推荐系统7---基于内容的推荐（ContentBasedRecommend）

这篇笔记，重点在于解决以下三个问题：
这篇论文解决了什么问题？
创新点在哪里？
实验结果怎么样？

1,前言

本篇文章又回到传统推荐方式——协同过滤部分的内容。协同过滤分为基于用户的协同过滤（userCF）和基于物品的协同过滤（itemCF）。本篇文章要讲的基于内容的推荐方式，属于协同过滤部分的内容。
基于内容的推荐，是什么？
它是以物品的内容描述信息为依据做出的推荐，本质上是基于对物品和用户自身的特征或者属性直接分析和计算。更直白的来说，就是事先给出物品画像和用户画像，这样，我们就能根据用户喜欢什么直接给用户推荐物品。比如我们知道电影A是一部喜剧，同时我们知道某个用户喜欢喜剧，那我们就可以将电影A推荐给用户。
基于内容的推荐涉及到的技术细节有哪些？
1，构建用户画像（给用户打标签），那么如何给用户打标签？
2，构建物品画像（给物品打标签），那么如何给物品打标签？
3，如何解决物品的冷启动问题？
本文将通过movielens数据集，把基于内容的推荐流程走一遍，这里面会涉及到tf-idf技术，word2vec技术，doc2vec技术等。遇到的，我们就都了解一下。
基于内容的推荐，整体流程是什么？
1，建立物品画像
1，基于用户给电影打的tag和电影的分类值，得到每一部电影的总标签
2，求每一部电影标签的tf-idf值
3，根据tf-idf的结果，为每一部电影选择top-n（tf-idf值较大）的关键词作为整部电影的关键词
4，最后得到电影id——关键词——关键词权重
2，建立倒排索引
1，目的是为了根据关键词找到对应的电影，便于后面得到用户画像（用户喜欢什么样的电影）之后对用户进行一些推荐
3，建立用户画像
1，看用户看过哪些电影，基于前面的物品画像找到电影对应的关键词
2，把用户看过的所有关键词放在一起，统计词频（每个词出现的次数）
3，将出现次数最多的关键词作为用户的兴趣词，这个就是用户的画像
4，根据用户的兴趣词，基于倒排表找到电影，对用户实施推荐。
本篇文章的基本大纲是什么？

• 基于内容的推荐算法