用戶建模#

用戶建模是推薦系統的基礎，目標是通過各種資料構建用戶的興趣畫像。

用戶畫像 vs 用戶角色#

推薦系統中使用的是 User Profile，是基於真實資料的用戶特徵向量。

用戶畫像的構成#

三類資料來源#

用戶畫像 = 人口統計學特徵 + 行為特徵 + 興趣標籤

標籤體系設計#

標籤需要具備以下特點：

從文本挖掘用戶興趣#

關鍵詞提取#

TF-IDF#

TF-IDF(t,d) = TF(t,d) × IDF(t)

其中：
- TF(t,d) = 詞 t 在文檔 d 中的出現次數 / 文檔 d 的總詞數
- IDF(t) = log(總文檔數 / 包含詞 t 的文檔數)

TF-IDF 的核心思想：一個詞在某篇文檔中出現頻率高，但在整個語料庫中出現頻率低，這個詞就是這篇文檔的關鍵詞。

TextRank#

基於 PageRank 的關鍵詞提取：

1. 將文本分詞
2. 構建詞語共現圖
3. 利用 PageRank 計算每個詞的權重
4. 選取權重最高的詞作為關鍵詞

命名實體識別 (NER)#

識別文本中的專有名詞：

• 人名
• 地名
• 機構名
• 品牌名
• 產品名

主題模型#

LDA (Latent Dirichlet Allocation)#

文檔 → 主題分佈 → 詞語分佈

LDA 的假設：

1. 每篇文檔是多個主題的混合
2. 每個主題是多個詞的分佈
3. 生成過程是：先選主題，再選詞

詞嵌入 (Word Embedding)#

將詞語映射到低維稠密向量空間。

Word2Vec#

兩種訓練方式：

# 使用 gensim 訓練 Word2Vec
from gensim.models import Word2Vec

model = Word2Vec(sentences, vector_size=100, window=5, min_count=1)
vector = model.wv['手機']  # 取得詞向量
similar = model.wv.most_similar('手機')  # 相似詞

Word2Vec 的詞向量具有加法性質： vector('國王') - vector('男人') + vector('女人') ≈ vector('女王')

基於內容的推薦#

將用戶畫像和物品畫像映射到同一向量空間，通過計算相似度進行推薦。

流程#

1. 物品內容分析 → 物品向量
2. 用戶行為分析 → 用戶向量
3. 計算用戶向量與物品向量的相似度
4. 按相似度排序，返回 TopK

相似度計算#

優缺點#

用戶興趣衰減#

用戶興趣會隨時間衰減，常用指數衰減模型：

weight(t) = weight_0 × e^(-λt)

其中：
- weight_0：初始權重
- λ：衰減係數
- t：時間差

實踐中，可以使用滑動窗口只保留最近 N 天或最近 K 次行為，簡化計算。

實踐建議#

1. 標籤粒度：太粗沒有區分度，太細覆蓋不足
2. 多維度建模：結合多種特徵，不要只依賴單一維度
3. 實時更新：用戶興趣會變化，需要及時更新畫像
4. A/B 測試：不同的建模方式需要通過實驗驗證效果

總結#