Introduction to Recommender System 之 Module 3 Content-Based Recommenders

本文链接：https://blog.youkuaiyun.com/imak47/article/details/50184145

Content-Based Recommender系统通过Item的属性与User的偏好匹配进行推荐。主要涉及Attribute获取与处理、User Profile计算、Item与User匹配等问题。使用TF-IDF等方法计算点坐标，但存在无法区分喜欢与重要性、无法处理未出现的term等缺点。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Contend-Based Recommender，主要就是根据Item的attribute与User preference的Profile匹配后进行推荐。

Content-Based Recommender的几种形式

Case-Based Recommender

类似于挑选商品时的条件筛选，通过各种属性值的筛选，为用户filter出最后的候选结果。如前所述，这些东西在购物的应用中十分常见。
这种推荐方式适用于ephemerally-personalized experience。(短时个性化)

CBR主要涉及到的问题

1 如何获取Item的Attribute
2 如何计算User preference的Profile
3 如何进行Item与User之间的匹配
对user和item的属性进行建模的方法主要就是vector space model，就是将user和item都投影到一个由各个Attribute组成的坐标系中（具体表示为坐标系中的点），通过计算点之间的相似性，来进行匹配。但是，vector space model有着如下的缺点：
无法区分like与importance。或者说是这种方式将like与importance看成是相同的因素。你喜欢一个atrribute，就意味着你认为这个attribute重要。反之亦然。
具体的点的坐标计算方法，有TF-IDF[2]等，当然不同的应用场景有着不同的方法。主要如下：