28、推荐系统：基于内容过滤与矩阵分解的探索

推荐系统：基于内容过滤与矩阵分解的探索

1. 基于内容的过滤推荐

1.1 预测与推荐展示

预测仅基于一部电影的评分进行。这种方式是否有益可自行判断，但它至少能提供一个排序，列出与用户高评分项目更相似的项目。

内容推荐在特定电影的详情页面展示，当前项目即为特色电影。而首页的个性化推荐，则需遍历用户的所有项目，基于其LDA向量计算相似度，排序后返回给用户。

1.2 基于内容的推荐器评估

评估基于内容的推荐器时，传统的数据交叉验证方法不适用于内容数据。可使用与评估MAP类似的代码，具体步骤如下：
1. 创建一个接受评分列表的推荐方法，使用用户评分的训练部分调用该方法。
2. 考虑如何划分每个用户的数据，可保证一定量的训练数据、一定数量的测试评分，或设定特定划分点。
3. 执行以下代码运行评估：

> python -m evaluator.evaluation_runner -cb

此代码会创建一个包含评估数据的CSV文件。

1.3 基于内容过滤的优缺点

基于内容的推荐器通过寻找相似内容来工作，评估结果取决于领域和用户特性，即用户是否倾向于同一类型内容，或用户的冒险程度。以下是基于内容过滤的优缺点：
- 优点 ：
- 易于添加新项目，创建项目特征向量即可。
- 无需大量流量，根据内容描述找到相似度，首次访问或评分即可开始推荐。
- 推荐不受流行度影响，冷门电影与热门电