利用用户标签数据

给用户推荐物品的方法中基于物品属性的方法可用隐语义模型得到。一种重要的特征表现方式是标签。打标签的方式有两种，一是专家给物品打标签，另一种是让普通用户给物品打标签（UGC）。当用户对一个物品打上标签时，该标签一方面描述了用户的兴趣，另一方面表示了物品的语义，将用户和物品联系起来。

一、代表应用

1.Delicious：允许用户给每个网页打标签，通过标签重新组织整个互联网。

2.CiteULike：论文书签网站，允许研究人员收藏自己感兴趣的论文并给论文打标签。

3.Last.fm：不进行复杂的音频分析的情况下获得音乐内容信息

4.豆瓣：对图书和电影打标签

5.Hulu：对电视剧和电影进行标记

UGC的优势：可发挥群体的智能，获得对物品内容信息较准确的关键词描述，是提升个性化推荐系统性能的重要资源。

二、标签系统中的推荐问题

1. 用户为何进行标注？

首先是社会维度。给内容上传者使用的，便于上传者组织自己的信息；给广大用户使用的，便于帮助其他用户找到信息。其次是功能维度，便于更好地组织内容，方便用户未来查找。

2. 用户如何打标签？

用户行为数据集中用户活跃度和物品流行度的分布都遵循长尾分布。标签的流行度也呈现非常典型的长尾分布，它的双对数曲线几乎是一条直线。

3.用户打什么样的标签？

表明物品是什么、物品的种类、谁拥有该物品、用户的观点、用户相关的标签（如我最喜欢的、我的评论等）、用户的任务（找工作、即将阅读等）等。

三、基于标签的推荐系统

豆瓣很好地利用了标签数据，将标签系统融入到整个产品线中。如在每本书的页面都提供“豆瓣成员常用标签”的应用。最终的个性化推荐结果里，利用标签将用户的推荐结果做了聚类，显示了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。

一个用户标签行为的数据集一般由一个三元组的集合表示（u,i,b），表示用户u给物品i打上了标签b。

进行实验时用准确率和召回率、覆盖率、多样性测评个性化推荐算法的精度。

1. 一个最简单的算法

1）统计每个用户最常用的标签

2）对每个标签，统计被打过这个标签次数最多的物品

3）对于一个用户，先找到他常用的标签，再找具有这些标签的最热门的物品推荐给该用户

2. 算法的改进