本章主要讲的是如何利用利用用户的标签数据。推荐系统一种重要的工作方式是通过一些特征联系用户和物品，给用户推荐那些具有用户喜欢的特征的物品，而用户标签则是一种很重要的特征表现方式。标签一方面描述了用户的兴趣，蕴含了很多用户兴趣信息，同时也表示了物品的语义，从而将用户和物品联系起来。利用标签解决推荐问题的时候需要注意两个问题：
- 如何为用户设计合适的标签？
- 如何利用用户标签为其推荐物品？
如何为用户设计合适的标签？
标签是能够准确描述物品内容属性的关键词，需要根据具体任务来设定对应的标签。标签最好是系统设计者自己提供的，因为一般用户不是按照设计者的想法操作，而是可能会给物品打上各种奇怪的标签，这对后面的标签清洗带来了很多工作。文中作者对标签的设定写了两种案例。一个是对Delicious的标签总结，Delicious的标签大致包括这几类：
- 表明物品是什么
- 表明物品的种类
- 表明谁拥有物品
- 表达用户的观点
- 用户相关的标签
- 用户的任务
另外一个案例就是Hulu的标签，包括类型、时间、人物、地点、语言、奖项和其他（不能归到特定类的物品均放到其他这一类中）。
如何利用用户标签为其推荐物品？
首先就是要对标签进行清洗。不是所有的标签都能反应用户的兴趣，有些标签反而对推荐结果产生不好的影响，比如用户对一个视频打上“不好笑”的标签，那我们不能将“不好笑”作为该用户的标签而推荐一些“不好笑”的视频给他。而且，标签清洗的另外一个重要意义在于将标签作为推荐解释，清洗后的标签质量得到了提高，从而使得推荐结果更加有说服力。一般标签清洗的方法有下面这些：
- 去除词频很高的停止词
- 去除因词根不同造成的同义词，比如recommender system和recommendation system
- 去除因分隔符造成的同义词，比如collaborative_filtering和collaborative-filtering
- 让用户反馈来修正标签
基于用户标签数据的推荐算法，作者主要还是提出了基于统计信息（根据标签对用户和物品进行统计找联系）或者基于图算法（计算用户和物品之间路径上的权重乘积）的那一套。不过我感觉现在都是直接将标签作为一种特征，对其进行one-hot编码或者直接归一化后传到神经网络中即可。
个人总结：这一章给我印象最深刻的就是标签的推荐解释功能。推荐系统的一个关键点就在于要有说服力。想想看在没有推荐系统的时候我们是怎么寻找物品的？一种很重要的方式就是好友的推荐，好友的一般靠谱，值得信赖，所以推荐系统的一个关键就在于推荐要有说服力，而标签就是提高推荐说服力的一个有力工具。其实有时候用户自己也不知道自己喜欢什么，这时候来个标签对物品进行一个简要的归类，很可能就能让用户对推荐的物品产生兴趣从而购买。不过推荐系统的设计者最好提前设计好一些有用的标签，从而方便用户输入标签（如果要自己写标签，很多用户可能觉得麻烦而不想写），提高标签质量（标签标准没法统一，后面的清洗工作加大）。
网友评论