推荐系统的基础算法-①基于内容的推荐算法

基于内容的推荐算法

基于内容的推荐算法的本质是对内容进行分析，建立特征。
一般而言都是对物品进行有关内容的分类，例如电影、书籍、商品等，通过提取这些物品的内容属性或历史评分也或是操作记录，计算不同用户对不同内容属性的爱好程度，在根据这些爱好，推荐其他相同属性的物品。

1.基于内容的推荐算法的基本流程

其内容推荐算法氛围以下4个步骤

• 特征提取
• 偏好计算
• 内容召回
• 物品排序

2.实际案例

为了更好的理解步骤，才用B站大神的实际案例一步一步分析。

盗图源：蚂蚁学Python
https://www.bilibili.com/video/BV17E411B7vr?spm_id_from=333.337.search-card.all.click

3.余弦相似度

4.余弦相似度的代码实现

import math
import numpy
from numpy import linalg

# 方法1
def cos_similar_compute(u_k,w_t):
    if(len(u_k) != len(w_t)):
        assert('用户数据与物品数据不等！')
    if(len(u_k) == 0):
        assert('用户数据为空！')
    i = 0
    Score1 = 0
    Score2 = 0
    Score3 = 0
    while(i < len(u_k)):
        Score1 = Score1 + u_k[i] * w_t[i]
        Score2 = Score2 + u_k[i] * w_t[i]
        Score3 = Score3 + u_k[i] * w_t[i]
        i += 1
    if(Score3 == 0 or Score2 == 0):
        assert('用户或者物品数据为空！')
    return Score1 * 1.0 / (math.sqrt(Score2)*math.sqrt(Score3))

# 方法2 直接调包实现
def cos_sim(u_k,w_t):
    num = float(u_k,w_t)
    denom = linalg.norm(u_k) * linalg.norm(w_t)
    return 0.5 + 0.5 * (num/denom)

这里方法2调用的numpy.linalg其实是一个计算范数的方法，默认是二范数

优点

• 1.物品没有冷启动问题，因为物品的内容不受用户数据影响，同时推荐出的物品不会存在过于热门的问题
• 2.能为具有特殊偏好的用户进行推荐
• 3.原理简单，易于定位

缺点

• 1.很难打标签
• 2.局限历史数据，无法挖掘潜在兴趣
• 3.新用户如果没有行为，这无法推荐