利用用户行为数据

1.背景

1.1如何了解用户的兴趣和需求：通过用户留下的行为和文字的方式了解

1.2现行了解用户需求的方法

（1）主动

用户在注册的时候主动告诉我们喜欢什么

缺点：我们可能对用户的描述语言存在歧义、用户的兴趣会发生变化、用户无法精准的描述自己的兴趣

（2）被动

利用算法自动挖掘用户行为数据，推测出用户喜欢什么

由于用户的行为的行为非随机，通过用户与网站的互动，用户自身的推荐列表能够不断更新，过滤掉自己不喜欢的物品，从而满足自己的需求

2.用户行为数据简介

用户行为数据是用户在产品上的各种操作行为，比如浏览、点击、播放、购买、搜索、收藏、点赞、评论、转发、加购物车、甚至滑动、暂定、快进快退等等一切操作行为。用户在产品上的操作行为为我们了解用户提供了线索，用户的操作行为也是用户真实意图的反馈。通过挖掘用户行为，我们可以获得对用户兴趣偏好的深刻洞察。

2.1.按照反馈的明确性可以分为

2.1.1.显性反馈行为

明确表示对物品喜好，主要方式为评分以及喜欢/不喜欢

2.1.2.隐形反馈行为

无法明确反应用户的喜好和行为：具有代表性的行为就是用户的页面浏览行为

2.2.按照反馈的方向可以分为

正反馈：用户的行为倾向于用户喜欢该商品

负反馈：用户的行为倾向于用户不喜欢该商品

3.用户行为分析

3.1用户活跃度和物品流行度的分布

物品流行度和用户活跃度均满足长尾分布，越活跃的用户单个的值虽然极低，但是这个长长的尾巴，总和不可小觑

3.2用户活跃度和物品流行度的关系

新用户会倾向于热门物品，老用户会逐渐开始浏览冷门的物品。用户越活跃越倾向于浏览冷门物品(新用户会倾向于热门物品, 老用户会逐渐开始浏览冷门的物品)

仅仅基于用户行为数据设计的推荐算法一般称为协同过滤算法

4、实验设计和算法评测

4.1.数据集：会被分为训练集和测试集

4.2.实验方法

将用户行为数据集按均匀分布随机分成M份，挑一份作为数据集，其他作为测试集；在训练集上建立用户兴趣模型，并在测试集上对用户行为进行预测，统计相应的评价指标；为了防止过度拟合，需要在进行M次实验，并且每次都使用不同的测试集；将M次实验测出的评测指标的平均值作为最终评价指标

4.3.评测指标

5.基于邻域的算法

5.1.基于用户的协同过滤算法 （UserCF）

基本思想：在一个在线个性化推荐系统中，当一个用户A需要个性化推荐时，可以先找到和他有相似兴趣的其他用户，然后把那些用户喜欢的、而用户A没有听说过的物品推荐给A

具体步骤：1）找到和目标用户兴趣相似的用户集合。2）找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。

关键是计算两个用户的兴趣相似度，对两个用户喜欢物品的集合做交集(找到和目标用户兴趣相似的用户集合。)

5.1.1计算用户兴趣相似度

利用Jaccard（杰卡德）公式计算或者余弦相似度

5.1.2 User-IIF 考虑到了物品的热门程度(User-IIF)

两个用户对冷门物品采取过同样的行为更能说明他们兴趣的相似

5.2基于物品的协同过滤的算法（ItemCF）

根据物品的相似度和历史行为给用户生成推荐列表

为什么有了用户协同过滤的算法还需要基于物品协同过滤的算法呢？

1、用户数目的增加导致了兴趣相似度矩阵计算的困难

2、基于用户的协同过滤算法河南队推荐结果做出解释。

5.2.1.核心思想

计算物品之间的相似度，根据物品的相似度和用户的历史行为给用户生成推荐列表

5.2.2.itemIUF 考虑到了用户的活跃度(itemIUF)

认为活跃用户对物品相似度的贡献应小于不活跃用户

通过增加IUF（用户活跃度对数的倒数）参数在来修正物品相似度

6.几个指标的解释

6.1准确率Precision

推荐中的正确数据（与真实数据相同的数据）与推荐数据之比。代表推荐数据中有多少是准确的。查准。

6.2召回率Recall

推荐中的正确数据（与真实数据相同的数据）与真实数据之比。代表所有真实数据中，有多少被推荐出来了。查全。

准确率和召回率有时候两者是相冲突的(准确率Precision, 召回率Recall)如果只推荐了一个结果，且是准确的，则准确率100%，但召回率很低。如果推荐了所有的准确结果，召回率100%，准确率就有可能很低。

6.3.覆盖率Coverage

覆盖率只说明了有多少物品被推荐了，并不能展示出被推荐的次数

例如，100个用户，100个物品。其中有99个物品都只推荐给了1个人，只有1个物品推荐给了所有人。覆盖是100%，但这种推荐系统绝不是大家想要的。

6.4.流行度

就是有多少用户与此物品发生了关系，这个物品被推荐给了多少用户，或者多少用户点击了这个物品。也就是物品出现在推荐列表中的概率。

比如：同样是100个物品，100个用户，如果所有物品都出现在了推荐列表中，且推荐给了所有人，则物品流行度的分布曲线就是平的，效果好。反之如覆盖率一节所举的例子，其曲线就比较陡，效果并不好。