用户行为分析和用户行为加权的介绍

 

    话不多说，上干货。

    矩阵分析法也算是一种主流的用户行为分析方法。 但是从上面介绍的「兴趣主题」，「兴趣空间」也可以看出作出好的分类并不容易，用户打标签也需要复杂的标签清洗工作，分类粒度，分类维度等都不好控制。我们还可以通过类别给用户推荐喜欢的物品，在图书，电影这样的实体域，而在个性化资讯推荐领域，这里仅举个例子，我们不见得能通过类别推荐用户喜欢的资讯，资讯推荐应该有其特殊之处，甚至用户本身也不在意类别。我们并不需要显式地构建物品-兴趣对应关系矩阵，这就涉及到隐含语义分析技术，也可以将用户和所喜欢类别的物品关联起来。

    我们不可能只考虑一种行为，实际中在数据能够支撑的情况下，为了获得更合理的行为矩阵，我们就需要进行行为加权。比如，A1表示用户点击的行为矩阵，A2表示购买的行为矩阵，A3表示评分的行为矩阵，那么加权矩阵就是：至于各矩阵的权重跟我们建立用户偏好模型的目的有关，如果我们更希望用户购买，那么权重可能是：a1 ＜ a3 ＜ a2；如果我们更希望找准用户的品味偏好，那么权重可能是：a1 ＜ a2 ＜ a3。

    做一个小总结，在使用这些方法或者思想编写程序计算都不是什么难事，以上可以看出基于用户行为分析的用户偏好建模的常规方法非常简单明了。事实上也的确如此，而实际上，数据方面的两大问题是稀疏和长尾分布，我们遇到的问题却并非是方法本身，而是数据本身。通常有行为数据用户很少，方法易学，而数据问题只能在实战中才能深刻体会，而用户的行为对象也集中在不多的物品上。才会发现主要的精力和难点都在解决数据的稀疏和长尾上。

    此外，所以在实战中，不一定要先建矩阵，再做计算，上面虽然是用矩阵运算的思想讲述，但我在实际项目中发现其运算的本质其实是对用户行为的统计，直接在数据库里使用sql计算非常方便。

 

更多产品了解

欢迎扫码加入云巴巴企业数字化交流服务群

产品交流、问题咨询、专业测评

都在这里！