用戶興趣的模型 淺析

1）什么是用戶興趣？

　　指用戶在使用某APP時，所表現的行為傾向性，APP會根據用戶的一系列行為表現來確實用戶的興趣。

2）興趣模型的分類

　　按時間：長期興趣，短期興趣；長期興趣指不容易隨着時間而變化的興趣，相對穩定；短期興趣指變化比較頻繁的興趣。

　　按表現：顯式的興趣；隱式的興趣；顯式興趣指用戶能顯式並願意主動顯示的興趣，如用戶選擇性別傾向，訂閱頻道；隱式興趣指用戶難以直接表述的，但是潛在的用戶會不自覺有相關傾向。如用戶常打開APP的時間，常瀏覽和點擊的內容。

　　按對象：按照傾向的對象來分，如購買的興趣，交叉的興趣，閱讀的興趣，不同的興趣具有一定的關聯。需要識別的行為操作也不一樣。

3）興趣模型的作用：（1）認識用戶，直接作一些簡單的推薦；（2）在推薦系統的排序模塊中加入相關信息，以對推薦候選集進行排序和過濾。(3).......

4）用戶興趣模型的表示方法：用 向量空間模型（Vector Space Model, VSM）來進行表示，即{(t1,w1),(t2,w2),....((tn,wn))}; 其中t1表示特征項，w1表示t1在在模型中的權重，即用戶對興趣t1的感興趣程度。

5）具體的設計構建

在本應用中，用是對用戶興趣按時間進行划分，即分成長期興趣和短期興趣。

其中長趣興趣是按照一定的策略產生，它主要保存着所感興趣的大的類別型標簽，對應着數據庫中商品的二級類目，如“數碼”，“箱包”，“游戲” 等，並給與一定的權重。

短期興趣的時間窗口包含二個，分別是一周、一個月，它是基於統計的方法得到的。在此以一周為例，如以“數碼”類目為例，其對應的層次結構如下：

• categoryname:“數碼”
• weight:5.6
  • tags: [ (name, weight) ]
  • brands: [ (name, weight) ]
  • behaviors[(name,weight)]  ##輔助用的，可刪除

6）實踐過程中的關鍵點（有一些暫時未用到和解決）：

　　對於長期的興趣：

　　Interest₍₀₎ =  基於統計得到，統計這一段時間，用戶對類別行為類型和行為，行為次數。

　　 Interest_{new  也是基於統計得到的。}

　　其興趣的合並公式如下：

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

　　　　　　　　　　　　λ的值與用戶這段時間內的活躍度 和總體用戶的活躍度相關。

　　　　　　　　　　　　在計算用戶長趣興趣時 1）設置最低閾值，保留最感興趣的N個興趣點（如10個）

　　　　　　　　　　　　　　　　　　　　　　2）根據用戶的活躍度，設置多檔的衰減速度λ

　　　　　　　　　　　　　　　　　　　　　　3）設置最低的變化率，如果用戶這一段時間內行為次數不夠，不會引起變化。

　　長期興趣模型生成的注意點（短期的興趣：是基於統計得到的，統計過程中要考慮的點）：

1. 　　用戶行為操作的權重：不同的操作，其權重也不同，如用戶購買和點擊的權重不一樣。

　　　　　 解決方法：　　初始化時，根據總體用戶的操作比例結合常識來對用戶的行為權重進行初始化。

　　　　　　　　　　　　針對用戶的操作傾向進行個性化的調整，如用戶偏愛瀏覽，但不常加入購物車，偶爾加入購物車，

　　　　　　　　　　　　則其加入購物車的權重會有一定的增加（暫時未加入）

　　　　　【現用的是 對於每一個用戶，根據對用戶的操作比例進行平滑，並的計算，原則是：】

　　2. 　　流行物品熱度的權重：對熱門物品進行懲罰，對冷門物品進行加權

　　3.　　標簽的權重問題：使用類似於TF-IDF的方式來計算其權重。

　　4.　　用戶活躍度的因素：分箱來進行處理，它會影響到 行為的權重、衰減的速度。

　　5.　　 行為在時間上的衰減 (長)：越早的行為對用戶當前的興趣表現越弱，所以對於歷史的興趣，在與新的興趣進行合並時得

　　　　　進行衰減。

　　　　附：

　　　　

　　　　

　　　　

　　　　

　　　　

　　　　

實現過程中關鍵因子：

　　　　

　　　　

　　　　

　　　　

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