推荐系统：推荐算法详解二

基于内容的推荐算法

Content-based Recommendations(CB)根据物品或内容的元数据，发现物品的相关性，再基于用户过去的喜好记录，为用户推荐相似的物品。
通过抽取物品内在或者外在的特征值，实现相似度计算；比如一个电影，有导演、演员、用户标签UGC、用户评论，时长、风格等等，都可以算是特征。
将用户（user）个人信息的特征（基于喜好记录或是预设兴趣标签），和物品（item）的特征相匹配，就能得到用户对物品感兴趣的程度；
在一些电影、音乐、图书的社交网络有很成功的应用，有些网站还请专业的人员对物品进行基因编码/打标签（PGC）

特征提取的方式

对物品的特征提取：打标签（tag）
专家标签（PGC）,用户自定义标签（UGC）,降维分析数据，提取隐语义标签（LFM）
对于文本信息的特征提取：关键词
分词、语义处理和情感分析（NLP）,潜在语义分析（LSA）

相似度计算

相似度的评判，可以用距离表示，而一般更常用的是“余弦相似度”；

基于内容推荐系统的高层次结构