基于内容的推荐算法

基于内容的推荐算法（content-based recommendations  CB）

CB是最早使用的推荐算法，它的思想：根据用户过去喜欢的物品，为用户推荐和他过去喜欢的物品相似的物品。关键在于物品相似性的度量。

原理大概分为3步：

1：为每个物品Item构建一个物品的，构建一个物品的属性资料（item profile）

2：位每个用户User构建一个用户的喜好资料（User profile）

3：计算用户喜好资料与物品属性资料的相似度，相似度高意味着用户肯喜欢这个物品。

选择一个想要推荐的用户U，针对用户U遍历以便物品集合，计算出每个物品与用户U的相似度，选出相似度最高的k个物品将他们推荐给用户U

第一步：Item profile

Item是指被推荐的物品（一本书），item profile 是指被推荐物品的详细属性（书的作者、数的类型、出版社、出版时间等等）

第二步：Representing Item Profile

例如一本书ABCbook，假设他的item profile 只包含作者，这样items profile就可以如下表示{A，B，C}（作者A,B,C）；

再将items profile映射成程序能够读懂的数据结构，将items profile转换成0,1矩阵，方法如下：

1）先构建一个1位矩阵，n表示全部的作者数量，将所有元素设置为0，即初始化，[0,0,0,0,0……..,0,0,0]，一共有n个0

2）假设0号元素代表作者A，1号元素代表B，2号元素代表C，3号元素代表D，等等

3）将items profile里的内容映射到1维矩阵中，如果书的作者是a1,a2,a3，那么次书的行向量中a1,a2,a3对应的元素分别置1

那么ABCbook的0,1矩阵是[1,1,1,0,0,0,0,0,….0,0,0]，那么可以看出，ABCbook的作者是0,1,2号元素，即作者A,B,C

第三步：User Profile

建立了item的模型后，就要为用户建模了，就是构造User Profile，

这个User Profile就相当于用户的偏好，用户U的偏好可以表示为对各个作者的喜好程度

例：如下一个评书数据（满分5分，对每本书的评分如下，空的表示未评分）

可以看出，小李更喜欢《操作系统》和《算法分析》这两本书,假设这两本书的共同点是作者都有A，那么我们可以推出小李可能更喜欢作者A的书，这样就可以构建小李的User Profile，方法如下：

1）算术小李的平均分：avg=(4+5+3)/3=4

2）利用公式算出小李对作者A的喜好程度，x_i是所有涉及到作者A的，而且是小李评过分的书的分数，avg就是平均分，n就是所有涉及到作者A的而且是小李评过分的书的数量：((4-4)+(5-4))/2=0.5，也就是说小李对作者A的喜好程度可以用0.5这个数值来反应

3）同样也建立一个1位矩阵，其中的元素表示每个演员的喜好程度[0.5,x,y,……z]，表示了小李对作者A的喜好程度为0.5，等等

第四步：计算推荐依据

利用余弦相似度的公式来计算给定用户U和给定的item I之间的距离，余弦相似度越大说明U越可能喜欢I：

公式

其中Ua表示用户U对作者a的喜好值（即User Profile矩阵中作者A对应的值,例如上0.5）

其中Ia表示书本的作者是否有a（即Item Profile矩阵中作者a对应的值，如上例1）

第五步：推荐

计算小李与每个作者余弦相似度，选择相似度最高的前K个电影，将这K个电影推荐给小李即可。

优点：

1）用户独立性：推荐的产生只与当前用户自己的兴趣模型有关，而与其他用户无关，可以避免恶意作弊行为（刷物品排行榜）

2）推荐具有可解释性：推荐的内容都是根据用户之前的行为产生

3）新物品可以得到推荐：只要物品特征与用户兴趣匹配就可以得到推荐

缺点：

1）项目特征很难抽取：比如社交网络中的人的特征以及电影等不好抽取

2）无法得到用户潜在兴趣：推荐只根据用户对项目的历史喜好产生，所以产生的推荐都是与历史项目相似的，无新意

3）无法为新用户直接产生推荐，新用户没有喜好历史，无法建立兴趣模型，也就无法为他推荐

参考：https://www.cnblogs.com/exlsunshine/p/4214357.html