用户兴趣的模型 浅析

1）什么是用户兴趣？

　　指用户在使用某APP时，所表现的行为倾向性，APP会根据用户的一系列行为表现来确实用户的兴趣。

2）兴趣模型的分类

　　按时间：长期兴趣，短期兴趣；长期兴趣指不容易随着时间而变化的兴趣，相对稳定；短期兴趣指变化比较频繁的兴趣。

　　按表现：显式的兴趣；隐式的兴趣；显式兴趣指用户能显式并愿意主动显示的兴趣，如用户选择性别倾向，订阅频道；隐式兴趣指用户难以直接表述的，但是潜在的用户会不自觉有相关倾向。如用户常打开APP的时间，常浏览和点击的内容。

　　按对象：按照倾向的对象来分，如购买的兴趣，交叉的兴趣，阅读的兴趣，不同的兴趣具有一定的关联。需要识别的行为操作也不一样。

3）兴趣模型的作用：（1）认识用户，直接作一些简单的推荐；（2）在推荐系统的排序模块中加入相关信息，以对推荐候选集进行排序和过滤。(3).......

4）用户兴趣模型的表示方法：用 向量空间模型（Vector Space Model, VSM）来进行表示，即{(t1,w1),(t2,w2),....((tn,wn))}; 其中t1表示特征项，w1表示t1在在模型中的权重，即用户对兴趣t1的感兴趣程度。

5）具体的设计构建

在本应用中，用是对用户兴趣按时间进行划分，即分成长期兴趣和短期兴趣。

其中长趣兴趣是按照一定的策略产生，它主要保存着所感兴趣的大的类别型标签，对应着数据库中商品的二级类目，如“数码”，“箱包”，“游戏” 等，并给与一定的权重。

短期兴趣的时间窗口包含二个，分别是一周、一个月，它是基于统计的方法得到的。在此以一周为例，如以“数码”类目为例，其对应的层次结构如下：

• categoryname:“数码”
• weight:5.6
  • tags: [ (name, weight) ]
  • brands: [ (name, weight) ]
  • behaviors[(name,weight)]  ##辅助用的，可删除

6）实践过程中的关键点（有一些暂时未用到和解决）：

　　对于长期的兴趣：

　　Interest₍₀₎ =  基于统计得到，统计这一段时间，用户对类别行为类型和行为，行为次数。

　　 Interest_{new  也是基于统计得到的。}

　　其兴趣的合并公式如下：

　　　　　　　　　　　　Interest_now  = (1-λ) Interest_old + λ* Interest_new 

　　　　　　　　　　　　λ的值与用户这段时间内的活跃度 和总体用户的活跃度相关。

　　　　　　　　　　　　在计算用户长趣兴趣时 1）设置最低阈值，保留最感兴趣的N个兴趣点（如10个）

　　　　　　　　　　　　　　　　　　　　　　2）根据用户的活跃度，设置多档的衰减速度λ

　　　　　　　　　　　　　　　　　　　　　　3）设置最低的变化率，如果用户这一段时间内行为次数不够，不会引起变化。

　　长期兴趣模型生成的注意点（短期的兴趣：是基于统计得到的，统计过程中要考虑的点）：

1. 　　用户行为操作的权重：不同的操作，其权重也不同，如用户购买和点击的权重不一样。

　　　　　 解决方法：　　初始化时，根据总体用户的操作比例结合常识来对用户的行为权重进行初始化。

　　　　　　　　　　　　针对用户的操作倾向进行个性化的调整，如用户偏爱浏览，但不常加入购物车，偶尔加入购物车，

　　　　　　　　　　　　则其加入购物车的权重会有一定的增加（暂时未加入）

　　　　　【现用的是 对于每一个用户，根据对用户的操作比例进行平滑，并的计算，原则是：】

　　2. 　　流行物品热度的权重：对热门物品进行惩罚，对冷门物品进行加权

　　3.　　标签的权重问题：使用类似于TF-IDF的方式来计算其权重。

　　4.　　用户活跃度的因素：分箱来进行处理，它会影响到 行为的权重、衰减的速度。

　　5.　　 行为在时间上的衰减 (长)：越早的行为对用户当前的兴趣表现越弱，所以对于历史的兴趣，在与新的兴趣进行合并时得

　　　　　进行衰减。

　　　　附：

　　　　

　　　　

　　　　

　　　　

　　　　

　　　　

实现过程中关键因子：

　　　　

　　　　

　　　　

　　　　

参考：https://blog.csdn.net/ytbigdata/article/details/49488897
　　   https://wenku.baidu.com/view/3beeb1d4941ea76e58fa0446.html