首页 > 代码库 > 推荐系统实践第四章： 利用用户标签
推荐系统实践第四章： 利用用户标签
基本上可以通过3种方式联系用户兴趣和物品：
- 用户喜欢过的物品(item-cf)
- 用户的好友或者有相似兴趣的好友喜欢过的物品（user-cf)
- 用户具有哪些feature, 哪些物品保护
之前用了user-cf,item-cf, 现在考虑使用标签进行推荐。
标签是一种无层次化结构的、用来描述信息的关键词。
给物品打标签：
- 专家、作者
- 用户
标签系统中存在的问题：
- 如何基于标签推荐
- 如何给用户推荐标签
基于标签的推荐系统示例：
利用Delicious数据集：（待链接）
格式：userID bookmarkID tagID timestamp
方法如书上介绍：
代码如下：
# -*- coding: UTF-8 -*-‘‘‘Created on 2014??9??15??@author: joeyqzhou‘‘‘import randomdef addValueToMat(theMat,key,value,incr): #theMat是字典格式 #它的value也是字典格式 if key not in theMat: #如果key没出先在theMat中 theMat[key]=dict(); theMat[key][value]=incr;# else: if value not in theMat[key]: theMat[key][value]=incr; else: theMat[key][value]+=incr;user_tags = dict();tag_items = dict();user_items = dict();user_items_test = dict();def InitStat(): #init: data_file = open(‘E:\\RecomDataSet\\Decilious\\bookTag\\user_taggedbookmarks-timestamps.dat‘) line = data_file.readline(); ##去掉第一行 line = data_file.readline(); while line: if random.random()>0.1:##添加xunlianji terms = line.split("\t"); user=terms[0]; item=terms[1]; tag=terms[2]; addValueToMat(user_tags,user,tag,1) addValueToMat(tag_items,tag,item,1) addValueToMat(user_items,user,item,1) line = data_file.readline(); else: addValueToMat(user_items_test,user,item,1) data_file.close(); def Recommend(usr): recommend_list = dict(); tagged_item = user_items[usr]; for tag_,wut in user_tags[usr]: for item_,wit in tag_items[tag_]: if item_ not in tagged_item: if item_ not in recommend_list: recommend_list[item_]=wut*wit; else: recommend_list[item_]+=wut*wit;InitStat();#Recommend(8);recom_len=0;#推荐的总长度hit=0;#预测准确的个数test_len=0;#测试集长度for user in user_items_test:#计算测试集的长度，来计算召回率 test_len+=user_items_test[user].__len__();for user in user_items: for item in user_items[user]: #item被用户打过的标签至少打过一次 if user_items[user][item]>0:#如果打过三次以上就推荐 recom_len+=1; if item in user_items_test: hit+=1;print "precision="+str(hit*1.0/recom_len);print "recall="+str(hit*1.0/test_len);###利用内置sorted函数排序#print sorted(user_items[‘8‘].items(),key=lambda dic:dic[1],reverse=True)
把数据集分为10%测试，90%训练，个人程序跑的结果如下：
准确率：1.8%
召回率：5.6%
- 上面简单的方法可能会造成容易推荐热门，可以利用TF-IDF来优化
- 对于新用户或者新item,标签比较稀疏，那么可以进行标签扩展。方法有：
-
- topic model
- 利用数据统计标签相似度
标签清理
-
- 不是所有标签都反应用户的兴趣（比如“不好笑）
- 有利于给推荐解释
- 方法：去掉停止词，合并同义词或者分隔符造成的同义词。
推荐系统实践第四章： 利用用户标签
声明：以上内容来自用户投稿及互联网公开渠道收集整理发布，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任，若内容有误或涉及侵权可进行投诉： 投诉/举报 工作人员会在5个工作日内联系你，一经查实，本站将立刻删除涉嫌侵权内容。