Contend-Based Recommender,主要就是根据Item的attribute与User preference的Profile匹配后进行推荐。
Content-Based Recommender的几种形式
Case-Based Recommender
类似于挑选商品时的条件筛选,通过各种属性值的筛选,为用户filter出最后的候选结果。如前所述,这些东西在购物的应用中十分常见。
这种推荐方式适用于ephemerally-personalized experience。(短时个性化)
CBR主要涉及到的问题
1 如何获取Item的Attribute
2 如何计算User preference的Profile
3 如何进行Item与User之间的匹配
对user和item的属性进行建模的方法主要就是vector space model,就是将user和item都投影到一个由各个Attribute组成的坐标系中(具体表示为坐标系中的点),通过计算点之间的相似性,来进行匹配。但是,vector space model有着如下的缺点:
无法区分like与importance。或者说是这种方式将like与importance看成是相同的因素。你喜欢一个atrribute,就意味着你认为这个attribute重要。反之亦然。
具体的点的坐标计算方法,有TF-IDF[2]等,当然不同的应用场景有着不同的方法。主要如下: