大数据推荐系统算法之基于内容个性化推荐

大数据推荐系统算法有很多种，今天小编和大家分享一下基本内容(Content-based)做个性化推荐的方法。

基于内容推荐算法的原理很简单，就是通过分析物品的特征，计算新物品与用户历史喜欢物品的相似度，找最接近的topN个作为推荐的候选项。

 

基于内容推荐算法的一般处理步骤以下：

1.将物品的属性资料结构化

2.从物品属性中提取重要特征，可根据实际情况给特征加权。

3.取用户喜欢的历史数据作为训练集，建立出用户的兴趣模型

4.将物品的特征属性与用户兴趣模型计算相似度，用一个阀值来判断用户是否喜欢物品，如果是多个物品时可以按相似度的高到低来取topn作为推荐候选项

 

上面第1、2两个步骤相对简单，就是根据物品实际的特性取重要特征可以了，比如电子产品选品牌，性能相关的特征，衣服鞋之类的可能选材料相关的特征。

 

详细讲解一下第3、4步如果建立用户兴趣模型。举个例子：

item 有三个牲 A,B,C 取用户喜欢的历史数据100条作为训练集。

接下来计算这100条训练样本集中A,B,C三个特征的比例，假如结果是 A:0.45,B:0.25,C:0.3

现在有物品如下

       A    B   C

物品1  0    1   1

物品2  1    0   0

 

那么物品1与用户的兴趣相似度为 0*0.45+1*0.25+1*0.3=0.55

    物品2与用户的兴趣相似度为 1*0.45+0*0.25+0*0.3=0.45

结果很明显物品1更比物品2更适合推荐给用户

本例原代码下载