推荐系统之Cotent-Based算法

简单的内容关联算法

算法的基本原理是将一个item的基本属性、内容、一级/二级类别标签等信息提取出来，抽成一个taglist，为每个tag赋一个权重。将所有item对应的taglist做一下倒排转换，放到倒排索引服务器中存储起来。当需要对某一个item做相关推荐的时候，将该item对应的taglist拿出来拼成一个类似搜索系统中的query表达式，再将召回的结果做一下排序作为推荐结果输出。当需要对某个用户做个性化推荐的时候，将该用户最近喜欢/点击/操作过的item列表拿出来，将这些item的taglist取出来merge一下作为用户模型，然后将用户模型的taglist请求倒排索引服务，将召回的结果经过过滤、粗排、精排等模块后作为候选推荐给该用户。

基于内容的推荐算法

更系统、更一般地，CB的过程一般包括以下三步：

1. Item Representation：为每个item抽取一系列特征来表示此item；
2. Profile Learning：利用一个用户过去喜欢/不喜欢的item的特征数据，学习出此用户的偏好模型（profile）；
3. Recommendation Generation：通过比较/模型学习前面得到的用户profile与候选item的特征，为此用户推荐一组相关性最大
   的item。

以上三个步骤可以用下面的流程图来表示，第一步对应着Content Analyzer，第二步对应着Profile Learner，第三步对应着Filtering

Component：

对于个性化阅读来说，一个item就是一篇新闻/文章。根据上面的第一步，我们首先要从文章内容中提取出代表该文章的属性/特征，常用的方法主要有Bag Of