基于內容推薦(CB)的推薦算法

基于內容推薦概要

基于內容的信息推薦方法的理論依據(jù)主要來自于信息檢索和信息過濾，所謂的基于內容的推薦方法就是根據(jù)用戶過去的瀏覽記錄來向用戶推薦用戶沒有接觸過的推薦項。主要是從兩個方法來描述基于內容的推薦方法：啟發(fā)式的方法和基于模型的方法。啟發(fā)式的方法就是用戶憑借經(jīng)驗來定義相關的計算公式，然后再根據(jù)公式的計算結果和實際的結果進行驗證，然后再不斷修改公式以達到最終目的。而對于模型的方法就是根據(jù)以往的數(shù)據(jù)作為數(shù)據(jù)集，然后根據(jù)這個數(shù)據(jù)集來學習出一個模型。一般的推薦系統(tǒng)中運用到的啟發(fā)式的方法就是使用tf-idf的方法來計算，跟還有tf-idf的方法計算出這個文檔中出現(xiàn)權重比較高的關鍵字作為描述用戶特征，并使用這些關鍵字作為描述用戶特征的向量；然后再根據(jù)被推薦項中的權重高的關鍵字來作為推薦項的屬性特征，然后再將這個兩個向量最相近的（與用戶特征的向量計算得分最高）的項推薦給用戶。在計算用戶特征向量和被推薦項的特征向量的相似性時，一般使用的是cosine方法，計算兩個向量之間夾角的cosine值。

基于內容推薦的步驟

1、對數(shù)據(jù)內容分析，得到物品的結構化描述

2、分析用戶過去的評分或評論過的物品的，作為用戶的訓練樣本

3、生成用戶畫像

a.可以是統(tǒng)計的結果（后面使用相似度計算）

b.也可以是一個預測模型（后面使用分類預測計算）

4、新的物品到來，分析新物品的物品畫像

5、利用用戶畫像構建的預測模型，預測是否應該推薦給用戶U

a.策略1：相似度計算

b.策略2：分類器做預測

6、進一步，預測模型可以計算出用戶對新物品的興趣度，進而排序

7、進一步，用戶模型在變化，通過反饋更新用戶畫像（用戶畫像在這里就是預測模型）

反饋-學習，構成了用戶畫像的動態(tài)變化

基于內容推薦的層次結構

* 內容分析器

文檔的數(shù)據(jù)處理

得到結構化的數(shù)據(jù)，存儲在物品庫中

* 信息學習器

收集有關用戶偏好的數(shù)據(jù)特征，泛華這些數(shù)據(jù)，構建用戶特征信息（機器學習）

通過歷史數(shù)據(jù)構建用戶興趣模型（通過分類的方法，提取特征，特征就是組建用戶畫像的基礎）

生成興趣特征（正樣本）和無興趣特征（負樣本）

* 過濾組件

將用戶的個人信息和物品匹配

生成二元或連續(xù)性的相關判斷（原型向量和物品向量的余弦相似度）

基于內容推薦（CB）的推薦算法

就目前看，Collaborative Filtering Recommendations （協(xié)同過濾，簡稱CF） 還是目前最流行的推薦方法，在研究界和工業(yè)界得到大量使用。但是，工業(yè)界真正使用的系統(tǒng)一般都不會只有CF推薦算法，Content-based Recommendations （基于內容推薦，CB） 基本也會是其中的一部分。

CB根據(jù)用戶過去喜歡的產(chǎn)品（items），為用戶推薦和他過去喜歡的產(chǎn)品相似的產(chǎn)品。例如，一個推薦飯店的系統(tǒng)可以依據(jù)某個用戶之前喜歡很多的烤肉店而為他推薦烤肉店。 CB最早主要是應用在信息檢索系統(tǒng)當中，所以很多信息檢索及信息過濾里的方法都能用于CB中。

推薦過程：

CB的推薦過程一般包括下面三步：

Item Representation：即對items做特征工程，通俗來說即對items的屬性表達出來，如item = 農夫山泉（品類：礦泉水，價格：1-5，etc）；

Profile Learning：利用一個用戶（id）過去喜歡（以及不喜歡）的item的特征數(shù)據(jù)，來學習出此用戶的喜好特征（profile），如id=我，喜歡=（農夫山泉，麥當勞），不喜歡=（檳榔，香煙），etc。

Recommendation Generation：通過比較上一步得到的用戶profile與候選item的特征，為此用戶推薦一組相關性最大的item。

例子：

對于個性化閱讀來說，一個item就是一篇文章，第一步我們要提取文章中的關鍵詞組來表示文章的主題，可以采用的方法例如TF-IDF找文章中詞的權重，例如在python文章中“python”是主要被提及的字眼，那么該詞是關鍵字，利用這種方法，我們就可以把文章向量化。第二步是找出用戶之前喜歡的文章，通過上述TF-IDF方法，將其向量化，然后求平均值，來代表用戶大致喜歡的文章。如果用戶喜歡python語言，那么該用戶的profile中［‘python’］的權重占比較大。第三步就是通過以上二步得到的所有item和該用戶的profile進行匹配，計算方式一般用余弦相似度。

詳細過程

1.Item Representation

Item一般都會有一些描述它的屬性。這些屬性通?？梢苑譃閮煞N：結構化（structured）和非結構化（unstructured）屬性。所謂結構化屬性就是可以被量化，可直接使用的屬性，如人有性別、學歷、地域等屬性。而非結構化屬性就是需要再進行二次解析，無法直接利用的屬性，如人的購買記錄，一篇文章的內容等。像文章這種非結構化數(shù)據(jù)可以利用TF-IDF和word2vec等算法把文章中的關鍵詞向量化表示出來。

如果用TF-IDF表示文章對應關鍵詞的權重，那么可以得到以下矩陣：

2.Profile Learning

假設用戶（id）已經(jīng)對一些item做出了喜歡的判斷，對另一部分item做出了不喜歡的判斷，且這些item我們已經(jīng)有了對應的向量化表示，那么這就是用戶的profile，如何簡單計算用戶的profile呢？公式如下：

其中x是用戶喜歡的item，a是喜歡item的總數(shù)，y是用戶不喜歡的item，b是不喜歡item的總數(shù)。這時我們得到另一個用戶矩陣：（當然這里不是協(xié)同過濾，無需把全部用戶列成矩陣項，實際應用單個用戶id即可）

3.Recommendation Generation

通過以上二步得到的所有item和所有用戶的profile，那么要對一個用戶的profile和所有item進行匹配，此時我們計算的方式一般用余弦相似度。余弦相似度的計算方法如下，假設向量a、b的坐標分別為（x1，y1）、（x2，y2） 。則：

余弦值的范圍在［-1，1］之間，值越趨近于1，代表兩個向量的方向越接近；越趨近于-1，他們的方向越相反。如上述例子我們可以計算以下結果：

所以最終會把余弦值最大（跟用戶最相關的文章）的前N篇推薦給用戶。

優(yōu)缺點

優(yōu)點：可以使用當前的用戶評價來構建用戶的個人信息；由于過程簡單解釋性強，推薦的結果容易被人接受；對于新物品來沒有任何用戶評分的也可以推薦給用戶。

缺點：可分析的內容有限，且新穎度較差，新用戶需要用戶的偏好信息，無法解決冷啟動問題。