推薦系統(tǒng)能有效幫助用戶快速發(fā)現(xiàn)感興趣和高質(zhì)量的信息，增加用戶使用產(chǎn)品的時長。推薦系統(tǒng)越精準(zhǔn)，用戶的使用體驗就越好，產(chǎn)品越容易留住用戶。近幾年，今日頭條、抖音等產(chǎn)品的誕生，也使得基于內(nèi)容的推薦算法這一古老算法的崛起。本文將簡要闡述基于內(nèi)容的推薦算法的基本原理，enjoy~

基于內(nèi)容的推薦算法是眾多推薦算法中的一種，是一種機(jī)器學(xué)習(xí)算法。可以說推薦系統(tǒng)算法是機(jī)器學(xué)習(xí)算法應(yīng)用在我們生活中最普及的算法。基于內(nèi)容的推薦算法（Content-Based Recommendations CB），下文中簡稱CB。

CB的思想非常簡單：根據(jù)用戶過去喜歡的內(nèi)容，為用戶推薦和他過去喜歡的內(nèi)容相似的內(nèi)容。而關(guān)鍵就在于這里的內(nèi)容相似性的度量，這才是算法運用過程中的核心。

CB的過程一般包括以下三步：

1. 內(nèi)容表征（Item Representation）：為每個item抽取出一些特征來表示此item；
2. 特征學(xué)習(xí)（Profile Learning）：利用一個用戶過去喜歡（及不喜歡）的item的特征數(shù)據(jù)，來學(xué)習(xí)出此用戶的喜好特征（profile）；
3. 生成推薦列表（Recommendation Generation）：通過比較上一步得到的用戶特征（profile）與候選item的特征，為此用戶推薦一組相關(guān)性最大的item。

我們通過一個例子，來簡單體驗一下CB的過程。我們以今日頭條為例，今日頭條利用基于內(nèi)容的文本推薦算法，在今日頭條中，一個item就是一篇文章。

1. 內(nèi)容表征

首先要從文章內(nèi)容中抽取出代表它們的屬性。常用的方法就是利用出現(xiàn)在一篇文章中的詞來代表這篇文章，而每個詞對應(yīng)的權(quán)重往往使用加權(quán)技術(shù)算法來計算。利用這種方法，一篇抽象的文章就可以使用具體的一個向量來表示了。

應(yīng)用中的item會有一些屬性對它進(jìn)行描述。這些屬性通?？梢苑譃閮煞N：結(jié)構(gòu)化的屬性與非結(jié)構(gòu)化的屬性。

結(jié)構(gòu)化的屬性就是這個屬性的意義比較明確，其取值限定在某個范圍；而非結(jié)構(gòu)化的屬性往往其意義不太明確，取值也沒什么限制，不好直接使用。

比如在社交網(wǎng)站上，item是人，一個item會有結(jié)構(gòu)化屬性如身高、學(xué)歷、籍貫等，也會有非結(jié)構(gòu)化屬性，如item寫的個人簽名，發(fā)布的內(nèi)容等等。對于結(jié)構(gòu)化數(shù)據(jù)，可以拿來就用；但對于非結(jié)構(gòu)化數(shù)據(jù)（如文章），往往要先把它轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)后才能在模型里加以使用。

真實場景中碰到最多的非結(jié)構(gòu)化數(shù)據(jù)可能就是文章了。那么，如何將非結(jié)構(gòu)化的文章結(jié)構(gòu)化呢？

我們要表征的所有文章集合為 D={d1,d2,…,dN}，而所有文章中出現(xiàn)的詞的集合為T={t1,t2,…,tn}。也就是說，我們有N篇要處理的文章，而這些文章里包含了n個不同的詞。

最終要使用一個向量來表示一篇文章，比如第j篇文章被表示為dj={w1j,w2j,…,wnj}，其中wij表示第i個詞在文章j中的權(quán)重，值越大表示越重要。

所以，為了表示第j篇文章，現(xiàn)在關(guān)鍵的就是如何計算dj各分量的值了。全部i個詞在文章j中對應(yīng)的權(quán)重可以通過TF-IDF（一種用于信息檢索與數(shù)據(jù)挖掘的常用加權(quán)技術(shù)）計算獲得。

通過以上的方法，我們得到了每個item特征的表示（每篇文章中，全部詞的權(quán)重向量模型）。

2. 特征學(xué)習(xí)

假設(shè)用戶已經(jīng)對一些item做出了喜好判斷，喜歡其中的一部分item，不喜歡其中的另一部分。那么，這一步要做的就是通過用戶過去的這些喜好判斷，為他形成一個模型。

通過這個模型，就可以判斷用戶是否會喜歡一個新的item。所以，我們要解決的是一個有監(jiān)督的分類問題，這里可以采用一些機(jī)器學(xué)習(xí)的分類算法。

2.1 K近鄰（KNN）算法

對于一個新的item，KNN算法首先去尋找該用戶已經(jīng)評判過并且與此新item最相似的k個item。

然后依據(jù)該用戶對這k個item的喜好程度來判斷其對此新item的喜好程度。

對于這個方法，比較關(guān)鍵的就是如何通過item的屬性向量計算item之間的相似度。對于結(jié)構(gòu)化數(shù)據(jù)，相似度計算可以使用歐式距離，而如果使用向量空間模型來表示item的話，則相似度計算可以使用cosine（余弦相似度）。

2.2 決策樹算法

當(dāng)item的屬性較少而且是結(jié)構(gòu)化屬性時，決策樹會是個很好的選擇。

這種情況下決策樹可以產(chǎn)生簡單直觀、容易讓人理解的決策結(jié)果。但是如果item的屬性較多，且都來源于非結(jié)構(gòu)化數(shù)據(jù)，例如文章，那么決策樹的效果可能并不會很好。

2.3 樸素貝葉斯算法

樸素貝葉斯算法經(jīng)常被用來做文本分類，假設(shè)在給定一篇文章的類別后，其中各個詞出現(xiàn)的概率相互獨立。

由于樸素貝葉斯算法的代碼實現(xiàn)比較簡單，所以往往是很多分類問題里最先被嘗試的算法。

我們當(dāng)前的問題中包括兩個類別：用戶喜歡的item，以及他不喜歡的item。在給定一個item的類別后，其各個屬性的取值概率互相獨立。我們可以利用該用戶的歷史喜好數(shù)據(jù)進(jìn)行訓(xùn)練，之后再用訓(xùn)練好的貝葉斯分類器對給定的item做分類。

3. 生成推薦列表

如果特征學(xué)習(xí)中我們使用了分類模型，那么只要把模型預(yù)測的用戶最可能感興趣的n個item作為推薦返回給用戶即可。

4. CB的缺點

4.1 無法挖掘出用戶的潛在興趣

CB的推薦只依賴于用戶過去對某些item的喜好，它產(chǎn)生的推薦也都會和用戶過去喜歡的item相似。如果一個用戶以前只看與科技有關(guān)的文章，那CB只會給他推薦更多與科技相關(guān)的文章，它不會知道用戶可能還喜歡政治類的文章。

4.2 無法為新用戶產(chǎn)生推薦

新用戶沒有喜好歷史，自然無法獲得他的特征，所以也就無法為他產(chǎn)生推薦內(nèi)容了。

5. 總結(jié)

由于CB算法的一些缺點，目前大部分的推薦系統(tǒng)都是以其他算法為主（如協(xié)同過濾算法），而輔助使用CB來解決主算法在某些情況下的不精確性（如解決新item問題）。

但CB的作用是不可否認(rèn)的，只要具體應(yīng)用中有可用的屬性，那么基本都能在系統(tǒng)里看到CB的影子。組合CB和其他推薦算法的方式有很多，最常用的可能是就用CB來過濾其他算法的候選集，把一些不太合適的候選去掉。

我們也可以看到，機(jī)器學(xué)習(xí)算法是推薦系統(tǒng)的基石與核心，未來，隨著機(jī)器學(xué)習(xí)、深度學(xué)習(xí)算法的普及，相信也會出現(xiàn)更加優(yōu)秀的組合推薦算法。

#專欄作家#

流年，人人都是產(chǎn)品經(jīng)理專欄作家?；ヂ?lián)網(wǎng)產(chǎn)品設(shè)計師，4年互聯(lián)網(wǎng)產(chǎn)品設(shè)計經(jīng)驗。擅長用戶體驗設(shè)計，喜歡鉆研需求功能背后的技術(shù)實現(xiàn)方式；在成為綜合型產(chǎn)品設(shè)計師的道路上不斷努力前進(jìn)！

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自 Pexels，基于 CC0 協(xié)議