推荐系统 --- 推荐算法 --- 基于用户行为的推荐算法 - 概述_基于用户行为数据的网站体验评分算法

数据反馈信息

• 显性反馈数据和隐性反馈数据
  • 显性反馈数据
    • 概述
      • 显性反馈行为包括用户明确表示对物品喜好的行为。这里的主要方式就是评分和喜欢/不喜欢。
    • 特点
      • 用户兴趣：明确
      • 数量：较少
      • 存储：数据库
      • 实时读取：实时
      • 正负反馈：都有
    • 案例
      • 视频网站：用户对视频的评分
      • 电子商务网站：用户对商品的评分
      • 门户网站：用户对新闻的评分
      • 音乐网站：用户对音乐/歌手/专辑的评分
  • 隐性反馈数据
    • 概述
      • 隐性反馈行为指的是那些不能明确反应用户喜好 的行为。最具代表性的隐性反馈行为就是页面浏览行为。
    • 特点
      • 用户兴趣：不明确
      • 数量：庞大
      • 存储：分布式文件系统
      • 实时读取：有延迟
      • 正负反馈：只有正反馈
    • 案例
      • 视频网站：用户观看视频的日志、浏览视频页面的日志
      • 电子商务网站：购买日志、浏览日志
      • 门户网站：阅读新闻的日志
      • 音乐网站：听歌的日志
• 正反馈和负反馈
  • 正反馈指用户的行为倾向于指用户喜欢该物品
  • 负反馈指用户的 行为倾向于指用户不喜欢该物品。
• 一般来说，不同的数据集包含不同的行为， 目前比较有代表性的数据集有下面几个
  • 无上下文信息的隐性反馈数据集
    • 每一条行为记录仅仅包含用户ID和物品ID。 Book-Crossing 就是这种类型的数据集。
  • 无上下文信息的显性反馈数据集
    • 每一条记录包含用户ID、物品ID和用户对物品的评分。
  • 有上下文信息的隐性反馈数据集
    • 每一条记录包含用户ID、物品ID和用户对物品产生行为的时间戳。Lastfm数据集就是这种类型的数据集。
  • 有上下文信息的显性反馈数据集
    • 每一条记录包含用户ID、物品ID、用户对物品的评分和评分行为发生的时间戳。Netflix Prize 提供的就是这种类型的数据集。

用户行为分析

• 用户活跃度和物品流行度的分布
• 用户活跃度和物品流行度的关系

基于邻域的算法

• 基于用户的协同过滤算法
• 基于物品的协同过滤算法

隐语义模型（LFM）

• 概述
  • 隐语义模型是最近几年推荐系统领域最为热门的研究话题，它的核心思想是通过隐含特征 (latent factor)联系用户兴趣和物品。
• 人工对物品进行分类的难点
  • 编辑的意见不能代表各种用户的意见。
  • 编辑很难控制分类的粒度。
  • 编辑很难给一个物品多个分类。
  • 编辑很难给出多维度的分类。
  • 编辑很难决定一个物品在某一个分类中的权重。
• 算法概览
  • pLSA
  • LDA
  • 隐含类别模型（latent class model）
  • 隐含主题模型（latent topic model）
  • 矩阵分解（matrix factorization）
• 算法
  • LFM在显性反馈数据（也就是评分数据）上解决评分预测问题并达到了很好的精度。
  • 在隐性反馈数据集上应用LFM解决TopN推荐的第一个关键问题就是如何给每个用户 生成负样本。
    • 方法
      • 对于一个用户，用他所有没有过行为的物品作为负样本。
      • 对于一个用户，从他没有过行为的物品中均匀采样出一些物品作为负样本。
      • 对于一个用户，从他没有过行为的物品中采样出一些物品作为负样本，但采样时，保证 每个用户的正负样本数目相当。
      • 对于一个用户，从他没有过行为的物品中采样出一些物品作为负样本，但采样时，偏重 采样不热门的物品。
    • 特点
      • 对每个用户，要保证正负样本的平衡（数目相似）。
      • 对每个用户采样负样本时，要选取那些很热门，而用户却没有行为的物品。

基于图的模型

• 概述
  • 用户行为 数据是由一系列二元组组成的，其中每个二元组(u, i)表示用户u对物品i产生过行为。这种数据集 很容易用一个二分图① 表示。
  • 一般来说图中顶点的相关性主要取决于下面3个因素
    • 两个顶点之间的路径数；
    • 两个顶点之间路径的长度；
    • 两个顶点之间的路径经过的顶点。
    • 分支主题
    • 分支主题
• 算法
  • PersonalRank算法