推荐系统实践 - 基于用户行为分析的推荐算法

协同过滤

基于用户行为分析的推荐算法是个性化推荐系统的重要算法，一般称为协同过滤算法。

1.用户行为数据

用户行为数据在网站上的主要存在形式是日志和会话日志。

用户行为

显性反馈行为：用户明确表示对物品喜好。
隐形反馈行为：不能明确反映用户喜好的行为。

用户行为数据

按照反馈的明确性分，用户行为数据可以分为显性反馈和隐性反馈。

按照反馈的方向分，又可以分为正反馈和负反馈。正反馈指用户的行为倾向于指用户喜欢该物品，而负反馈指用户的行为倾向于指用户不喜欢该物品。
在显性反馈中，很容易区分一个用户行为是正反馈还是负反馈，而在隐性反馈行为中，就相对比较难以确定。

用户行为的统一表示

字段	含义
user id	产生行为的用户的唯一标识
item id	产生行为的对象的唯一标识
behavior type	行为的种类（比如是购买还是浏览）
context	产生行为的上下文，包括时间和地点等
behavior weight	行为的权重（如果是观看视频的行为，那么这个权重可以是观看时长；如果是打分行为，这个权重可以是分数）
behavior content	行为的内容（如果是评论行为，那么就是评论的文本；如果是打标签的行为，就是标签）

无上下文信息的隐性反馈数据集
每一条行为记录仅仅包含用户ID和物品ID。
Book-Crossing①就是这种类型的数据集。

无上下文信息的显性反馈数据集
每一条记录包含用户ID、物品ID和用户对物品的评分。

有上下文信息的隐性反馈数据集
每一条记录包含用户ID、物品ID和用户对物品产生行为的时间戳。Lastfm数据集就是这种类型的数据集。

有上下文信息的显性反馈数据集
每一条记录包含用户ID、物品ID、用户对物品的评分和评分行为发生的时间戳。Netflix Prize提供的就是这种类型的数据集。

2.用户行为分析

用户活跃度和物品流行度的分布