基于内容的推荐

基于内容的推荐根据用户过去喜欢物品的特征，推荐特征相似的物品，通过物品内容构建用户兴趣画像。

Definition

基于内容的推荐通过比较物品的内容特征与从用户过去互动过的物品中推断出的用户偏好画像，预测用户对物品的兴趣，并推荐与画像最相似的物品。

Scope

本主题涵盖依赖物品描述和学习到的用户画像的推荐：通过内容特征表示物品，从已评分或已消费的物品构建用户画像，以及使用相似性或监督学习将画像与候选物品进行匹配。它探讨了与信息检索的密切关系，其中用户画像充当持久查询，以及过拟合等典型优势和局限性。它不包括使用其他用户行为的协同方法。

Core questions

• 如何通过内容特征表示物品以进行推荐？
• 如何从用户喜欢的物品中构建用户画像？
• 如何根据用户画像对候选物品进行评分？
• 基于内容的推荐与信息检索和过滤有何关系？
• 为什么基于内容的推荐倾向于过拟合？

Key concepts

• 物品内容特征
• 用户画像
• tf-idf和关键词画像
• 画像-物品相似性
• 监督偏好学习
• 过拟合
• 推荐的可解释性
• 新物品处理

Key theories

画像即查询匹配

通过内容特征表示物品，并用从用户喜欢的物品聚合而成的画像表示用户，基于内容的推荐就简化为检索式的相似性匹配，其中画像的功能类似于对物品目录的持久查询。

优势与过拟合

基于内容的方法可以推荐新颖和利基物品，并通过特征解释推荐，但由于它们只呈现与用户历史相似的物品，因此存在推荐狭窄、过拟合且缺乏惊喜感的风险。

Clinical relevance

基于内容的推荐在物品描述丰富的情况下，推动了文章、产品、音乐和视频的推荐，并且由于不依赖他人的评分，因此能很好地处理新物品。它常与协同方法结合使用，以弥补各自的缺点。

History

基于内容的推荐直接源于20世纪90年代的信息过滤和检索，将用户画像视为一个长期查询。Pazzani和Billsus的综述以及Lops及其同事后来的最新调查巩固了表示和画像学习技术，该方法仍然是标准组成部分，尤其是在混合系统中。

Key figures

• Michael Pazzani
• Daniel Billsus
• Pasquale Lops
• Giovanni Semeraro

Seminal works

• pazzani2007
• lops2011

Frequently asked questions

基于内容的推荐与信息检索有何关系？

关系非常密切：用户画像扮演查询的角色，物品扮演文档的角色，推荐最佳物品本质上是根据与查询的相似性对文档进行排序。许多基于内容的方法重用了检索表示，例如tf-idf和余弦相似性。

基于内容的推荐中的过拟合是什么？

由于该方法只推荐与用户已经喜欢的物品相似的物品，它可能会不断推荐近似重复的物品，而错过用户可能喜欢的新颖或令人惊喜的物品。这种缺乏惊喜感是基于内容的方法常与协同过滤结合使用的主要原因。