基于内容推荐系统旨在利用可以使用推荐项目具有描述性属性的情形下。在这种情况下，从用户自己对其它电影的评分和行为足以发现有意义的推荐。特别是当推荐的项目是新商品，并且该商品的评分很少时，此方法特别有用。
基于内容的推荐系统尝试将用户匹配到与他们过去喜欢的相似的项目。这种相似性不一定基于用户之间的评分相关性，而是基于用户喜欢的对象的属性。基于内容的推荐系统需要依赖一下两种数据：
- 以内容为中心描述各种项目的属性
- 用户个人资料，它是根据有关各种项目的用户反馈生成的。用户反馈可能是显性的也可能是隐性的。显式反馈可以是用户评分，而隐式反馈可以是用户行为。
需要注意的是，基于内容的推荐系统并不会使用其它用户的评分，在不同的情况下这既是优点也是缺点：
- 【优点】1.部分解决冷启动问题 当其它用户评分较少时，只要我们知道带预测用户的喜好，即可进行推荐；或者当物品是一个新的物品，无法得到其它用户的评分，而基于内容的推荐系统可以通过提取物品特征来推荐
- 【缺点】1.无法解决用户冷启动问题；由于无法利用其它用户的评分2.无法进行多样性和新颖性推荐
基于内容的系统特别适合在文本丰富且无结构的领域中提供建议，如网页的推荐。由于基于内容的系统使用各种各样的项目描述和有关用户的知识，因此必须将这些不同类型的非结构化数据转换为标准化的描述。在大多数情况下，最好将项目描述转换为关键词。因此，基于内容的系统大部分（但不是唯一）在文本域中应用。自然而言，基于内容的系统的许多应用也是以文本为中心的。例如，新闻推荐系统通常是基于内容的系统，它们也是以文本为中心的系统。通常，文本分类和回归建模方法仍然是用于创建基于内容的推荐系统的最广泛使用的工具。
不管是怎样的内容的推荐系统，他们都有三个共同的基本组成部分：
- 数据预处理和特征提取：基于内容的推荐系统被用于各种领域，例如网页，产品说明，新闻，音乐等等。我们从各种来源中提取特征，并将其转换为基于关键词的向量空间表示。这是任何基于内容的推荐系统的第一步，并且特定于相应的应用领域。合适的提取最具信息量的特征对于任何基于内容的推荐系统的有效运行都是必不可少的。
- 基于内容学习用户资料：基于用户的特定模型可以根据用户过去对商品的购买或评分历史来预测他们对商品的兴趣。为了实现此目标，我么可以利用用户的评分（显式反馈）或用户活动（隐式反馈）。将反馈与项目的属性结合使用，以构建训练数据集。在此训练数据集上构建学习模型。此阶段通常与分类或回归建模没有太大不同，具体取决于反馈是分类的（例如，选择商品的二元行为）还是反馈是数字的（例如，评级或购买频率）。生成的模型称为用户配置文件，因为它在概念上将用户兴趣（评分）与商品属性相关联。
- 筛选和推荐：将从上一步中学到的模型用于为特定用户推荐商品。一般需要实时执行预测。
在之后的【基于内容的推荐系统】系列中我们将详细围绕这三个部分进行展开。
喜欢请点赞，转载请注明出处！
参考文献
[1] Aggarwal, Charu C.Recommender systems. Vol. 1. Cham: Springer International Publishing, 2016.
网友评论