用戶建模#

用戶建模的目標是把「使用者」轉成系統可運算的特徵與向量，作為推薦演算法的輸入。

推薦系統用的是 User Profile（基於真實資料的用戶特徵），不是產品設計用的 Persona（虛擬人物代表）。兩者不要混淆。

用戶畫像的構成#

用戶畫像 = 人口統計學特徵 + 行為特徵 + 興趣標籤

隱式 vs 顯式回饋#

行為資料分兩種，後續章節（協同過濾、矩陣分解）的選型都圍繞這個分類：

工業界以隱式回饋為主，原因是顯式回饋資料太稀疏，且「用戶說喜歡什麼」往往與「用戶實際做什麼」不一致。

標籤體系設計#

從標籤到 Embedding#

傳統用戶畫像用「標籤」表示用戶；現代推薦系統幾乎都改用「向量」（Embedding）。

Embedding 是後續所有章節的共通語言：矩陣分解產出 user embedding（第 4 章）、雙塔模型用 user tower 產 embedding（第 7 章）。

短期興趣 vs 長期興趣#

實務上會把用戶建模拆成兩層：

兩者通常會分別建 embedding，再在排序層融合。

特徵工程基礎#

從「原始資料」到「模型可吃的特徵」之間，有一道必經的加工。推薦系統的特徵又多又雜（ID、數值、類別、文本），處理方式直接決定模型能不能學得動。

類別特徵的編碼#

用戶 ID、標籤 ID、品牌等都是高基數類別特徵（unique 值可能上百萬），不能直接丟進模型：

數值特徵的正規化#

用戶特徵的尺度差很大：年齡 0100、CTR 01、點擊數可達百萬。尺度不一致會拖慢甚至卡死訓練：

• Min-max / Z-score：把不同特徵拉到相近範圍。
• Log 縮放：點擊數、停留時間常呈長尾（冪律分佈），取 log 後分佈更平滑。

稀疏與特徵交叉#

• 稀疏性：用戶 - 物品矩陣常 99% 以上是空的，多數類別特徵也極稀疏。Embedding 層正是把「百萬維 one-hot」換成「幾十維稠密向量」的關鍵手段，既省記憶體又能對沒見過的值泛化。
• 特徵交叉：線性模型假設特徵彼此獨立，但「年齡 25 × 科技興趣」和「年齡 50 × 科技興趣」其實意義不同。手動交叉（age_bucket × interest）可解釋但成本高；深度模型則能自動學到隱式交叉（見 第 6 章）。

用資訊量挑特徵#

面對上百個候選特徵，可用資訊論判斷哪些值得做：

• 互資訊 I(X;Y) 衡量「知道特徵 X 後，對目標 Y 的不確定性減少多少」，越大越該保留。
• 熵 H(X) 衡量特徵本身的多樣性，太單一（幾乎都同一值）的特徵貢獻有限。

把工程力氣花在高互資訊的特徵上，而不是盲目把所有特徵都做出來。

從文本挖掘用戶興趣#

當行為資料不足時，可以從用戶寫的、看的、按讚的文本中挖標籤。

TF-IDF#

TF-IDF(t,d) = TF(t,d) × IDF(t)

核心：一個詞在某篇文件中出現多、但在整體語料庫中出現少，就是這篇的關鍵詞。

TextRank#

把詞語建成共現圖，套用 PageRank 算每個詞的重要度，取 Top K 為關鍵詞。

命名實體識別（NER）#

從文本中抽出人名、地名、品牌、產品等專有名詞，作為高品質的興趣標籤來源（例如「Apple」「iPhone 15」直接對應到品牌與產品）。

LDA（主題模型）#

假設每篇文件是多個主題的混合，每個主題是多個詞的分佈。輸出：

文件 → 主題分佈 → 詞分佈

實務用途：把「文章」歸到「科技 / 體育 / 政治」這類粗粒度主題，作為使用者興趣的補強訊號。

Word2Vec#

把詞映射到稠密向量，相近語意的詞在向量空間中相近。

from gensim.models import Word2Vec

model = Word2Vec(sentences, vector_size=100, window=5, min_count=1)
vector = model.wv['手機']
similar = model.wv.most_similar('手機')

Word2Vec 的詞向量具加法性質： vector('國王') - vector('男人') + vector('女人') ≈ vector('女王') 這是 Embedding 在文字領域最早被廣泛驗證的重要性質，也啟發了後續 Item2Vec、User2Vec 的做法。

基於內容的推薦#

「基於內容的推薦」嚴格來說是與協同過濾（第 3 章）並列的方法，但因為它只用用戶畫像與物品畫像就能跑，沒有用到「群體智慧」，所以放在這章一起學。

流程#

1. 物品內容分析 → 物品向量
2. 用戶行為彙整 → 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，回傳 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：

weight(t) = weight_0 × e^(-λt)

工程上常用「滑動窗口（最近 N 天 / 最近 K 次行為）」作為近似，避免每次都算指數。

時間與上下文特徵#

衰減只處理了「興趣會變舊」，但用戶偏好還有週期性與情境性，單靠衰減抓不到：

這些把「同一個用戶在不同情境下是不同的人」這件事顯式建進模型。

冷啟動特徵設計#

新用戶沒有歷史行為，從互動學來的 embedding 直接缺席。冷啟動特徵的設計原則是用「不依賴歷史」的訊號優雅降級：

目標是漸進式：歷史完整時用強個人化特徵，歷史為零時退回人口統計與群體先驗，中間平滑過渡。這也呼應 第 5 章 用探索策略主動為新用戶試探興趣。

實踐建議#

1. 標籤粒度：太粗沒區分度，太細覆蓋不足。
2. 多維度組合：人口統計學、行為、文本各有偏差，要混合使用。
3. 長短期分離：長期興趣穩定，短期興趣即時，分開建模再在排序層融合。
4. A/B 測試：建模假設一定要靠線上實驗驗證，別憑直覺。

總結#

下一章：協同過濾