推荐系统（3)—基于标签的推荐系统（Python）

1介绍

基于推荐系统（3）-基于标签的推荐系统的学习。

2基于标签的推荐系统意义

可解决冷启动问题：新用户APP下载后，选取感兴趣的关注标签，系统可自动推送筛选。
例如：
豆瓣的电影标签、书籍标签；
网易云音乐的音乐标签；
bilibili视频标签；
抖音等短视频APP；

3数据标注与关键词提取

关键词是指能够反映文本语料主题的词语或短语。在不同的业务场景中，词语和短语具有不同的意义。例如：
从电商网站商品标题中提取标签时，词语所传达的意义就比较突出。
从新闻类网站中生成新闻摘要时，短语所传达的意义就比较突出。

3.1数据标注

数据标注即利用人工或AI（人工智能）技术对数据（文本、图像、用户或物品）进行标注。
标注有许多类型，如:
分类标注：即打标签，常用在图像、文本中。一般是指，从既定的标签中选择数据对应的标签，得到的结果是一个封闭的集合。
框框标注：常用在图像识别中，如有一张环路上的行车照片，从中框出所有的车辆。
区域标注：常见于自动驾驶中。例如从一张图片中标出公路对应的区域。
其他标注：除了上述常见的标注类型外，还有许多个性化需求。例如，自动摘要、用户或商品的标签（因为其中总有一些未知标签，当然也可以看成是多分类）。

3.2标签的分类

在推荐系统中，不管是数据标注还是关键词提取，其目的都是得到用户或物品的标签。但是在不同场景下，标签的具体内容是不定的。例如，同样是分类标注，新闻的类别里可以有军事、科技等，但音乐的类别里就很少会涉及军事或科技了。

3.3基于TF-IDF提取标题中的关键词

TF-IDF（Term Frequency–Inverse Document Frequency）是一种用于资讯检索与文本挖掘的常用加权技术。TF-IDF算法的主要思想是：如果某个词或短语在一篇文章中出现的频率TF高，并且在其他文章中很少出现，则认为此词或短语具有很好的类别区分能力，适合用来分类。TF-IDF实际是TF*IDF。

4基于标签的推荐系统原理

4.1标签评分算法

用户对标签的认同度可以使用二元关系表示，如“喜欢”或“不喜欢”；也可以使用“连续数值”表示喜好程度。
二元表示方法简单明了，但精确度不够，在对标签喜好程度进行排序时，也无法进行区分。所以，这里选用“连续数值”来表达用户对标签的喜好程度。
为了计算用户对标签的喜好程度，需要将用户对物品的评分传递给这个物品所拥有的标签，传递的分值为物品与标签的相关度。

4.2用户对标签的依赖程度

4.3优化用户对标签的喜好程度

4.4优化用户对标签的依赖程度

4.5标签基因

4.6用户兴趣建模

4.7补充：基于图的推荐算法（知识图谱）

5代码实例：基于标签推荐算法实现艺术家推荐

基于标签推荐算法实现艺术家推荐
利用标签推荐算法实现一个艺术家推荐系统，即，根据用户已经标记过的标签进行标签兴趣建模，进而为用户推荐喜好标签下最相关的艺术家。
这里使用Last.fm数据集中的数据作为基础数据，该数据集在3.3节有相关的介绍。该实例的具体实现思路如下：
（1）加载并准备数据；
（2）计算每个用户对应的标签基因；
（3）计算用户最终对每个标签的兴趣度；
（4）进行艺术家推荐和效果评估。

数据集

可以参考推荐系统常用数据集

参考

推荐系统（3）-基于标签的推荐系统：https://zhuanlan.zhihu.com/p/97127913