基于内容的推荐是在推荐引擎出现之初应用最为广泛的推荐机制,它的核心思想是根据推荐物品或内容的元数据,发现物品或者内容的相关性,然后基于用户以往的喜好记录,推荐给用户相似的物品。比如你看了哈利波特I,基于内容的推荐算法发现哈利波特II-VI,与你以前观看的在内容上面(共有很多关键词)有很大关联性,就把后者推荐给你。
1.特征(内容)提取 ,提取每个待推荐物品的特征(内容属性)。
这些特征往往分为两种:结构化的特征和非结构化的特征。
所谓结构化特征就是特征的取值限定在某个区间范围内,并且可以按照定长的格式来表示。
非结构化的特征往往无法按固定的格式表示,最常见的非结构化数据就是文章。例如对推荐文章,我们往往会把文本上的非结构特征转化为结构化特征,然后加入到模型使用。
2. 用户偏好计算,利用一个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;
有以下几种常见的计算方法:
(1) 基础统计法。(2) 词频统计法。
3. 内容召回 :将待推荐物品的特与用户偏好得分匹配,取出用户最有可能的物品池。
4. 物品排序,按用户偏好召回物品池,可能一次性挑选出很多内容。这时候我们可以进一步根据这些电影的平均分进行排序。
通过以上四步,就可以快速构建一个推荐系统。并且基于内容的推荐方法用户易于理解,简单有效。常常和其他推荐方法共同应用于推荐系统中。
- 首页
- 国外有没有类似小程序的应用
- 正文