- 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
- 对数据内容分析，得到物品的结构化描述
- 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
- 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）
- 新的物品到来，分析新物品的物品画像
- 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
- 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
- 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）
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）
- 选择出用户u喜欢的文档集合
- 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)
- 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
- 传统是基于IF-IDF的方法
- 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
* 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
- 离散刻度值
@@@Social_information_filtering_algorithms_for_automating_”word_of_mouth”
- 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
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>
<script type="math/tex" id="MathJax-Element-3">
</script>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
