如何构建基于内容的推荐系统
推荐阅读时间：9min~11min 文章内容：基于内容的推荐系统
推荐系统起步阶段一般都会选用内容推荐，并且会持续存在。
为什么要做内容推荐
内容推荐非常重要，并且有不可替代的作用。内容推荐有以下优势：
- 从内容数据中可以深入挖掘很多信息量
- 新物品想要快速被推出，首选内容推荐
- 可解释性好
内容推荐流程
基于内容的推荐，最重要的不是推荐算法，而是内容分析。内容分析得越深入，哪怕最开始使用人为定制的规则也能起到不错的效果。
如何从文本中构建用户画像 讲解了如何从文本中挖掘物品信息，这里简单说下非文本信息的中挖掘有用信息，以短视频为例：
- 如果短视频本身没有任何结构化信息，如果不挖掘内容，那么除了强推或者随机小流量，没有别的合理曝光逻辑了；
- 如果对视频的文本描述，比如标题等能够有内容分类，比如是娱乐类，那么对于喜欢娱乐的用户来说就很合理；
- 如果能够进一步分析文本的主题，那么对于类似主题感兴趣的用户就可能得到展示；
- 如果还能识别出内容中主角，那就更精准锁定一部分用户了。
内容分析可以得到两个结果：
- 结构化内容库（物品画像）
- 内容分析模型
结构化内容库就是将原始的内容结构化之后的结果，它可以结合用户的行为，将结构化后的结果传递给用户，构建一部分用户画像。另外一个就是在进行内容分析时，会生成一些内容分析模型，比如（分类器模型，主题模型，实体识别模型，词嵌入模型），这些模型可以在线部署，对新物品进入时，对新物品进行实时分析，提取出结构化内容，以便与用户画像进行匹配。
内容推荐算法
基于内容的推荐系统，最简单的当属计算用户与物品之间的相似度了。具体来说，物品画像有对应的稀疏向量，用户画像也有对应的稀疏向量，两者之间计算余弦相似度，之后按照相似度结果对物品进行排序。
使用上面的简单算法有一个天然优势就是可解释性很强，但是并不属于机器学习方法，因为没有考虑推荐系统的目标，在 推荐系统中重要却又容易被忽视的问题有哪些 中介绍了目标思维的重要性，如果要考虑目标的话，我们可以构建一个监督学习模型。
具体以实际应用场景来说，首先要确定我们推荐系统的目标，可以是点击率、购买率、阅读时间长短等等，目标需要根据不同的业务和场景来确定。确定了目标之后，我们开始收集跟目标相关数据来作为训练数据。
每一个训练数据样本都包含两部分，一部分是特征，包含用户画像，物品画像以及一些上下文信息，比如时间、地理位置、网络环境、设备等等，另一部分是目标，目标的数据是由用户交互行为得到的，比如标注用户是否点击，是否购买，阅读时间等。
接下来根据训练样本来训练分类器或者回归器，取决于推荐系统目标（目标为点击率，购买率时属于分类问题，阅读时间长短属于回归问题），按照以上这种方式构建的推荐系统，可以一直去迭代优化。
总结
总结一下，基于内容的推荐有一些天生的优势，也是非常重要的，基于内容推荐时，需要两类数据：物品画像，用户画像。基于内容来构建推荐系统可以采用的算法有简单地相似度计算，也可以使用机器学习构建监督学习模型。
相关推荐：
点击这里领取BAT面试题 ==》：BAT机器学习/深度学习面试300题
作者：无邪，个人博客：脑洞大开，专注于机器学习研究。
腾讯云开发者
