基于内容的推荐

思想：根据物品的属性和用户的特殊偏好，直观的选择可推荐物品。

比如，《哈利.波特》是一本科幻小说；用户爱丽丝很喜欢科幻小说，系统就会直接推荐一本新出版的《哈利.波特》给爱丽丝。

需求：

1.物品的特征描述（标签）

2.描述了用户（历史）兴趣的用户记录（标签）

首先，我们需要根据实际应用场景构建自己的标签库

标签库来源：已有内容（物品，以下相同）的标签；网络抓取流行标签；对运营的内容进行关键词提取

内容特征化(物品画像)：人工打标签；机器自动打标签

其中，机器自动打标签常采用机器学习相关算法实现，如分词 + Word2Vec来实现。

1.将文本语料进行分词，使用结巴分词；

2.使用Word2Vec训练词的相似度模型；

3.使用tfidf提取内容的关键词；

4.遍历每一个标签，计算关键词于此标签的相似度之和；

5.取出TopN相似度最高的标签即为此内容的标签。

用户特征化（用户画像）：

通过用户的行为日志和一定的模型算法得到用户的每个标签的权重。

1.用户对内容的行为：点赞，不感兴趣，点击，浏览。对用户的反馈行为如点赞赋予权重1，不感兴趣赋予-1，对于用户的浏览行为，使用ctr=click/pv作为权重。

2.将发生行为的内容的特征，作为用户的特征。

3.用户的兴趣是时间衰减的，可以借助时间衰减函数。

4.要考虑到热门内容会干预用户的标签，需要对热门内容进行降权。使用ctr=click/pv作为用户浏览行为权重即可达到此目的。

5.需要考虑噪声干扰，如标题党等。（这里可以考虑在数据预处理时，清除作弊数据）

物品画像和用户画像都表示成带权重的词向量

推荐：

方式一，.隐语义推荐：

用户对于某一个内容的兴趣程度可以用公式表示为：

其中i=1…N是内容c具有的标签，m(ci)指的内容c和标签i的关联度(可以简单认为是1),n(ui)指的是用户u的标签i的权重值,当用户不具有此标签时n(ui)=0，qc指的是内容c的质量，可以使用点击率(ctr=click/pv)表示。

m(ci)的计算方法也可以表示为：

1.对于存在的用户物品评分矩阵U，计算用户u所有打分的平均分AVG。

2.根据公式计算用户对某个词c的喜好程度，即m(ci)。其中xi为用户对于包含词c的物品的评分，AVG为1步得到的平均分，n为用户评过分的物品数量。

缺点：这种方式很依赖于用户的历史行为数据，不利于没有用户数据情况下的冷启动问题，一般适合商品不多，用户有特殊兴趣的情况。

方式二：

根据事物的相关性，通过比较事物之间共有属性的相似度进行推荐，例如，如果用户A喜欢Data2，Dota2属于竞技类游戏，那么用户A就有可能喜欢英雄联盟。

这种方式好处就是可以不用依赖用户的行为，但是要求事物的内容是准确和完善的，并且是没有歧义的，可以通过手动输入标签的方式来解决这个问题。

采用余弦相似度进行推荐：

Ua表示用户对特征（关键词）a的喜好值；Ia表示物品I是否包含特征（关键词）a。

特征选择：

1.基于经验选取阈值，去除那些“太稀少”或“太频繁”的特征。

2.基于统计的方法如卡方分布（适用于大规模文本数据）。

注意事项：

近邻用户：KNN  K值得选取？根据经验进行选取，一般选取20~50个

关于用户行为的处理方式：短期记录维护用户短期兴趣，长期记录（比如几个月）维护用户长期兴趣。如何组合短期模型推荐数据与长期模型推荐数据。

优缺点比较：

和协同过滤算法相比，基于内容的推荐系统具有以下几个优点：

1.用户独立。基于内容的推荐系统不需要用户的近邻信息，而协同过滤方法根据相似用户的喜好进行推荐，被推荐的item只可能是近邻用户评价过的item，局限性较大。

2.可解释性。可以列出内容的特征或描述对推荐item进行解释，推荐结果更容易得到用户的信任。

3.新的item。基于内容的推荐系统可以对未被用户评分过的item进行推荐。

缺陷：

推荐结果缺乏新颖性。倾向于给出相同的推荐，会推荐与当前用户已经（正面）评价过的物品比较相似的物品。

解决方法：选取合适的阈值，滤除与用户记录差别太大的物品，也要滤除太相似的物品。

目标：提高推荐列表的惊喜度。