基于内容的推荐Content-based Recommendation

摘要: 介绍了推荐算法中较为简单的一种，基于内容的推荐算法

简介

应用的形式与用户进行交互。通常，系统为用户展示一系列推荐商品，用户点击这些商品获得更详细的信息或是其他对这些商品的行为。例如，在线新闻网站以新闻头条的形式展示一些新闻，并且可以通过点击这些头条去阅读整个新闻。电子商务网站提供一个推荐商品的聚合页，用户可以点击浏览，加入购物车或是直接购买。页面自然是通过HTML基于内容的推荐正是通过分析物品的描述来判断它是否属于用户的兴趣，以决定是否应该出现在页面上。

物品的表示

这些数据拥有一些属性，并且每一个物品都可以被这些属性描述，同时这些属性的值也是可以预测的。这些数据被称为结构化数据。

非结构化数据往往会对用户行为的猜测带来很大的复杂性。例如，可能通过一个结构化数据表明某一类用户有80%家法式餐厅中的4同时，非结构化的信息不像结构化的数据，他们没有事先定义好值的属性字段。另外，自然语言的特征也会出现，比如同义词，多义词等等。

（term-frequency times inverse document frequency这一内容将在以后再进行介绍。

用户兴趣集

种信息的使用。

个物品。

用户历史行为数据有诸多用途，首先，系统可以通过简单的展示历史浏览记录来促进用户再次对历史物品发生行为。其次，推荐系统可以根据购买记录来过滤推荐物品列表，因为我们不希望为用户推荐已经购买过的物品。另外，这些数据也可以用来进行机器学习算法的训练。

种人工的方式来提供这些信息：用户定制和基于规则的推荐。用户定制的方式很简单，在推荐系统中提供一个接口，用户可以根据自己的偏好去定制哪些种类的物品可以出现。当然，这里最好提供一个复选框，且提供的是结构化数据的信息，例如，餐厅的风味，新闻的种类，电影的流派等。另一种情况是，通过提交表单的方式，用户可以填写喜欢的歌手，导演等等文字信息。一旦，用户填写了这些信息，就可以找出相关的物品进行推荐。

在基于规则的推荐系统中，系统会根据制定的规则，基于用户历史行为推荐商品，例如推荐系统可能会为用户推荐新出版的系列图书或电影，当然前提是用户购买过这一系列的图书，例如哈利波特系列，如果购买过第一本，当第二本出版时会自动进行推荐。基于规则的系统可以用一些相同的理由来解释推荐，但是对于个性化的推荐贡献较少。

用户模型训练

个类别: