• 基于内容的推荐：推荐给用户他们过去喜欢的类似产品；
• 基于CF的推荐，识别出具有相同爱好的用户，给他们推产品

基于内容的推荐算法

基于内容推荐的步骤

1. 对数据内容分析，得到物品的结构化描述
2. 分析用户过去的评分或评论过的物品的，作为用户的训练样本
3. 生成用户画像
   a.可以是统计的结果(后面使用相似度计算)
   b.也可以是一个预测模型（后面使用分类预测计算）
4. 新的物品到来，分析新物品的物品画像
5. 利用用户画像构建的预测模型，预测是否应该推荐给用户U
   a.策略1：相似度计算
   b.策略2：分类器做预测
6. 进一步，预测模型可以计算出用户对新物品的兴趣度，进而排序
7. 进一步，用户模型在变化，通过反馈更新用户画像（用户画像在这里就是预测模型）
   
   • 反馈-学习，构成了用户画像的动态变化

基于内容推荐的算法

空间向量模型(最基础的CB方法)

用户信息和物品信息都被表示为带权重的词向量，使用余弦相似的计算用户对一个物品的兴趣度
例如：
1. 物品画像表示为视频的属性（TF-IDF）：(视频名字，导演，主演，….)
2. 用户画像(喜欢或者不喜欢的电影类型)：(视频名字,导演，主演，….)
3. 计算相似度(余弦相似度)

内容相似度的检索

• 基于knn的最近邻的方法（基于空间向量模型）
  
  1. 选择出用户u喜欢的文档集合
  2. 在这些文档集合中，选择k个和新文档最相似的文档( 相似度使用余弦相似度计算)
  3. 注意区别和CF：cb的方法中是用文档和文档内容的相似度计算，而cf的方式是通过用户的打分来计算

基于 反馈的rocchio方法

基于文本分类的算法

• 基于概率的算法
• 基于其他线性分类器
• 基于决策树
• 基于聚类

用户画像中的特征选择

1. 传统是基于IF-IDF的方法
2. 现在是基于语义学的方法

基于内容推荐的层次结构

* 内容分析器

• 文档的数据处理
• 得到结构化的数据，存储在物品库中

* 信息学习器

• 收集有关用户偏好的数据特征，泛华这些数据，构建用户特征信息（机器学习）
• 通过历史数据构建用户兴趣模型（通过分类的方法，提取特征，特征就是组建用户画像的基础）
• 生成兴趣特征（正样本）和无兴趣特征（负样本）

* 过滤组件

• 将用户的个人信息和物品匹配
• 生成二元或连续性的相关判断（原型向量和物品向量的余弦相似度）

反馈

显性反馈

• 喜欢/不喜欢
  @@@A_hybird_user_model_for_news_story_classification）
• 评分
  
  1. 离散刻度值
     @@@Social_information_filtering_algorithms_for_automating_”word_of_mouth”
  2. 把用户对网页的评价划分为热门，一般，冷门
     @@@Syskill_&_webert:_identifying_interesting_web_sites
• 文本评论

隐性反馈

• 保存
• 删除
• 印刷

• 收藏

• 缺点：偏差比较大

学习推荐

• 建立活跃用户 Ua 的个人画像；定义 Ua 的训练集TR；TR是 <Ik,rk> 的集合；
• rk 是用户对物品描述 Ik 的平分
• 监督学习算法生成预测模型
• 给定一个新的物品的描述
• 比较存储在用户数据库的用户偏好和物品特征
• 预测是否 对物品有兴趣
• 时刻改变用户个人信息
• “反馈-学习”

内容过滤的优缺点

优点

• 用户独立性：仅使用当前的用户评价来构建用户的个人信息
• 透明度：可以接受推荐的结果
• 新物品：没有任何用户评分的也可以推荐

缺点

• 可分析的内容有限
• 新颖度差
• 新用户需要用户的偏好信息