第二章 基于内容、知识的推荐系统

一、学习目标

1.了解内容的定义和获取方法

2.学习基于内容设计的推荐系统

3.认识基于知识的两类推荐系统并进行对比

二、内容定义与获取

1.什么是内容

        在推荐系统中，内容主要指对商品的文字描述，所以属于NLP领域，而不是CV领域。而最后提取到的内容是一系列关键词。

2.内容提取

        常见的获取关键词的方法就是统计每个词的tf-idf值：

        在比较两个商品的相似度，或者用户和商品的相似度，等价为用户向量和商品描述文档向量的相似度，而这个相似度可以使用归一化向量的余弦相似度来表示，即向量的夹角：

3.向量空间模型的改进：

三、基于内容的推荐系统

        有了用户向量和商品向量，显然我们可以使用最近邻方法来获取最接近用户向量的前n个商品作推荐：

        当然，还可以使用概率模型和线性分类器：

        虽然该推荐方法用到了内容的信息，但不可避免的出现很大的局限性：

 四、基于知识的推荐系统

        基于知识的推荐系统可以解释成下图所示：

        第一个问题，为什么要使用知识，它跟内容的区别是什么？知识与内容是相似的东西，都是商品的特征集合，内容是关键词，而知识是商品的属性。

        第二个问题，如何推荐？为此，提出了两个方向：基于约束的、基于案例的：

1.基于约束的推荐系统

        其包括两个部分：构建知识库和推导可推荐商品：

        由于其要求硬性满足用户需求，所以容易产生没有商品匹配的情况。于是可以选择设置默认推荐的方法：

        或者列出满足部分需求的商品，其中QuickXPlain算法是一个计算冲突集的算法其过程详细如下：

        以一个例子为例：

        显然，基于约束的推荐系统由于太硬性导致很多问题，于是又相对宽松的基于案例的推荐系统。

2.基于案例的推荐系统

        在这类推荐系统中，也是计算用户需求与商品知识的相似性，但相对宽松，不保证都符合，只是不符合的属性会拉低分数。

        例如下图有价格price和像素填充率mpix两个要求，可以很快速找到符合用户要求的商品，并进行排序：

3.小结：

 

五、总结

         基于内容和知识的两类推荐各有各的优势，但实际的技术手段是一样的，内容描述商品的关键词，知识描述商品的属性。