推荐系统中的用户模型设计

用户模型主要用来存储用户兴趣数据，用户模型中对用户的兴趣基于长短兴趣进行描述。

建模数据来源

---

内部数据

内部数据指App或者Web，用户互动产生的行为记录，例如评论、分享等，属于主动行为；浏览、点击等属于被动行为。
需要支出的是，一般基于主动行为我们应该进行特殊加权，主动行为的兴趣强度要高于被动行为。

外部数据

指社交网站等第三方授权数据，对于一个刚上市的产品来说，用户的行为历史很少，这时就需要利用第三方的行为记录对用户兴趣进行刻画。

行为划分

主动行为	被动行为
分享	点击
评论	浏览
收藏	......
喜欢&不喜欢	......
转发	......

用户兴趣刻画

---

可通过Tag、Topic、分类进行基本的兴趣标识。

• Tag：最小粒度单位兴趣标识。
• Topic：Tag的上级父单位，一个Topic下可以由很多Tag组成。
• 分类：分类是最粗粒度的兴趣标识，由于分类是一个用户前端筛选内容的习惯，一直沿用至今，所以推荐系统中也需要保留分类概念。

日志到兴趣的抽取

---

image.png

兴趣权重计算

w(user+1)=top(w(user) * λ + g(c) * h(b))
w(user)：更新之前兴趣点权重，与之前的积累相关。
w(user+1)：是更新结束后回写到用户模型表中的兴趣点权重。
λ：衰减因子，小于等于1.0，可配置。
g(c)：资讯内容模型，与资讯内容本身有关。
h(b)：用户行为参数，调整用户行为影响强弱，正负，与用户具体行为有关，可配置。
top：对结果根据权重进行从大到小排序，取出权值最大的前N个，可配置。
新用户模型=排序topN（旧用户模型行为衰减因子+news权重行为参数）