推荐策略（3）——内容画像

不同领域的内容画像差别比较大，比如电商产品推荐是基于商品价格、类型、品牌等，音乐产品推荐是基于风格、歌手、作曲人等，本篇以新闻资讯类产品为例，分享一下内容画像的构建。

首先，看一张图。

内容推荐系统

一、内容画像的来源

内容画像主要来源于内容本身（内容标签漏斗（垂直领域—细分领域—关键词）、时效性（如股票）、地域信息（如本地新闻）、内容风格（聚类算法））、内容发布者（参考头条指数，包括活跃度、原创度、垂直度、健康度、互动度度等）、用户行为（转发or举报、基于用户的协同推荐）。

二、如何构建内容画像

（1）数据抓取

今日头条数据来源于媒体新闻（合作方）、头条号、自媒体，由抓取系统负责获取。生产的内容放进内容池，经过一些筛选、过滤（低俗内容，先机器再人工），生成固定的格式和唯一的文本id。

（2）文本挖掘

文本挖掘是数据挖掘的一种，最重要最基本的应用是实现文本的分类（有监督）、聚类（无监督）、自动摘要。

分类：基于已有的分类体系，减少搜索成本，采用统计学习或机器学习来实现，如贝叶斯分类、K近邻分类。

聚类：提供大规模文档集内容的总结，减轻浏览相关内容的过程，采用贝叶斯聚类、K近邻聚类等方法。

自动摘要：一类是完全使用原文中的句子来生成文摘，另一类是可以自动生成句子来表达文档的内容。

文本挖掘过程：

（1）获取文本

（2）文本预处理——删除不相关信息

（3）文本的语言学处理——分词（词典、词频统计、字标注）、标注、去除停用词

（4）文本的数学处理——降维、人工挑选影响力大的特征、数学统计处理（tf-idf）

（5）分类聚类——矩阵的分类与聚类

（6）数据可视化

（3）用户反馈

内容画像随着用户的反馈而不断完善，对新内容来说，这个从0到1的过程就是冷启动。从内容本身来说，可以根据用户评论、用户画像来进一步完善；从内容推荐权重来说，如果在冷启动过程中没有足够的正向反馈，就会降低权重，如果有了很高的点击量就会获得更大的推荐权重。