基于内容的推荐算法

1.产生背景

    基于内容的推荐算法是基于标的物的相关信息、用户信息及用户对标的物的操作行为来构建推荐算法模型，为用户提供推荐服务，这里的标的物相关信息可以是对标的物文字描述的metadata信息、标签、用户评论、人工标注的信息等。用户相关信息是指人口统计学信息（如年龄、性别、偏好、地域、收入等等）。用户对物的操作行为可以是评论、收藏、点赞、观看、浏览、点击、加购物车、购买等。基于内容的推荐算法一般只依赖于用户自身的行为用户提供推荐，不涉及到其他用户的行为。广义的标的物相关信息不限于文本信息、图片、语音、视频等都可以作为内容推荐的信息来源，只不过这类信息处理成本较大，不光是算法难度大、处理的时间及存储成本也相对更高。基于内容的推荐算法是最早应用于工程实践的推荐算法，有大量的应用案例，如今日头条的推荐有很大比例是基于内容的推荐算法。

2.特点

    2.1. 个性化推荐

    2.2. 用户历史行为

    2.3. 物品相似性

3.网络结构

    

上图为盗图

4.算法模型

    4.1. 基于用户历史行为记录做推荐

    4.2. 用户和标的物特征都用显示的标签表示，利用该表示倒排索引法做推荐

    4.3. 用户和标的物嵌入到同一个向量空间，基于向量相似做推荐

    如何构建用户特征表示？

    1）用户行为记录(用户评分)作为显示特征

    2）物自身的标签和用户的打分综合评判

    3）向量式的兴趣特征

    4）通过交互方式获取用户兴趣标签

    5）用户的人口统计学特征

    如何构建标的物的特征表示？

    1）标的物包含标签信息

    2）标的物具备结构化的信息

    3）包含文本信息的标的物的特征表示

        3.1）利用TF-IDF将文本信息转化为特征向量

        3.2）利用LDA算法构建文章(标的物)的主题

        3.3）利用doc2vec算法构建文本相似度

    4）图片、音频、或视频信息

怎样利用用户信息和标的物信息为用户做推荐？

    1）基于物品相似性的协同过滤

    

    2）基于用户相似性的协同过滤

    

    3）基于标的物相似性的聚类推荐

    

    4）基于向量相似的推荐

    5）基于标签的反向倒排索引排序的推荐

5.应用场景

    5.1）个性化推荐

6.参考