目录

0. 相关文章链接

1. 什么是基于内容的推荐算法

2. 基于内容的推荐算法举例

3. 基于内容的推荐算法总结

4. 相似度计算

5. 基于内容推荐系统的高层次结构

6. 基于UGC的推荐

7. 基于UGC简单推荐的问题

8. 基于TF-IDF的推荐

9. TF-IDF对基于UGC推荐的改进

---

0. 相关文章链接

推荐系统文章汇总

1. 什么是基于内容的推荐算法

        Content-based Recommendations (CB)根据用户过去喜欢的产品（本文统称为item），为用户推荐和他过去喜欢的产品相似的产品。该相似度不是通过ItemCF进行实现，而是通过抽取物品内在或者外在的特征值，实现相似度计算。

        比如一个电影，有导演、演员、用户标签UGC、用户评论、时长、风格等等，都可以算是特征。可以表示为特征向量: V = [导演,演员,用户标签UGC,用户评论,时长,风格]，多个电影不就是多个向量么!向量之间可以求相似度。

• //V1 = [张艺谋,巩俐,剧情,好看,90分钟,中国风,红高粱]
• //V2 = [张艺谋,巩俐,剧情,好看,90分钟,中国风,xxx]

        基于内容的推荐算法，原理是用户喜欢和自己关注过的Item在内容上类似的Item，比如你看了哈利波特I，基于内容的推荐算法发现哈利波特II，与你以前观看的在内容上面（共有很多关键词）有很大关联性，就把后者推荐给你。一般来说， 物品都有一些关于内容的分类，例如书籍有科技、人文、工具等分类，电影有战争、爱情、喜剧等分类，商品有食物、衣物、家电等分类。

        而基于内容的推荐，就是根据这些物品的内容属性和用户历史评分或操作记录，计算出用户对不同内容属性的爱好程度，再根据这些爱好推荐其他相同属性的物品。

        基于内容的推荐系统本质是对Item内容进行分析，建立特征,然后基于用户对何种特征的内容感兴趣以及分析一个Item具备什么特征来进行推荐。

2. 基于内容的推荐算法举例

        用户A 对《银河护卫队》《变形金刚》《星际迷航》三部科幻电影都有评分，平均分为4 .7 分（ ( 5+4+5 ) / 3=4.7 ）；对《三生三世》《美人鱼》《北京遇上西雅图》三部爱情电影评分平均分为2.3 分（ ( 3 十2+2 ) /3= 2.3 ）。

        那么很明显， 用户A 对科幻电影有明显的偏好。当推荐系统预测用户A 在《独立日》上的评分时，可以用A 在所有科幻电影上的平均分4.7 分替换；类似地，可以预测用户A 在《七月与安生》的评分为2 . 3 分，因此推荐系统优先将《独立日》推荐给用户A 。

        而对于用户B ，在爱情电影上平均分更高，故而推荐系统会将《三生三世》推荐给用户B 。

        实际上，在很多视频APP 中，都有类似的基于内容的推荐方法。

3. 基于内容的推荐算法总结

基于内容的推荐算法介绍一：

• Content-based Recommendations (CB）根据推荐物品或内容的元数据，发现物品的相关性，再基于用户过去的喜好记录，为用户推荐相似的物品。
• 通过抽取物品内在或者外在的特征值，实现相似度计算。
  • 比如一个电影，有导演、演员、用户标签 UGC 、用户评论、时长、风格等等，都可以算是特征。 
• 将用户（user）个人信息的特征（基于喜好记录或是预设兴趣标签），和物品（item）的特征相匹配，就能得到用户对物品感兴趣的程度
  • 在一些电影、音乐、图书的社交网站有很成功的应用，有些网站还请专业的人员对物品进行基因编码／打标签（PGC)

基于内容的推荐算法介绍二： 

• 对于物品的特征提取 - 打标签（tag）
  • 专家标签（PGC）
  • 用户自定义标签（UGC）
  • 降维分析数据，提取隐语义标签（LFM）
• 对于文本信息的特征提取 - 关键词
  • 分词、语议处理和情感分析（NLP）
  • 潜在语义分析（LSA）

4. 相似度计算

• 相似度的评判，可以用距离表示，而一般更常用的是“余弦相似度”
• 欧氏距离

• 余弦相似度

• 如下图所示（ dist(A,B)为欧氏距离，为余弦相似度 ）：

5. 基于内容推荐系统的高层次结构

6. 基于UGC的推荐

7. 基于UGC简单推荐的问题

8. 基于TF-IDF的推荐

9. TF-IDF对基于UGC推荐的改进

---

注：其他推荐系统相关文章链接由此进 -> 推荐系统文章汇总

---