推荐系统-基于Tag标签的推荐

文章目录

推荐系统-基于Tag标签的推荐

个人介绍

杨晓栋，对世界保持好奇心。

可以使用Tensorflow，进行一些基础模型的搭建，修改和训练工作。

与叶言威，刘瀚乾同学一起努力完成一项大创项目。

未来希望可以有一家属于自己的书店。

基于标签的推荐

基于标签的推荐在我们的生活中很常见。音乐网站，豆瓣，视频网站，这些与文娱相关的网站，随处可见标签的影子。豆瓣的电影标签、书籍标签，网易云音乐的音乐标签，B站的视频标签。属于基于内容的推荐算法。

推荐系统遇到信息过载的时候才有必要，很显然，当书店是一个小书店的时候，书并不多，也不需要推荐系统，只需要简单的分类即可。

我们这里主要讲一个简单的基于标签的推荐算法。

SimpleTagBased

$i)=\sum_{b} n_{u, b} n_{b, i}$
$n_{u, b} $是用户$ u $打过标签$ b $的次数，$ n_{b, i} $是物品$ i $被打过标签$ b$的次数。通过标签将用户将物品连接起来。可解释强，会让读者觉得标签是有道理的，基于标签推荐出书也是有道理的。

在这里插入图片描述

而标签这种特征表现形式，建立起用户和商品联系，标签是联系用户和物品的纽带。

TagBasedTFIDF

$i)=\sum_{b} \frac{n_{u, b}}{\log \left(1+n_{b}^{(u)}\right)} n_{b, j}$
SimpleTagBased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。 $n_{b}^{(u)}$ 记录了标签 $b$ 被多少用户使用过

TagBasedTFIDF++

$i)=\sum_{b} \frac{n_{u, b}}{\log \left(1+n_{b}^{(u)}\right)} \frac{n_{b, i}}{\log \left(1+n_{i}^{(u)}\right)}$
同理我们可以再加入对热门物品进行惩罚。 $n_{b}^{(u)}$ 记录了标签 $b$ 被多少用户使用过， $n_{i}^{(u)}$ 记录了物品 $i$ 被多少用户标记过。

文娱推荐举例——视频

$i)=\sum_{b} {Q}\frac{n_{u, b}}{\log \left(1+n_{b}^{(u)}\right)} \frac{n_{b, i}}{\log \left(1+n_{i}^{(u)}\right)}{R}$
再加入我们考虑视频本身的质量因素 $R$ （可以是带时间衰减的观看次数，也可以是上线之后的CTR）,再考虑标签本身的质量 $Q$

文娱推荐举例——豆瓣

对用户进行了引导，豆瓣利用标签讲用户的推荐结果作了聚类，显示了对不同标签下用户的推荐结果，增加了推荐的多样性和可解释性。

最终组织页面，提高了推荐结果的多样性，因为读者的兴趣可能在长时间是广泛的，但是某一天比较具体，我们想要在某一天击中用户当天的兴趣，通过标签云，展示了所有读者的兴趣，让读者根据他今天的兴趣去选择相关的标签，得到参考结果，提高了推荐结果的多样性，是推荐结果更容易满足用户多样的兴趣。

总结和个人看法

基于标签的推荐属于基于内容的推荐算法。

基于内容的推荐优点如下：

用户之间的独立性。
好的可解释性
新的item可以立刻得到推荐

基于内容的推荐缺点如下：

item的特征抽取一般很难。优质的社区，会贡献优质的Tag，实现良性循环，一些电影，书的Tag是人类主观上，高层次的抽取。
无法挖掘出用户的潜在兴趣。最后的组织页面在一定程度上解决这个问题（实质上没有解决）。
无法为新用户产生推荐。在注册时让用户选一些标签。

基于上面的分析，我认为对于文娱的推荐，基于标签的是不错的选择。文娱类作品区别于电商产品，文娱网站中的电影，书，视频是有内容的，自身都有区别与其他作品的特性，没有哪个作家希望自己的书和别人完全相同，而这些作品也有着一些共性，是有温度的，而用户的这些标签，像是书签，注脚，提炼概况他的内容。这些作品会容易引起人们的共鸣，优质的社区会有同样会有优质的评价和Tag。顾客和读者也就愿意分享他们的感受和评价，而这些Tag是他们的理解，他本身的内容就很好的特征，是人类主观上，高层次的抽取。

因此我认为对于文娱的推荐，基于标签的推荐是不错的选择

愿意分享他们的感受和评价，而这些Tag是他们的理解，他本身的内容就很好的特征，是人类主观上，高层次的抽取。