利用用户的行为数据

给我写信
GitHub

推荐系统

---

为什么要利用用户的行为数据

---

很难要求用户在注册时主动地告诉我们他们喜欢什么，因为：

• 用户的描述语言很难被NLP系统准确全面地理解
• 用户的兴趣在不断变化，但是用户懒得及时地更新他们的兴趣描述
• 用户很难用语言来描述自己的喜好

因此，我们需要通过算法来自动地发掘用户的行为数据，从而推断出用户的喜好。基于用户行为分析的推荐算法一般被称为协同过滤推荐算法（Collaborative Filtering Recommendation）。

协同过滤算法包括多种方法：

• 基于领域的方法（neighborhood-based）
• 隐语义模型（latent factor model）
• 图的随机游走算法（random walk on graph）

应用最广泛的就是基于领域的方法，包括：

• 基于用户的协同过滤算法：向用户推荐与他兴趣相似的其他用户喜欢的物品
• 基于物品的协同过滤算法：向用户推荐与他之前喜欢的物品相似的其他物品

用户行为数据简介

---

显性与隐性反馈行为

• 显性反馈行为：用户对物品进行评价，如喜欢/不喜欢、打5星/2星
• 隐性反馈行为：用户浏览页面、购买商品等

用户行为的表示

数据	描述
user id	产生行为的用户的标识
item id	产生行为的对象的标识
behavior type	行为种类（如购买/浏览）
context	行为的上下文（如时间、地点）
behavior weight	行为的权重（如观看时长、评分的分数）
behaviro content	行为的内容（如评论的内容、标签的内容）

用户行为分析

用户活跃度与物品流行度的分布

生活中的很多数据的分布都满足 Power Law 这个规律，用户行为数据也是如此。

令 $f_{u}(k)$ 为对k个物品产生过行为的用户的数量，$f_i(k)$ 为被k个用户产生过行为的物品的数量，那么 $f_{u}(k)$ 和 $f_{i}(k)$ 都满足长尾分布，即：

$$f_{u}(k) = \alpha_u k^{\beta_u}$$ $$f_{i}(k) = \alpha_i k^{\beta_i}$$

这里，物品流行度指对物品产生过行为的用户总数，用户活跃度指用户产生过行为的物品总数。

基于领域的协同过滤算法

基于领域的协同过滤方法包含基于用户的协同过滤算法（UserCF）和基于物品的协同过滤算法（ItemCF），详见 基于领域的协同过滤算法（UsrCF and ItemCF）。