在上一篇博客里面分享的是《推荐系统实践》中冷启动相关的处理算法，对此还不熟悉的读者可以戳这里。

关于这个系列会分为如下几个部分：

《推荐系统实践》算法纯享（附代码链接）（一）—— 评价指标篇
《推荐系统实践》算法纯享（附代码链接）（二）—— 协同过滤篇
《推荐系统实践》算法纯享（附代码链接）（三）—— 冷启动篇
《推荐系统实践》算法纯享（附代码链接）（四）—— UGC推荐篇
《推荐系统实践》算法纯享（附代码链接）（五）—— 借助上下文信息推荐篇
《推荐系统实践》算法纯享（附代码链接）（六）—— 借助社交网络推荐篇
《推荐系统实践》算法纯享（附代码链接）（七）—— 评分预测篇

完整代码链接：https://github.com/Magic-Bubble/RecommendSystemPractice

下面将开始本系列的第四部分——UGC推荐篇。

文章目录

4 UGC推荐
- 4.1 基于用户UGC标签进行推荐
- - 4.1.1 最简单的算法（SimpleTagBased）
  - 4.1.2 利用TF-IDF进行改进（TagBasedTFIDF和TagBasedTFIDF++）
  - 4.1.3 标签扩充改进
  - 4.1.4 基于图的推荐
- 4.2 给用户推荐标签
- - 4.2.1 基于统计的方法
  - 4.2.2 基于图的标签推荐

4 UGC推荐

用户的标签行为数据集一般由(u, i, b)三元组组成，表示用户u给物品i打上了标签b的行为。

4.1 基于用户UGC标签进行推荐

代码链接：https://github.com/Magic-Bubble/RecommendSystemPractice/blob/master/Chapter4/基于用户标签的推荐系统.ipynb

4.1.1 最简单的算法（SimpleTagBased）

在拿到用户标签行为数据之后，一个最容易想到的方法就是：

统计每个用户最常用的标签
对于每个标签，统计被打过这个标签次数最多的物品
对于每个用户，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进行推荐

用公式表示用户u对物品i的兴趣为，其中，nu,bn_{u,b}nu,b是用户u打过标签b的次数，nb,in_{b,i}nb,i是物品i被打过标签b的次数。

p(u,i)=∑bnu,bnb,ip(u, i) = \sum_b n_{u,b}n_{b,i}p(u,i)=b∑nu,bnb,i

4.1.2 利用TF-IDF进行改进（TagBasedTFIDF和TagBasedTFIDF++）

上面的公式倾向于给热门标签对应的热门物品很大的权重，从而不能反映用户个性化的兴趣，因此可以借鉴TF-IDF思想，对上述公式进行改进（TagBasedTFIDF）：

p(u,i)=∑bnu,blog(1+nb(u))nb,ip(u,i)=\sum_b \frac{n_{u,b}}{log(1+n_b^{(u)})} n_{b,i}p(u,i)=b∑log(1+nb(u))nu,bnb,i

其中nb(u)n_b^{(u)}nb(u)记录了标签b被多少个不同的用户使用过。

可见这个公式是对热门标签进行惩罚，当然对于热门物品也可以进行同样的惩罚（TagBasedTFIDF++）：

p(u,i)=∑bnu,blog(1+nb(u))nb,ilog(1+ni(u))p(u,i)=\sum_b \frac{n_{u,b}}{log(1+n_b^{(u)})} \frac{n_{b,i}}{log(1+n_i^{(u)})}p(u,i)=b∑log(1+nb(u))nu,blog(1+ni(u))nb,i

其中ni(u)n_i^{(u)}ni(u)记录了物品i被多少个不同的用户打过标签

4.1.3 标签扩充改进

前面的算法中，用户兴趣和物品的联系是通过B(u)⋂B(i)B(u) \bigcap B(i)B(u)⋂B(i)中的标签建立的。但对于新用户或新物品，这个集合中的标签数量会很少，因此可以考虑对标签集合进行扩展。

一种简单的扩充方法是基于邻域的做法，即通过计算标签之间的相似度进行扩充。对于标签的相似度计算可以从数据中统计，当两个标签同时出现在很多物品的标签集合中时，就可以认为它们具有较大的相似度。

对于标签b，令N(b)N(b)N(b)为有标签b的物品的集合，nb,in_{b,i}nb,i为给物品i打上标签b的用户数，可以用如下的余弦相似度计算标签b和标签b’的相似度：

sim(b,b′)=∑i∈N(b)⋂N(b′)nb,inb′,i∑i∈N(b)nb,i2∑i∈N(b′)nb′,i2sim(b, b')=\frac{\sum_{i\in {N(b) \bigcap N(b')}}n_{b,i}n_{b',i}}{\sqrt{\sum_{i \in N(b)} n_{b,i}^2 \sum_{i \in N(b')} n_{b', i}^2}}sim(b,b′)=∑i∈N(b)nb,i2∑i∈N(b′)nb′,i2∑i∈N(b)⋂N(b′)nb,inb′,i

后续就可以根据这种标签的相似度进行聚合排序，而后作为用户新的标签集合。

4.1.4 基于图的推荐

相比较于协同过滤算法中提到的(User, Item)二元组，这里的数据是(User, Item, Tag)三元组，因此也可以构建成如下的图：

其中ABC表示用户，abc表示物品，123表示标签。在建立了这种图之后，就可以用协同过滤部分提到的PersonalRank算法进行随机游走计算了。

而对于前面的简单算法来说，用户对物品的兴趣公式为：

P(i∣u)=∑bP(i∣b)P(b∣u)P(i|u)=\sum_b P(i|b)P(b|u)P(i∣u)=b∑P(i∣b)P(b∣u)

其实这个可以用简化的图模型来建模，即SimpleTagGraph，如下图所示，它将前面的三条边(User,Item)，(Item, Tag)，(User, Tag)改成了两条边，去掉了(User, Item)边，并且改为了有向图。

这时用PersonalRank算法，设K=1K=1K=1，就等价于前面提到的简单推荐算法SimpleTagBased。

4.2 给用户推荐标签

代码链接：https://github.com/Magic-Bubble/RecommendSystemPractice/blob/master/Chapter4/给用户推荐标签.ipynb

给用户推荐标签的好处在于：1）方便用户输入；2）提升标签质量

4.2.1 基于统计的方法

当用户u给物品i打标签时，有如下4种方法给用户推荐和物品i相关的标签：

PopularTags：给用户u推荐整个系统里面最热门的标签
ItemPopularTags：给用户u推荐物品i上面被打的最热门标签
UserPopularTags：给用户u推荐他自己经常打的标签
HybridPopularTags：线性加权融合方式2、3，对两个列表进行线性相加之前，需要对其按照各自的最大值进行归一化

4.2.2 基于图的标签推荐

在根据用户打标签的行为生成图之后（4.1.4），同样可以利用PersonalRank方法进行排名。这次的问题是，当用户u遇到物品i时，会给物品i打什么样的标签。因此，需要重新定义顶点的启动概率：

PR(v)=rv(k)={αv(k)==v(u)1−αv(k)==v(i)0otherPR(v)=r_{v(k)} = \left\{ \begin{array}{lr} \alpha & v(k)==v(u) \\ 1- \alpha & v(k)==v(i)\\ 0 & other \end{array} \right. PR(v)=rv(k)=⎩⎨⎧α1−α0v(k)==v(u)v(k)==v(i)other

也就是说，只有用户u和物品i对应的顶点有非0的启动概率，而其他顶点的启动概率都为0。在上面的定义中，v(u)v(u)v(u)和v(i)v(i)v(i)的启动概率并不相同，v(u)v(u)v(u)的启动概率是α\alphaα，而v(i)v(i)v(i)的启动概率是1−α1-\alpha1−α。参数α\alphaα可以通过离线实验选择。

对于UGC推荐部分的介绍就到这里，下面将继续分享第五部分——借助上下文信息推荐篇。

《推荐系统实践》算法纯享（附代码链接）（四）—— UGC推荐篇相关推荐

600页！分享珍藏很久的《推荐系统学习手册》（附下载链接及入门经验）
这是之前学习推荐系统时的学习资料,非常全面,包含经典模型的解析及代码实现.模型的评估.最新工业界论文解读等等,全网仅此一份!该手册有PDF版本和Markdown版本,总计有600多页! 资料领取方式: ...
700页！分享珍藏很久的《推荐系统学习手册》（附下载链接及入门经验）
这是之前学习推荐系统时的学习资料,非常全面,包含经典模型的解析及代码实现.模型的评估.最新工业界论文解读等等,全网仅此一份!该手册有PDF版本和Markdown版本,总计有700多页! 资料领取方式: ...
fast rcnn 论文解读（附代码链接）
要解决的问题 1.RCNN和SPPnet分多步训练,先要fine tuning一个预训练的网络,然后针对每个类别都训练一个SVM分类器,最后还要用regressors对bounding-box进行回归 ...
Python 三十大实践、建议和技巧（附代码链接）
来源:授权自AI科技大本营(ID:rgznai100) 本文约4900字,建议阅读10+分钟. 本文为你提供30个Python技巧,请收下! [ 导读 ]2020年,你又立了什么新的 Flag?新一年 ...
独家 | 指南：不平衡分类的成本敏感决策树（附代码链接）
作者:Jason Brownlee 翻译:陈超校对:冯羽本文约3500字,建议阅读10+分钟本文介绍了不平衡分类中的成本敏感决策树算法. 决策树算法对平衡分类是有效的,但在不平衡数据集上却表现不 ...
独家 | 浅谈强化学习原理（附代码链接）
作者:Michel Kana 翻译:王琦校对:王雨桐本文约4900字,建议阅读15分钟. 本文介绍了强化学习的基本原理,并通过代码实例来讲解如何找到最优策略. Google在2017年年底发布了A ...
【干货】推荐系统解构.pdf（附下载链接）
今天给大家带来姚凯飞老师所做的分享<推荐系统解构.pdf>,本分享共包含如下四大部分: 1.推荐概述: 2.关键因素建模: 3.推荐流程拆解: 4.系统&全局生态. 本PPT已收录 ...
手把手教你使用Flask轻松部署机器学习模型（附代码链接） | CSDN博文精选
作者 | Abhinav Sagar 翻译 | 申利彬校对 | 吴金笛来源 | 数据派THU(ID:DatapiTHU) 本文旨在让您把训练好的机器学习模型通过Flask API 投入到生产环境 ...
独家 | 数据转换：标准化vs 归一化（附代码链接）
作者:Clare Liu, 英国金融科技数据科学家翻译:林鹤冲校对:王紫岳本文约2300字,建议阅读10分钟本文将解释数据转换中常见的特征缩放方法:"标准化"和" ...
独家 | 如何用简单的Python为数据科学家编写Web应用程序？（附代码链接）
作者:拉胡尔·阿加瓦尔(Rahul Agarwal), Walmart 实验室的数据科学家翻译:陈之炎校对:闫晓雨本文约4300字,建议阅读10分钟. 本文阐述如何使用StreamLit创建支持 ...

《推荐系统实践》算法纯享（附代码链接）（四）—— UGC推荐篇