推荐系统读书笔记一--基于用户行为的推荐

基于用户历史行为分析的推荐算法是个性化推荐系统的重要算法，学术界将这种推荐算法称为“协同过滤算法”。顾名思义，协同过滤就是指用户可以齐心协力，通过和网站不断的互动，使自己的推荐列表不断过滤掉自己不喜欢的东西，从而越来越满足自己的需求。

2.1 用户行为数据简介

用户行为可以分为两种：显性反馈行为和隐形反馈行为。

1）显性反馈行为：指用户明确表示喜好的行为，例如评价、打分等。

2）隐形反馈行为：指那些不能明确反应用户喜好的行为，例如浏览网页、观看视频、听音乐等。

根据用户行为数据反馈的方向，可以把用户行为数据分为正反馈和负反馈。

正反馈：指用户倾向于喜好物品的行为。

负反馈：指用户倾向于不喜好物品的行为。

用户行为数据的统一表示：

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 行为种类，比如浏览网页，看视频、购物等

behavior-context 产生行为的上下文，比如时间、地点等

behavior-weight 行为权重，如果是看视频，则权重可以是观看时长，如果是打分，则权重可以是分数

behavior-content 行为内容，如果是评价，则内容是评价的内容，如果是打标签，则内容就是标签

我们在很多时候，并不使用统一的形式来表示行为数据，而是根据具体的用户行为来定义特定的数据形式。