五、簡(jiǎn)單舉例：通過(guò)模型產(chǎn)生基礎(chǔ)用戶畫(huà)像

國(guó)內(nèi)某公司，在Kaggle舉行過(guò)一個(gè)預(yù)測(cè)用戶年齡和性別的比賽。他們公布了一個(gè)用戶數(shù)據(jù)集，數(shù)據(jù)集中包含了手機(jī)上安裝的APP列表，手機(jī)型號(hào)和GPS信息等數(shù)據(jù)用于模型訓(xùn)練。參賽選手通過(guò)這些數(shù)據(jù)建模，預(yù)測(cè)用戶的性別和年齡。準(zhǔn)確度高的獲勝。

一個(gè)用戶的手機(jī)里安裝的APP，跟他的年齡和性別存在著一定的關(guān)聯(lián)。如：女性用戶常用美柚，小紅書(shū)等APP；而男性用戶可能會(huì)裝更多的游戲。

如下圖：

這個(gè)是有監(jiān)督學(xué)習(xí)，橙色部分?jǐn)?shù)據(jù)是特征，藍(lán)色部分?jǐn)?shù)據(jù)是label。Label就是我們需要預(yù)測(cè)的目標(biāo)。通過(guò)大量的數(shù)據(jù)和算法調(diào)優(yōu)，就可以訓(xùn)練出較為準(zhǔn)確的模型。

用訓(xùn)練好的模型，就可以給其他的未知性別和年齡的用戶做評(píng)分預(yù)測(cè)。這部分比較簡(jiǎn)單，就簡(jiǎn)單舉例一下。

六、物品標(biāo)簽

物品畫(huà)像，則是每個(gè)物品的一系列標(biāo)簽。物品畫(huà)像其中一個(gè)作用就是可以作為推薦模型中的物品特征。另外一方面，在推薦系統(tǒng)中，物品畫(huà)像是用戶畫(huà)像的基礎(chǔ)：物品畫(huà)像+用戶行為=用戶畫(huà)像。

舉個(gè)簡(jiǎn)單的例子，一個(gè)用戶點(diǎn)擊了一系列的阿克蘇蘋(píng)果（物品畫(huà)像：阿克蘇，蘋(píng)果，阿克蘇蘋(píng)果），這個(gè)用戶就會(huì)被打上阿克蘇，蘋(píng)果和阿克蘇蘋(píng)果的偏好標(biāo)簽。

物品畫(huà)像的產(chǎn)生，不同的內(nèi)容形式有不同的做法。但大體可分為兩類：

• 人工的方式給物品打標(biāo)簽；
• 機(jī)器學(xué)習(xí)的方式給物品打標(biāo)簽。

如在音樂(lè)領(lǐng)域，一些音樂(lè)平臺(tái)是通過(guò)一組音樂(lè)專家對(duì)平臺(tái)的音樂(lè)進(jìn)行打標(biāo)簽后，再對(duì)用戶進(jìn)行推薦。這種人工的方式成本比較高，而且依賴于專家的專業(yè)程度。另外，不同專家之間的標(biāo)準(zhǔn)可能不一樣，需要統(tǒng)一標(biāo)準(zhǔn)或者拉平差異。但是這也是沒(méi)有辦法的辦法，有些場(chǎng)景下，物品標(biāo)簽匱乏，不得不依賴與人工打標(biāo)的方式。

大規(guī)模地給物品打標(biāo)簽，大部分還是靠機(jī)器學(xué)習(xí)的方式。如何給物品打標(biāo)簽不是本文重點(diǎn)，這里略過(guò)。

七、偏好畫(huà)像的怎么計(jì)算得來(lái)？

偏好畫(huà)像如何產(chǎn)生？為了直觀簡(jiǎn)單，直接以圖文數(shù)據(jù)的方式來(lái)講述。假設(shè)一個(gè)短視頻平臺(tái)有4個(gè)用戶使用，有4個(gè)視頻需要被推薦。

其中，4個(gè)視頻分別為：

整理一下，我們可以得到以上4個(gè)視頻的物品畫(huà)像：

另外，為了簡(jiǎn)單一點(diǎn)，這里只考慮用戶的觀看行為，看完一次得分為1。4個(gè)用戶的數(shù)據(jù)分別如下，數(shù)字代表觀看次數(shù)。如下圖中，用戶A看了視頻1一共2次。

先說(shuō)結(jié)論，一般地，用戶畫(huà)像的公式為：用戶偏好程度 = 行為類型權(quán)重值 × 次數(shù) × 時(shí)間衰減 × TFIDF值。

• 行為類型權(quán)重值是人為給用戶行為的賦值。比如：看完=1，收藏=2，分享=3，購(gòu)買(mǎi)=4等。我們這里只考慮“看完”這個(gè)行為。
• 次數(shù)則是行為發(fā)生的次數(shù)。
• 時(shí)間衰減則是按一定的衰減系數(shù)，隨著時(shí)間衰減。一般用牛頓熱力學(xué)公式來(lái)取衰減系數(shù)。
• TFIDF值本來(lái)是文本處理領(lǐng)域的算法，用來(lái)提取一篇文章中的關(guān)鍵字。這里用來(lái)衡量標(biāo)簽的對(duì)一個(gè)用戶的關(guān)鍵程度。

下面我們來(lái)計(jì)算用戶A的用戶畫(huà)像和偏好值。

第一步：列一下行為類型權(quán)重值，因?yàn)槲覀冎豢紤]觀看行為，權(quán)重都為1：

第二步：統(tǒng)計(jì)用戶A的行為次數(shù)。用戶A看了視頻1兩次，所以視頻1帶的標(biāo)簽“金融戰(zhàn)爭(zhēng)”和“做空”次數(shù)都記為2：

第三步：計(jì)算時(shí)間衰減，假設(shè)用戶A看視頻1是兩天前的行為，看視頻4是今天的行為。衰減按照天來(lái)計(jì)算，衰減系數(shù)等于0.1556，熱度計(jì)算公式為：熱度=1×exp(-0.1556×天數(shù))。按照這個(gè)衰減系數(shù)，45天后熱度衰減到0.5。

按照這個(gè)計(jì)算方式，視頻1的熱度 = 1×exp(-0.1556×2) = 0.73，今天看的視頻4，熱度還為1。

第四步：計(jì)算TFIDF值。

這步比較復(fù)雜。我們先說(shuō)下TFIDF的公式，TF和IDF是兩個(gè)不同的值，兩兩相乘可以得到TFIDF值。

首先說(shuō)TF。

TF是Term Frequency的縮寫(xiě)，意思是可以理解為詞頻，計(jì)算公式如下：

TF計(jì)算的是在用戶的所有標(biāo)簽中，某個(gè)標(biāo)簽的重要程度。如果標(biāo)簽出現(xiàn)頻率高，那么TF值就會(huì)比較高。對(duì)于用戶A，每個(gè)標(biāo)簽都出現(xiàn)了一次（因?yàn)榭催^(guò)的視頻中，沒(méi)有標(biāo)簽重復(fù)的），標(biāo)簽的TF值=1÷4=0.25。

而對(duì)于用戶B，因?yàn)橛锌催^(guò)兩個(gè)海賊王的視頻。一個(gè)視頻帶標(biāo)簽：海賊王，路飛。另外一個(gè)視頻帶標(biāo)簽：海賊王，路飛，甚平。所以，海賊王和路飛標(biāo)簽個(gè)數(shù)都是2，甚平的標(biāo)簽個(gè)數(shù)是1。

這樣，計(jì)算出用戶B的TF值為：

然后說(shuō)IDF。

IDF是Inverse Document Frequency，意思是逆文檔頻率。先說(shuō)怎么計(jì)算，公式如下：

這個(gè)是為了計(jì)算一個(gè)標(biāo)簽的稀缺程度。如果一個(gè)標(biāo)簽全部的用戶都，IDF值就比較小。相反，一個(gè)標(biāo)簽只有少部分用戶有，則IDF值比較大。公式中，“帶該標(biāo)簽的用戶數(shù)+1”部分加1是為了防止分母為0的情況。

下表的灰色部分是每個(gè)用戶行為，計(jì)算出用戶的標(biāo)簽個(gè)數(shù)統(tǒng)計(jì)。如海賊王標(biāo)簽，因?yàn)橛腥齻€(gè)用戶帶了這個(gè)標(biāo)簽，所以“帶該標(biāo)簽的用戶數(shù)”為3。它的IDF值 = 4 ÷ 3 = 1.33，這里4是因?yàn)橛?個(gè)用戶。

第五步，匯總計(jì)算出用戶A的每個(gè)標(biāo)簽偏好值。

如下圖中，用戶A對(duì)三傻大鬧寶萊塢的偏好值為：1×3×1×0.25×2=1.5。

用這種方式，我們就可以為用戶打上海量的標(biāo)簽，只用用戶行為足夠多，我們就能捕捉的用戶的偏好數(shù)據(jù)。

八、總結(jié)

1. 推薦系統(tǒng)的用戶畫(huà)像主要有兩種：基本畫(huà)像和偏好畫(huà)像。
2. 基本畫(huà)像是用戶的個(gè)人屬性，如年齡，性別，居住城市等。
3. 用戶偏好畫(huà)像是推薦系統(tǒng)中的重點(diǎn)，它一般用用戶偏好程度 = 行為類型權(quán)重值 × 次數(shù) × 時(shí)間衰減 × TFIDF值計(jì)算出來(lái)。
4. 用戶畫(huà)像在推薦系統(tǒng)中用于召回和模型訓(xùn)練。

作者：菠蘿王子；公眾號(hào)：菠蘿王子AI分享

本文由 @菠蘿王子 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來(lái)自Unsplash，基于CC0協(xié)議