流行的推薦系統通過3種方式聯系用戶興趣和物品

（1）：利用用戶喜歡過的物品，給用戶推薦與他喜歡過的物品相似的物品，這是基于物品的算法。
（2）：利用和用戶興趣相似的其他用戶，給用戶推薦那些和他們興趣愛好相似的其他用戶喜歡的物品，這是基于用戶的算法。
（3）：通過一些特征（feature）聯系用戶和物品，給用戶推薦那些具有用戶喜歡的特征的物品。

特征有不同的表現形式，可以是物品的屬性集合（圖書：作者，出版社、主題和關鍵詞），也可以表現為隱語義向量（用戶的行為歷史）還有種特征表現形式———-標簽

---

標簽的定義：


標簽是一種無層次化結構的、用來描述信息的關鍵詞，它可以用來 描述物品的語義。根據給物品打標簽的人的不同，標簽應用一般分為兩種：一種是讓作者或者專 家給物品打標簽；另一種是讓普通用戶給物品打標簽，也就是UGC（User Generated Content，用 戶生成的內容）的標簽應用。UGC的標簽系統是一種表示用戶興趣和物品語義的重要方式。當一 個用戶對一個物品打上一個標簽，這個標簽一方面描述了用戶的興趣，另一方面則表示了物品的 語義，從而將用戶和物品聯系了起來

UGC:

普通用戶給物品打標簽，也就是UGC（User Generated Content，用 戶生成的內容）的標簽應用。

一般用戶會打什么樣的標簽呢？

（1）表明物品是什么（2）表明物品的種類（3）表明誰擁有物品
（4）表達用戶的觀點（5）用戶相關的標簽（6）用戶的任務
（7）類型（8）時間（9）人物
（10）地點（11）語言（12）獎項

（一）一個簡單的標簽算法：

（1） 統計每個用戶常用的標簽
（2）對于每個標簽，統計被打過這個標簽次數最多的物品
（3）對于一個用戶，首先找到他常用的標簽，然后找到具有這些標簽的最熱門物品推薦給這個用戶。

python標簽的推薦算法：

但是上面的推薦算法并不是完美，這里我們需要考慮到對熱門標簽和熱門物品進行打壓

可以改進下算法：
借用TF-IDF的思想

標簽的清理方法：

（1）去除詞頻很高的停止詞
（2）去除因詞根不同造成的同義詞
（3）去除因分隔符造成的同義詞

（二）基于圖的推薦算法

首先，我們需要將用戶打標簽的行為表示到一張圖上。我們知道，圖是由頂點、邊和邊上的 權重組成的。而在用戶標簽數據集上，有3種不同的元素，即用戶、物品和標簽。因此，我們需 要定義3種不同的頂點，即用戶頂點、物品頂點和標簽頂點。然后，如果我們得到一個表示用戶u 給物品i打了標簽b的用戶標簽行為(u,i,b)，那么最自然的想法就是在圖中增加3條邊，首先需要在 用戶u對應的頂點v(u)和物品i對應的頂點v(i)之間增加一條邊（如果這兩個頂點已經有邊相連，那 么就應該將邊的權重加1），同理，在v(u)和v(b)之間需要增加一條邊，v(i)和v(b)之間也需要邊相 連接。

圖4-11是一個簡單的用戶—物品—標簽圖的例子。該圖包含3個用戶（A、B、C）、3個物品（a、 b、c）和3個標簽（1、2、3）。 在定義出用戶—物品—標簽圖后，我們可以用第2章提到的PersonalRank算法計算所有物品節點， 相對于當前用戶節點在圖上的相關性，然后按照相關性從大到小的排序，給用戶推薦排名最高的 N個物品。

（三）給用戶推薦標簽

給用戶推薦標簽的意義：
1 方便用戶輸入
2 提高標簽質量

這篇主要講了使用標簽進行推薦，實際中的推薦系統更多是多種推薦的組合。