推荐系统采集剖析数据

　　推荐系统采集剖析数据

　　前言

　　本文主要介绍推荐系统怎样采集,分析数据，通过必要的推荐算法，使推荐结果符合用户的个人口味。

　　一.利用用户行为数据目录哪些称作用户行为数据

　　用户行为数据在推荐系统中的定义是：在网站或者应用中用户的浏览,购买,点击,评分,评论等行为都是用户行为。

　　为什么借助用户行为数据

　　为了使推荐结果符合用户口味，我们须要深入了解用户。如何能够了解一个人呢？《论语·公冶长》中说“听其言，观其行”，也就是说可以通过用户留下的文字和行为了解用户兴趣和需求，改善推荐算法，从而让推荐结果符合用户口味。

　　用户行为的分类

　　一般来说，在推荐系统中，用户的行为通常可以分为俩类：显性反馈行为,隐性反馈行为。

　　用户行为的储存

　　用户行为可以分为显性反馈行为，隐性反馈行为。一般来说，显性反馈行为的数据量会远远大于隐性反馈行为的数据量。而且诸如象相关推荐等，实时性要求是比较高的，或许会导致用户行为的储存形式也不一样。在一书中，对于用户行为的储存给出了如下的一般性意见：

　　所以，可以将用户的行为储存在分布式系统HDFS或则数据库，redis中。这主要是取决于用户行为数据量的大小以及对实时性的要求是否高。对于不需要进行实时储存以及剖析的行为，我们可以借助Kafka或则Metaq消息队列进行行为的消费，也就是储存。如下：

　　基于用户的协同过滤算法

　　基于用户的协同过滤算法是推荐系统中最古老的算法。这种算法给用户推荐和他兴趣相像的其他用户喜欢的物品。比如当一个用户A须要个性化推荐时，可以先找到和他有相像兴趣的其他用户，然后把这些用户喜欢的、而用户A没有听说过的物品。

　　基于物品的协同过滤算法

　　基于物品的协同过滤算法 这种算法给用户推荐和他之前喜欢的物品相像的物品。

　　二.利用用户标签数据目录背景

　　我们一般会说给某个人贴标签，其实标签是推荐系统中一种重要的特点表现形式。利用好标签，推荐系统可以给用户返回更符合用户个人口味的推荐结果。

　　为什么借助标签

　　推荐系统的目的是联系用户的兴趣和物品，这种联系须要依赖不同的媒介。GroupLens在一篇文章中表示目前流行的推荐系统基本上通过3种形式联系用户兴趣和物品。如图4-1所示，第一种方法是借助用户喜欢过的物品，给用户推荐与他喜欢过的物品相像的物品，这就是上面提及的基于物品的算法。第二种方法是借助和用户兴趣相像的其他用户，给用户推荐这些和她们兴趣爱好相像的其他用户喜欢的物品，这是上面提及的基于用户的算法。除了这两种方式，第三种重要的方法是通过一些特点（feature）联系用户和物品，给用户推荐这些具有用户喜欢的特点的物品。这里的特点有不同的表现形式，比如可以表现为物品的属性集合（比如对于图书，属性集合包括作者、出版社、主题和关键词等），也可以表现为隐语义向量（latent factor vector），这可以通过上面提出的隐语义模型习得到。本章将讨论一种重要的特点表现形式——标签。如图:

　　标签的分类

　　UGC标签

　　指的是用户为内容打的标签。

　　PGC标签

　　指的是专家为内容打的标签。

　　三.借助上下文信息

　　准确了解用户的上下文信息（包括时间、地点、心情等），对于提高推荐疗效有重要作用。

　　四.利用社交网路数据谢谢&总结

　　本文主要参考了项亮老师的一书，主要分享了本文主要介绍推荐系统怎样采集,分析数据，通过必要的推荐算法，使推荐结果符合用户的个人口味。