基于内容的推荐算法

根据用户对item的点击次数来判据用户对物品的打分情况

基本流程：

1. 特征（内容）提取
   提取每个待推荐物品的特征（内容属性），比如说是不同物品的分类标签等。
2. 用户偏好计算
   利用用户过去的显式评分或者隐式操作记录，计算用户不同特征（内容属性）上的偏好分数。
3. 内容召回：将待推荐物品的特征与用户偏好得分匹配，取出用户最可能喜欢的物品池。
4. 物品排序：按照用户偏好召回物品池，可能一次性挑选出很多内容，此时，可以根据这些物品的平均得分等，再继续进行排序。

优点：

1. 物品没有冷启动问题，因为物品的内容特征不依赖于用户数据；同时，推荐出的物品不会存在过于热门的问题。
2. 能为具有特殊兴趣爱好的用户进行推荐。
3. 原理简单，易于发现定位问题。

特征提取：

1. 结构化的特征。取值限定在某个范围之内，比如固定的标签等。
2. 非结构化的特征。内容无固定格式，最常见的非结构化特征就是文章。

结果计算

每个物品的内容特征向量，可如下表示：

$$d_j=(w_{1j},w_{2j},\cdots ,w_{nj})$$

每个物品可以用一个n维向量表示。其中 $w_{nj}$ 表示每一维的特征权重。每一维代表了一个标签或者是一个单词等基础要素。

假如用户喜欢物品{1, 3, 7}，则该用户的特征向量可以表示为：
$$U_k=(d_{k1}+d_{k2}+d_{k3})/3=(u_{1k},u_{2k},\cdots ,u_{nk})$$
那么用户k在文章t上的得分可以使用余弦公式计算得到：
$$score=\cos \theta =\frac{{\sum }_{i=1}^n(u_{ik}\times w_{it})}{\sqrt{{\sum }_{i=1}^n{u}_{ik}^2}\times \sqrt{{\sum }_{i=1}^n{w}_{it}^2}}$$