在上一篇文章中，我们介绍了推荐系统的主要工作流程。在接下来的文章中，我们会详细分析推荐系统中的过滤技术。
推荐系统中不同的过滤技术
推荐系统要想为用户提供切实有用的推荐服务，高效、准确的推荐技术至关重要，也就是说，理解不同推荐过滤技术的特征和潜力至关重要。
下图显示了推荐系统中不同的过滤技术：
基于内容的过滤技术（Content-based filtering）
基于内容的过滤技术（CBF）是一种依赖于域的算法，在生成预测时，它更多地强调对项目属性的分析。当被推荐的对象是网页、出版物和新闻等文本型项目时，这种过滤技术是最成功的。
基于内容的过滤技术推荐时要依赖用户画像，而用户画像是从用户评估过的项目中获取，与用户的积极评价最相关的项目会被推荐给用户。
为了生成有意义的推荐结果，CBF会使用不同的模型来查找文本项目之间的相似性。它可以使用向量空间模型（ Vector Space Model），如关键词权重计算法（TF / IDF，Term Frequency Inverse Document Frequency），或概率模型，如朴素贝叶斯分类器、决策树、或神经网络，在语料库中模拟不同文本项目之间的关系。之后，通过统计分析或机器学习技术来学习基础模型，从而生成推荐结果。
基于内容的过滤技术不需要参照其他用户画像，因为其他用户画像不会影响推荐的最终结果。而且，如果用户画像发生变化，CBF技术仍有可能在很短的时间内调整推荐结果。该技术的主要不足是需要系统对项目内容的特征有足够深入的了解。
基于内容的过滤技术的利弊
基于内容的过滤克服了协同过滤遇到的问题——即使没有用户提供评级，基于内容的过滤也可以向用户推荐新商品。因此，即使数据库中不包含用户兴趣爱好，也不会影响推荐结果的准确性。
而且，如果用户兴趣爱好发生变化，基于内容的过滤可以在短时间内调整其推荐结果。用户可以在不共享其个人信息的情况下获得推荐结果，这一点大大确保了个人隐私的安全性。
此外， CBF技术还可以提供关于如何向用户生成推荐的解释。
然而，基于内容的过滤技术取决于项目的元数据。也就是说，在向用户推荐之前，系统需要丰富的项目内容描述和完整的用户画像，即“有限内容分析”。因此，CBF的有效性取决于描述性数据的可用性。
而内容过度专业是CBF技术面临的另一个严重问题。用户只能获得与其自身画像中的项目类似的推荐结果。
以上就是我们对基于内容的过滤技术的介绍，下一篇文章我们将关注协同过滤技术，欢迎阅读！
相关阅读：
如欲了解更多，欢迎搜索并关注先荐微信公众号（ID：dsfsxj）、知乎号（第四范式 先荐）。
30
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
