推荐系统用户画像标签聚类个性化搜索

最近在做短视频推荐，和别的部门配合着做，我们部门做用户画像这一部分。回头看看，我们部门以前做的用户画像只能称之为“所谓的用户画像”。如果一个人不懂用户画像还好指挥来指挥去真的让人无言，不知道其他公司的有没有这样的人儿那，哈哈，扯远了，言归正传。这篇文章只是对文献[1]的一个总结与实践,像我这种才学浅显的人只能照猫画虎了。
1、标签&标签问题
用户可以对物品打标签，这些标签存在：
（1）标签冗余。比如“父亲”与“爸爸”标签是一个意思。
（2）标签语意不明。如“苹果”可以是苹果手机、水果，也可能是纽约。
（3）各种噪音。拼写错误等。
既然存在问题，有没有能够缓解这种问题的办法呢？聚类就是其中的方法之一
2、标签聚类&聚类算法
“用聚类就行了，多简单！”总是说这句话的人要么是大牛，要么是浅薄。从概率上讲，大牛总是少的，浅薄总是多的，哈哈，老想扯点题外话，收拢回来。
聚类为什么可以缓解标签冗余、模糊和噪音等问题那。
（1）通过聚类，冗余的标签可能归结为一个簇。例如“父亲”与“爸爸”都是一个簇里的标签
（2）某一个标签语义可以通过簇里其他标签的语义加以明确。例如有一个簇：橘子，香蕉，苹果。在该簇中，苹果就是水果。
…………
说道聚类，就会涉及聚类算法。聚类算法很多，这里简单说一下“层次聚类算法”层次聚类PDF。这里借助一个例子简单说一下层次聚类。

如上图所示为层次聚类算法结果图。最上边的水平轴代表了相似度（combination similarity）。举例来说，当我们选择相似度为0.4作为分裂点的时候，我们就可以得到24个聚类簇。选择相似度0.1作为分裂点，就可以得到12个聚类簇。层次聚类不需要事先设定聚类的个数。
3、基于标签的个性化搜索算法
现在，标签已经聚类完成，那么则么计算用户与每个标签簇的关系，物品与每个标签簇的关系？
对于用户u对簇c的兴趣可以计算：

其中A表示<用户、物品、标签>记录条数，R表示物品（资源）集合，简单地说，就是用户大的标签中属于簇c的个数比上用户打的标签的总个数。
物品r对簇c的关系可以计算：

有了用户与标签簇的关系以及物品与标签簇的关系，那么就可以计算出用户对物品的感兴趣程度：

多说一句，计算出relevance（u，r）后就可以作为一种推荐粗过滤的线下模型，为线上推荐提供候选数据。
那么接下来的问题就是，如果用户输入一个标签，怎样根据用户画像为用户返回个性化推荐呢？
对于一个搜索q来说，可以计算出q与物品r的相似度，然后降序排列得到返回列表rankscore（q，r），如果把用户和物品之间的相似度考虑进来，对rankscore（q，r）进行重新排序，则可以返回个性化搜索结果：

到此，我们把用户profile，标签聚类，查询q作为输入，返回了个性化搜索结果p_rankscore

[1]Personalization in Folksonomies Based on Tag Clustering
Jonathan Gemmell, Andriy Shepitsen, Bamshad Mobasher, Robin Burke

推荐系统用户画像标签聚类个性化搜索

推荐系统用户画像标签聚类个性化搜索相关推荐

最新文章

热门文章

推荐系统 用户画像 标签聚类 个性化搜索

推荐系统 用户画像 标签聚类 个性化搜索相关推荐

最新文章

热门文章

推荐系统用户画像标签聚类个性化搜索

推荐系统用户画像标签聚类个性化搜索相关推荐