表示用户信息

Question

我的任务是代表用户特征矩阵，我有性别、年龄等特征，但我也有一个多值功能，叫做“观看的电影”，它本质上是那个用户观看的另一张电影名称表，有一个数字的持续时间，电影的顺序并不重要。而且，观看的电影可以从20部电影到300部电影。那么，怎样才能最好地将“看过的电影”作为一个特征向量来表现呢？

Answer 1

热编码

对于每个用户，创建一个包含电影目录长度的向量，并将1添加到用户观看的电影中，并将0添加到用户没有观看的电影中。

这是一种非常幼稚的方法，但取决于您的任务可能就足够了。

请记住，您的数据突然变得稀疏，因此选择能够处理此类数据的算法。好的一点是，对于稀疏数据来说，任何线性以上的内核通常都不是必需的。

考虑到

持续时间的

您还可以进行热编码，而不是在观看的电影中添加一个1，而是添加该人观看的时间。

然而，对于比其他影片更长的电影来说，这可能会开始产生偏见。因此，您可以尝试两种标准化技术：

1. 电影长度正常化。花时间看电影，并将电影的实际长度除以。(例如，用户看了75分钟，但是这部电影只有90分钟，所以你可以看到75/90 = 0.83)
2. TF-以色列国防军通常用于NLP，但您可以在这里应用它。此方法还考虑到所有用户观看电影的频率。平衡重要的电影(即被许多用户观看)和不太重要的电影之间的权重(例如，很少人或只有一个用户观看moveis )。

其他

根据您的用例，您可以开始创作并组合电影：

• 按类型分组电影(例如10种类型)，并计算每种类型的观看时间。
• 检查观看电影的百分比，并将其分组为watched only the beginning、watched more than half和watched the full movie，并计算每个用户的每个类别。