推荐系统（二）基于用户数据

文章结构概览

• • 1、用户行为数据

    • 2、用户行为分析

    • • （1）对用户活跃程度及物品流行程度的评估
      • （2）协同过滤相关算法

    • 3、基于邻域的推荐方法

    • • （1）以用户为中心的协同过滤算法UserCF

      • • Step1：评估用户兴趣之间的相似性

      • Step2：对物品进行评分预测

      • （2）以物品为基础的协同过滤算法ItemCF

      • Step1：分析物品之间的相似性关系

      • Step2：对物品进行评分预测

      • （3）UserCF与ItemCF的对比分析

    • 4、隐语义建模方法

    • • （1）基础模型结构
      • （2）LFM与基于邻域方法的性能比较

    • 5、基于图结构的模型应用

    • • （1）用户行为数据在二分图中的表达方式
      • （2）图结构支持下的推荐算法实现方式
      • （3）基于随机游走机制的PersonalRank算法应用

1、用户行为数据特征分析

用户的行为模式通常可划分为两类：（1）显性反馈行为，即用户通过明确方式表达对特定物品偏好的行为；（2）隐性反馈行为，这类行为并未直接体现用户的喜好倾向，例如页面浏览等操作。

|比较类别|显示反馈数据