种是让普通用户给物品打标签，也就是UGC的标签应用

标签系统的最大优势在于可以发挥群体的智能，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

标签系统中的推荐问题主要有以下两个：

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合适该物品的标签（标签推荐）？

不是所有标签都能反映用户的兴趣，因此要对一些没有意义的标签进行清理

一般来说，标签清理的方法如下：

• 去除词频很高的停止词
• 去除因词根不同造成的同义词
• 去除因分隔符造成的同义词

给用户推荐标签有以下好处

1、方便用户输入标签
2、提高标签的质量

利用上下文信息

用户所处的上下文，包括访问推荐系统的时间、地点、心情等，对于提高推荐系统是非常重要的，因此，准确了解用户的上下文信息，并将该信息应用于推荐算法是设计好的推荐系统的关键步骤

时间上下文信息

时间是一种重要的上下文信息，对用户兴趣有着深入而广泛的影响

时间信息对用户兴趣的影响表现在以下几个方面

• 用户兴趣是变化的
• 物品是有生命周期的
• 季节效应

在给定时间信息后，推荐系统从一个静态系统变成了一个时变的系统，而用户行为数据也变成了时间序列
用户兴趣是不断变化的，其变化体现在用户不断增加的新行为中。一个实时推荐系统需要能够实时响应用户的新行为，让推荐列表不断变化，从而满足用户不断变化的兴趣

实现推荐系统的实时性除了对用户行为的存取有实时性要求，还要求推荐算法本身具有实时性，而推荐算法本身的实时性意味着：

• 实时推荐系统不能每天都给所有用户离线计算推荐结果，然后在线展示昨天计算出来的结果。所以，要求在每个用户访问推荐系统时，都根据用户这个时间点前的行为实时计算推荐列表
• 推荐算法需要平衡考虑用户的近期和长期行为，即要让推荐列表反映出用户近期行为所体现的兴趣变化，又不能让推荐列表完全受用户近期行为的影响，要保证推荐列表对用户兴趣预测的延续性

使推荐结果具有一定时间多样性的方法：

1、在生成推荐结果时加入一定的随机性
2、记录用户每天看到的推荐结果，然后在每天给用户进行推荐时，对他前几天看到过很多次的推荐结果进行适当地降权
3、每天给用户使用不同地推荐算法

地点上下文信息

除了时间，地点作为一种重要地空间特征，也是一种重要地上下文信息
不同地区地用户兴趣有所不同，用户到了不同的地方，兴趣也会有所不同

用户兴趣和地点相关的两种特征：

• 兴趣本地化：不同地方的用户兴趣存在着很大的差别
• 活动本地化：一个用户往往在附近的地区活动