最近在做短视频推荐，和别的部门配合着做，我们部门做用户画像这一部分。回头看看，我们部门以前做的用户画像只能称之为“所谓的用户画像”。如果一个人不懂用户画像还好指挥来指挥去真的让人无言，不知道其他公司的有没有这样的人儿那，哈哈，扯远了，言归正传。这篇文章只是对文献[1]的一个总结与实践,像我这种才学浅显的人只能照猫画虎了。
1、标签&标签问题
用户可以对物品打标签，这些标签存在：
（1）标签冗余。比如“父亲”与“爸爸”标签是一个意思。
（2）标签语意不明。如“苹果”可以是苹果手机、水果，也可能是纽约。
（3）各种噪音。拼写错误等。
既然存在问题，有没有能够缓解这种问题的办法呢？聚类就是其中的方法之一
2、标签聚类&聚类算法
“用聚类就行了，多简单！”总是说这句话的人要么是大牛，要么是浅薄。从概率上讲，大牛总是少的，浅薄总是多的，哈哈，老想扯点题外话，收拢回来。
聚类为什么可以缓解标签冗余、模糊和噪音等问题那。
（1）通过聚类，冗余的标签可能归结为一个簇。例如“父亲”与“爸爸”都是一个簇里的标签
（2）某一个标签语义可以通过簇里其他标签的语义加以明确。例如有一个簇：橘子，香蕉，苹果。在该簇中，苹果就是水果。
…………
说道聚类，就会涉及聚类算法。聚类算法很多，这里简单说一下“层次聚类算法”层次聚类PDF。这里借助一个例子简单说一下层次聚类。
如上图所示为层次聚类算法结果图。最上边的水平轴代表了相似度（combination similarity）。举例来说，当我们选择相似度为0.4作为分裂点的时候，我们就可以得到24个聚类簇。选择相似度0.1作为分裂点，就可以得到12个聚类簇。层次聚类不需要事先设定聚类的个数。
3、基于标签的个性化搜索算法
现在，标签已经聚类完成，那么则么计算用户与每个标签簇的关系，物品与每个标签簇的关系？
对于用户u对簇c的兴趣可以计算：
其中A表示<用户、物品、标签>记录条数，R表示物品（资源）集合，简单地说，就是用户大的标签中属于簇c的个数比上用户打的标签的总个数。
物品r对簇c的关系可以计算：
有了用户与标签簇的关系以及物品与标签簇的关系，那么就可以计算出用户对物品的感兴趣程度：
多说一句，计算出relevance（u，r）后就可以作为一种推荐粗过滤的线下模型，为线上推荐提供候选数据。
那么接下来的问题就是，如果用户输入一个标签，怎样根据用户画像为用户返回个性化推荐呢？
对于一个搜索q来说，可以计算出q与物品r的相似度，然后降序排列得到返回列表rankscore（q，r），如果把用户和物品之间的相似度考虑进来，对rankscore（q，r）进行重新排序，则可以返回个性化搜索结果：
到此，我们把用户profile，标签聚类，查询q作为输入，返回了个性化搜索结果p_rankscore
[1]Personalization in Folksonomies Based on Tag Clustering
Jonathan Gemmell, Andriy Shepitsen, Bamshad Mobasher, Robin Burke
