1介绍
基于推荐系统(4)-基于内容的推荐系统的学习
基于内容推荐的方法特别适用于文本领域,比如新闻的推荐等等。
核心:首先构造商品画像,之后根据此画像来寻找最相似的其他商品。
基本思想:给用户推荐与其曾经喜爱的物品相似的物品(基于物品自身的属性,而ItemCF是指喜欢物品A的用户一般都喜欢物品B,那么可以给喜欢物品A但是还没有发生用户行为的其他人推荐物品B)
2基于内容推荐系统的算法原理
2.1相似度计算
那又如何计算相似度呢?
答:转换成了向量的形式,计算两个向量之间的相似度。最经典的评估方法就是使用余弦相似度。
例子:电影构造物品画像
问题:如何把这些特征表示成向量?
离散型变量——通过独热编码的形式来转换成向量
数值型变量——直接使用等等
问题:那文本类的特征如何处理呢? 比如电影的描述。
答:设计NLP领域。我们可以直接使用TF-IDF的方式即可以转换成向量的形式。当然我们也可以使用Word2Vec等技术来表示成向量的。
向量表示特征
例子:特征也叫作画像
2.2相似度排序推荐
2.3基于内容推荐算法的优缺点
优点:推荐较为准确
2.4如何去处理新用户的冷启动问题?
冷启动在推荐系统中非常常见。在基于内容的推荐算法中,一旦一个新用户来了,由于他还没有购买任何的物品,所以无法给他推荐任何物品的。
3代码实例
参考
推荐系统(4)-基于内容的推荐系统:https://zhuanlan.zhihu.com/p/98295397