下面簡單介紹書中提到的問題以及有哪些解決辦法，方便大家對正本書有個整體的把握，同時我也會上傳這本書的高清PDF版，本來想不用積分下載，但是系統最少2個，要是哪位沒有積分，可以私信我。下載連結如下：

其他章節內容

前面介紹的CF演算法，利用的是使用者的行為資料，就是使用者對商品的動作，為了區別本章內容，稱之為使用者動作行為資料。

在介紹商品冷啟動時，提到了利用商品的內容資訊計算商品間的相似度。

本章介紹另外一種資料：使用者標籤行為資料。就是人為的新增的標籤，比如使用者對看的一部電影打標籤，寫部落格時作者給部落格打的標籤。標籤分兩種：一種是作者或者專家給商品打標籤，一種是普通使用者對商品打標籤。後者被稱為UGC。

商品的內容資訊和標籤資訊，都是特徵。基於CF的推薦演算法不用特徵，只用使用者行為。

4.1    UGC標籤系統的代表應用

使用UGC標籤系統的代表網站：UGC標籤系統的鼻祖Delicious，論文書籤網站CiteULike，音樂網站Last.fm，視訊網站Hulu，書和電影評分網站豆瓣等。

4.2    利用使用者註冊資訊

使用者為什麼進行標註： Morgan Ames研究圖片分享網站中使用者標註的動機問題，並從社會維度和功能維度進行分析。社會維度：有些標籤是為上傳者能夠更好的組織自己得資訊，有些標籤是為了其他廣大使用者找到想要的資訊；功能維度：有些標註是為了更好的組織內容，方便使用者將來的查詢，有些標籤是為了傳達某些資訊，比如照片拍攝的時間和地點。

使用者如何打標籤：作者基於Delicious資料集做實驗。橫座標表示標籤的流行度x，縱座標表示該流行度的所有商品的數量f(x)，服從長尾分佈。

使用者打什麼樣的標籤：我們希望使用者為物品打的標籤能夠準確的描述物品內容屬性，但使用者往往不會按照我們預期的想法操作，而是會給物品打上各種奇奇怪怪的標籤。Scott A.Golder總結了Delicious上的標籤（說到這些有模有樣的內容，必須得引經據典，這樣才有說服力），分為以下幾類：表面物品是什麼，表明物品的種類，表明誰擁有該物品，表示使用者的觀點（搞笑），使用者相關的標籤（我的最愛），使用者的任務（找工作）。

4.3    基於標籤的推薦系統

一個標籤是使用者對物品的一個描述，比如關鍵詞“搞笑”。但是在進行推薦時，使用者標籤行為資料不僅包括(user_id,item_id,tags)。還包括使用者的內容資訊和商品的內容資訊。（基於CF的推薦，不需要使用者和商品的內容資訊）

實驗設定：實驗資料是Delicious資料集和CiteULIke資料集；將資料分為10份，9份用來訓練，1份用來測試；評價指標是準確率，召回率，多樣性；

最簡單的推薦演算法：對於一個使用者，統計他最常用的標籤，然後把具有這些標籤的最熱物品推薦給該使用者。基於此演算法，定義使用者u對商品i的興趣公式： P(u,i)=Nub*Nbi 求和。其中Nub表示使用者u為所有商品打該標籤的次數，Nbi表示該商品被所有使用者打該標籤的次數。

借鑑TF-IDF對熱門標籤和熱門商品做出懲罰：在上面公式的基礎上，除以一個分母：log(1+Nb(u)) *log(1+Ni(u))。其中Nb(u)表示標籤b被多少不同使用者打過標籤，Ni(b)表示商品i被多少不同使用者打過標籤。

利用標籤擴充套件解決資料稀疏問題：在基於使用者標籤行為的商品推薦演算法中，主要是通過B(u) & B(i)完成。使用者u對商品i必須在標籤上有交集：使用者u打了標籤b，並且商品i也被人打了b標籤。如果使用者u很少打標籤，或者商品i很少被人打標籤，就會導致該使用者u對該商品i的分數為0，無法對其進行推薦。為了避免這種情況，需要對使用者和商品進行標籤的擴充套件。最常用的標籤擴充套件方法是通過話題模型，書中介紹比較簡單的基於領域的擴充套件方法。如果兩個標籤經常同時出現在物品的標籤集合中，就認為這兩個標籤具有很大的相似度。

標籤的清理：使用者經常為電影打“動作片”標籤，說明該使用者喜歡“動作片”型別的電影。但是如果使用者經常打“不喜歡”標籤，我們不能為他推薦“不喜歡”相關的內容；“推薦系統”和“推薦引擎”是一個意思，只保留一個就行了；我們需要用某個標籤作為推薦結果的解釋，所以需要清理質量不高的標籤。一般的標籤清理方法：去除詞頻很高的停止詞；去除因詞根不同造成同義詞，比如“搞笑的”和“搞笑”；去除分隔符在成的同義詞，比如“推薦-系統”和“推薦_系統”。

如何保證標籤的質量：很多網站採用讓使用者進行反饋的思想，讓使用者告訴系統某個標籤是否合適。

基於圖的推薦演算法：基於使用者動作行為的資料，可以將使用者行為表示在圖上，通過隨機遊走獲取概率值，從而進行推薦。現在是基於使用者標籤行為的資料，由原來的二元組(user,item)變為三元組(user,item,tag)。有兩種方法：第一種是對每一個(user,item,tag)，新增三條無向邊user_item,user_tag,item_tag。第二種方法是將節點分為三列，分別為使用者標籤商品，每次新增兩條有向邊user->tag以及tag->item。在圖上表示了使用者標籤資料後，利用隨機遊走演算法獲得概率值，然後進行推薦。

基於標籤的推薦具備較好的多樣性：使用者的興趣在長時間內是很廣泛的，但在某一天卻很具體。豆瓣通過標籤雲，展示了使用者所有的興趣，然後讓使用者自己根據今天的興趣選擇一個標籤，系統通過該標籤對其進行推薦。

基於標籤的推薦具備較好的解釋性：使用者首先會覺得標籤雲是合理的，點選一個標籤後，發現根據該標籤的推薦也是合理的。

4.4    給使用者推薦標籤

為什麼要給使用者推薦標籤：方便使用者輸入；T提高標籤質量；

如何給使用者推薦標籤：給使用者推薦系統裡最熱門的標籤；給使用者推薦該使用者最常用的標籤；給使用者推薦該物品最長被打的標籤；將前面兩個的推薦結果相性加權；