基于Tag标签的推荐-推荐系统

推荐系统-基于Tag标签的推荐

个人介绍

杨晓栋，对世界保持好奇心。

可以使用Tensorflow，进行一些基础模型的搭建，修改和训练工作。

与叶言威，刘瀚乾同学一起努力完成一项大创项目。

未来希望可以有一家属于自己的书店。

基于标签的推荐

​ 基于标签的推荐在我们的生活中很常见。音乐网站，豆瓣，视频网站，这些与文娱相关的网站，随处可见标签的影子。豆瓣的电影标签、书籍标签，网易云音乐的音乐标签，B站的视频标签。属于基于内容的推荐算法。

​ 推荐系统遇到信息过载的时候才有必要，很显然，当书店是一个小书店的时候，书并不多，也不需要推荐系统，只需要简单的分类即可。

​ 我们这里主要讲一个简单的基于标签的推荐算法。

SimpleTagBased

$$p(u,i)=\sum _b{n}_{u,b}{n}_{b,i}$$
​ $n_{u, b} $是用户$u$打过标签$b$的次数，$n_{b, i}$是物品$i$被打过标签$b$的次数。通过标签将用户将物品连接起来。可解释强，会让读者觉得标签是有道理的，基于标签推荐出书也是有道理的。

而标签这种特征表现形式，建立起用户和商品联系，标签是联系用户和物品的纽带。

TagBasedTFIDF

$$p(u,i)=\sum _b\frac{n_{u,b}}{\log \left(1+n_b^{(u)}\right)}{n}_{b,j}$$
​ SimpleTagBased不能反应用户个性化的兴趣，这里我们可以借鉴TF-IDF的思想，对这一公式进行改进。$n_b^{(u)}$记录了标签$b$被多少用户使用过

TagBasedTFIDF++

$$p(u,i)=\sum _b\frac{n_{u,b}}{\log \left(1+n_b^{(u)}\right)}\frac{n_{b,i}}{\log \left(1+n_i^{(u)}\right)}$$
​ 同理我们可以再加入对热门物品进行惩罚。$n_b^{(u)}$记录了标签$b$被多少用户使用过，$n_i^{(u)}$记录了物品$i$被多少用户标记过。

文娱推荐举例——视频

$$p(u,i)=\sum _{b}Q\frac{n_{u,b}}{\log \left(1+n_b^{(u)}\right)}\frac{n_{b,i}}{\log \left(1+n_i^{(u)}\right)}R$$
​ 再加入我们考虑视频本身的质量因素$R$（可以是带时间衰减的观看次数，也可以是上线之后的CTR）,再考虑标签本身的质量$Q$

文娱推荐举例——豆瓣

​ 对用户进行了引导，豆瓣利用标签讲用户的推荐结果作了聚类，显示了对不同标签下用户的推荐结果，增加了推荐的多样性和可解释性。

​ 最终组织页面，提高了推荐结果的多样性，因为读者的兴趣可能在长时间是广泛的，但是某一天比较具体，我们想要在某一天击中用户当天的兴趣，通过标签云，展示了所有读者的兴趣，让读者根据他今天的兴趣去选择相关的标签，得到参考结果，提高了推荐结果的多样性，是推荐结果更容易满足用户多样的兴趣。

总结和个人看法

​ 基于标签的推荐属于基于内容的推荐算法。

基于内容的推荐优点如下：

• 用户之间的独立性。
• 好的可解释性
• 新的item可以立刻得到推荐

基于内容的推荐缺点如下：

• item的特征抽取一般很难。优质的社区，会贡献优质的Tag，实现良性循环，一些电影，书的Tag是人类主观上，高层次的抽取。
• 无法挖掘出用户的潜在兴趣。最后的组织页面在一定程度上解决这个问题（实质上没有解决）。
• 无法为新用户产生推荐。在注册时让用户选一些标签。

​ 基于上面的分析，我认为对于文娱的推荐，基于标签的是不错的选择。文娱类作品区别于电商产品，文娱网站中的电影，书，视频是有内容的，自身都有区别与其他作品的特性，没有哪个作家希望自己的书和别人完全相同，而这些作品也有着一些共性，是有温度的，而用户的这些标签，像是书签，注脚，提炼概况他的内容。这些作品会容易引起人们的共鸣，优质的社区会有同样会有优质的评价和Tag。顾客和读者也就愿意分享他们的感受和评价，而这些Tag是他们的理解，他本身的内容就很好的特征，是人类主观上，高层次的抽取。

​ 因此我认为对于文娱的推荐，基于标签的推荐是不错的选择

愿意分享他们的感受和评价，而这些Tag是他们的理解，他本身的内容就很好的特征，是人类主观上，高层次的抽取。

​ 因此我认为对于文娱的推荐，基于标签的推荐是不错的选择

参考资料：《推荐系统实践》