推荐系统的目的是联系用户的兴趣和物品
流行的推荐系统通过3种方式联系用户兴趣和物品
（1）：利用用户喜欢过的物品，给用户推荐与他喜欢过的物品相似的物品，这是基于物品的算法。
（2）：利用和用户兴趣相似的其他用户，给用户推荐那些和他们兴趣爱好相似的其他用户喜欢的物品，这是基于用户的算法。
（3）：通过一些特征（feature）联系用户和物品，给用户推荐那些具有用户喜欢的特征的物品。
特征有不同的表现形式，可以是物品的属性集合（图书：作者，出版社、主题和关键词），也可以表现为隐语义向量（用户的行为历史）还有种特征表现形式———-标签
标签的定义：
标签是一种无层次化结构的、用来描述信息的关键词，它可以用来 描述物品的语义。根据给物品打标签的人的不同，标签应用一般分为两种：一种是让作者或者专 家给物品打标签；另一种是让普通用户给物品打标签，也就是UGC（User Generated Content，用 户生成的内容）的标签应用。UGC的标签系统是一种表示用户兴趣和物品语义的重要方式。当一 个用户对一个物品打上一个标签，这个标签一方面描述了用户的兴趣，另一方面则表示了物品的 语义，从而将用户和物品联系了起来
UGC:
普通用户给物品打标签，也就是UGC（User Generated Content，用 户生成的内容）的标签应用。
一般用户会打什么样的标签呢？
（1）表明物品是什么（2）表明物品的种类（3）表明谁拥有物品
（4）表达用户的观点（5）用户相关的标签（6）用户的任务
（7）类型（8）时间（9）人物
（10）地点（11）语言（12）奖项
（一）一个简单的标签算法：
（1） 统计每个用户常用的标签
（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，首先找到他常用的标签，然后找到具有这些标签的最热门物品推荐给这个用户。
python标签的推荐算法：
但是上面的推荐算法并不是完美，这里我们需要考虑到对热门标签和热门物品进行打压
可以改进下算法：
借用TF-IDF的思想
标签的清理方法：
（1）去除词频很高的停止词
（2）去除因词根不同造成的同义词
（3）去除因分隔符造成的同义词
（二）基于图的推荐算法
首先，我们需要将用户打标签的行为表示到一张图上。我们知道，图是由顶点、边和边上的 权重组成的。而在用户标签数据集上，有3种不同的元素，即用户、物品和标签。因此，我们需 要定义3种不同的顶点，即用户顶点、物品顶点和标签顶点。然后，如果我们得到一个表示用户u 给物品i打了标签b的用户标签行为(u,i,b)，那么最自然的想法就是在图中增加3条边，首先需要在 用户u对应的顶点v(u)和物品i对应的顶点v(i)之间增加一条边（如果这两个顶点已经有边相连，那 么就应该将边的权重加1），同理，在v(u)和v(b)之间需要增加一条边，v(i)和v(b)之间也需要边相 连接。
图4-11是一个简单的用户—物品—标签图的例子。该图包含3个用户（A、B、C）、3个物品（a、 b、c）和3个标签（1、2、3）。 在定义出用户—物品—标签图后，我们可以用第2章提到的PersonalRank算法计算所有物品节点， 相对于当前用户节点在图上的相关性，然后按照相关性从大到小的排序，给用户推荐排名最高的 N个物品。
（三）给用户推荐标签
给用户推荐标签的意义：
1 方便用户输入
2 提高标签质量
这篇主要讲了使用标签进行推荐，实际中的推荐系统更多是多种推荐的组合。