推荐算法(1)：协同过滤总结
推荐算法(2)：基于内容的推荐
推荐算法（3）：利用用户标签数据
推荐算法（4）利用上下文信息
推荐算法（5）利用社交网络数据
推荐算法（6） 实例
推荐算法(7)缺失的评分预测问题
推荐算法（8）评测指标
利用用户标签数据
第一种CB
第二种 UCF
第三种 用户标签行为数据。就是人为的添加的标签，比如用户对看的一部电影打标签，写博客时作者给博客打的标签。标签分两种：一种是作者或者专家给商品打标签，一种是普通用户对商品打标签。后者被称为UGC。
商品的内容信息和标签信息，都是特征。基于CF的推荐算法不用特征，只用用户行为。
1.UGC代表应用：
UGC标签系统的鼻祖Delicious，论文书签网站CiteULike，音乐网站Last.fm，视频网站Hulu，书和电影评分网站豆瓣等。
2.几个问题：
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）？
如何在用户给物品打标签时为其推荐适合该物品的标签（标签推荐）？
用户为什么要打标签？
社会维度：有些标签是为上传者能够更好的组织自己得信息，有些标签是为了其他广大用户找到想要的信息；功能维度：有些标注是为了更好的组织内容，方便用户将来的查找，有些标签是为了传达某些信息，比如照片拍摄的时间和地点。
用户怎么打标签？
横坐标表示标签的流行度x，纵坐标表示该流行度的所有商品的数量f(x)，服从长尾分布。
用户打什么样的标签？
希望用户为物品打的标签能够准确的描述物品内容属性，但用户往往不会按照我们预期的想法操作，而是会给物品打上各种奇奇怪怪的标签。，分为以下几类：表面物品是什么，表明物品的种类，表明谁拥有该物品，表示用户的观点（搞笑），用户相关的标签（我的最爱），用户的任务（找工作）。
3.基于标签的推荐系统
一个标签是用户对物品的一个描述，比如关键词“搞笑”。但是在进行推荐时，用户标签行为数据不仅包括**(user_id,item_id,tags)**。还包括用户的内容信息和商品的内容信息。（基于CF的推荐，不需要用户和商品的内容信息
实验设置：实验数据是Delicious数据集和CiteULIke数据集；将数据分为10份，9份用来训练，1份用来测试；评价指标是准确率，召回率，多样性；
1.SimpleTagBased：
当拿到了用户标签行为数据，相信大家都可以想到一个最简单的个性化推荐算法，这里我们称为SimpleTagBased 。其描述如下所示：
1. 统计每个用户最常用标签
2. 对于每个标签，统计被打过这个标签次数最多的物品
3. 对于一个用户，找到他常用的标签,从而找到具有这些标签的热门物品进行推荐
一个用户标签行为的数据集一般由一个三元组的集合表示，其中记录 (u,i,b) 表示用户 u 给物品 i打上了标签 b。当然，用户的真实标签行为数据远远比三元组表示的要复杂，比如用户打标签的时间、用户的属性数据、物品的属性数据等。所以用户 u 对物品 i 的兴趣公式如下：
2.TagBasedTFIDF
问题：如果一个item很热门，则会导致nb,i很大，那么即使nu,b小，最后的结果也会很大。
推荐完成后，我们再仔细回顾一下，发现一个问题，如果新出的一首流行歌，举个例子，比如说《生僻字》，这首歌可能很多人都听过，也都打了标签，那么 nb,i 就非常大，那么即使 nu,b 很小，用户对《生僻字》的兴趣度也会很大，就很有可能发生推荐错误的情况。*
所以上面这种推荐算法给热门标签对应的热门物品很大的权重，因此会造成推荐热门的物品给用户，从而降低推荐结果的新颖性。另外，这个公式利用用户的标签向量对用户兴趣建模，其中每个标签都是用户使用过的标签，而标签的权重是用户使用该标签的次数。这种建模方法的缺点是给热门标签过大的权重，从而不能反应用户个性化的兴趣。这里我们可以借鉴TF-IDF的思想，对这一公式进行改进，提出TagBasedTFIDF算法：
总体的实现跟 SimpleTagBased SimpleTagBasedSimpleTagBased 没有多大区别，只是在数据处理这个步骤时，需要统计n(u)b
3.TagBasedTFIDF++
同理，我们也可以借鉴 TF−IDF的思想对热门物品进行惩罚，从而得到 TagBasedTFIDF++
4.基于图的推荐算法（三元）
基于用户动作行为的数据，可以将用户行为表示在图上，通过随机游走获取概率值，从而进行推荐。现在是基于用户标签行为的数据，由原来的二元组(user,item)变为三元组(user,item,tag)。有两种方法：第一种是对每一个(user,item,tag)，添加三条无向边user_item,user_tag,item_tag。第二种方法是将节点分为三列，分别为用户标签商品，每次添加两条有向边user->tag以及tag->item。在图上表示了用户标签数据后，利用随机游走算法获得概率值，然后进行推荐。
二、数据的稀疏性
在前边的算法中，用户兴趣和物品的联系是通过B(u) B(i)交集得到的，但是对于新用户，这个交集的结果将会非常小，为了提高推荐结果的可靠性，这里我们要对标签进行扩展，比如若用户曾经用过“推荐系统”这个标签，我们可以将这个标签的相似标签也加入到用户标签集合中，比如“个性化”、“协同过滤”等标签。
进行标签扩展的方法有很多，比如说话题模型，这里遵循简单原则介绍一种基于邻域的方法
**标签扩展的本质是找到与他相似的标签，也就是计算标签之间的相似度。最简单的相似度可以是同义词。**如果有一个同义词词典，就可以根据这个词典进行标签扩展。如果没有这个词典，我们可以从数据中统计出标签的相似度。
如果认为同一个物品上的不同标签具有某种相似度，那么当两个标签同时出现在很多物品的标签集合中时，我们就可以认为这两个标签具有较大的相似度。对于标签b，令N(b)为有标签b的物品的集合，n_{b,i}为给物品i打上标签b的用户数，我们可以通过如下余弦相似度公式计算标签b和标签b’的相似度：
N(b)表示有标记b的物品集合
nb,i表示给物品i标记b的用户数
三、标签清理
不是所有标签都能反应用户的兴趣。比如，在一个视频网站中，用户可能对一个视频打了一个表示情绪的标签，比如“不好笑”，但我们不能因此认为用户对“不好笑”有兴趣，并且给用户推荐其他具有“不好笑”这个标签的视频。相反，如果用户对视频打过“成龙”这个标签，我们可以据此认为用户对成龙的电影感兴趣，从而给用户推荐成龙其他的电影。同时，标签系统里经常出现词形不同、词义相同的标签，比如recommender system和recommendation engine就是两个同义词。
标签清理的另一个重要意义在于将标签作为推荐解释。如果我们要把标签呈现给用户，将其作为给用户推荐某一个物品的解释，对标签的质量要求就很高。首先，这些标签不能包含没有意义的停止词或者表示情绪的词，其次这些推荐解释里不能包含很多意义相同的词语。
一般来说有如下标签清理方法：
去除词频很高的停止词；
去除因词根不同造成的同义词，比如 recommender system和recommendation system；
去除因分隔符造成的同义词，比如 collaborative_filtering和collaborative-filtering。
为了控制标签的质量，很多网站也采用了让用户进行反馈的思想，即让用户告诉系统某个标签是否合适。
四、标签推荐
当用户浏览某个物品时，标签系统非常希望用户能够给这个物品打上高质量的标签，这样才能促进标签系统的良性循环。因此，很多标签系统都设计了标签推荐模块给用户推荐标签。
标签推荐的四种简单算法：
a：给用户u推荐整个系统里最热门的标签（这里将这个算法称为PopularTags）令tags[b]为标签b的热门程度，那么这个算法的实现如下：
b：给用户u推荐物品i上最热门的标签（这里将这个算法称为ItemPopularTags）。令item_tags[i][b]为物品i被打上标签b的次数
def RecommendItemPopularTags(user,item, item_tags, N): return sorted(item_tags[item].items(), key=itemgetter(1), reverse=True)[0:N]c：是给用户u推荐他自己经常使用的标签（这里将这个算法称为UserPopularTags）。令user_tags[u][b]为用户u使用标签b的次数
def RecommendUserPopularTags(user,item, user_tags, N): return sorted(user_tags[user].items(), key=itemgetter(1), reverse=True)[0:N]d：前面两种的融合（这里记为HybridPopularTags），该方法通过一个系数将上面的推荐结果线性加权，然后生成最终的推荐结果。（注意在上面的实现中，我们在将两个列表线性相加时都将两个列表按最大值做了归一化，这样的好处是便于控制两个列表对最终结果的影响，而不至于因为物品非常热门而淹没用户对推荐结果的影响，或者因为用户非常活跃而淹没物品对推荐结果的影响。）
def RecommendHybridPopularTags(user,item, user_tags, item_tags, alpha, N): max_user_tag_weight = max(user_tags[user].values()) for tag, weight in user_tags[user].items(): ret[tag] = (1 – alpha) * weight / max_user_tag_weight max_item_tag_weight = max(item_tags[item].values()) for tag, weight in item_tags[item].items(): if tag not in ret: ret[tag] = alpha * weight / max_item_tag_weight else: ret[tag] += alpha * weight / max_item_tag_weight return sorted(ret[user].items(), key=itemgetter(1), reverse=True)[0:N]`