基于内容的推荐系统

转自http://blog.sina.com.cn/s/blog_6f7265cf0101nbfm.html

推荐系统随处可见，比如推荐歌词、推荐广告、推荐文章，这里谈到的是基于内容的推荐系统。

基于内容的推荐（Content-based Recommendations），根据用户过去喜欢的产品，为用户推荐和他过去喜欢的产品相似的产品。主要包括以下三个步骤：

一、产品的表示，也可以称为特征的表示。产品可以包括图片、文章、数据等等，基本上可以分为两类，一类是结构化数据，可以直接明确其中的意义；另一类是非结构化数据，比如文章的内容，无法直接确定意义，通常需要转换。在转换的方法中常用的词频-逆文档频率（term frequency–inverse document frequency，简称TF-IDF）。词典里第k个词与第j篇文章中对应的TF-IDF值为：

其中，TF()为第k个词在文章j中出现的次数，nk是所有文章中包括第k个词的文章数量。第k个词在文章j中的权重为：

有了词在文章中的权重之后就可以表示出该文章的特征向量。哦也~

二、为用户的喜好建立模型，即profile。这里需要以前的该用户数据，也可以看成是监督学习。训练集就是用户数据，里面的类别就是喜好程度。简单介绍一些分类方法：
1.贝叶斯分类器

我们需要一个分类模型，即类条件概率和先验概率，这样每有一个候选集里的值都有一个后验概率。贝叶斯分类器的关键是类条件概率的计算。
贝叶斯分类器里很重要的一种算法是朴素贝叶斯分类器（Naive Bayes，简称NB）。
前提假设：每个词出现的概率相互独立。虽然假设不靠谱，但结果惊人的好。常被用来做文本分类，往往是很多分类为最先被尝试的算法。这里因为是朴素贝叶斯分类器，类条件概率相互独立，可以计算每个属性的条件概率值然后连乘。
另外还有贝叶斯信念网、高斯混合模型等算法，不再介绍。

2.决策树

当数据数量少而且是结构化属性，可以考虑。如若不然，例如文章，效果就不一定好，不多做介绍。

3.神经网络

也是输入输出的对应函数的一种模型，输出可以看成是喜好程度，不多做介绍。

4.专家系统

专家系统是源于里面有很多的推理规则。

5.最近邻

最近邻方法（k-Nearest Neighbor，简称kNN），也是分类器的一种，优点是不需要训练。

6.线性分类器

找到线性判决面，比如SVM。

7.最大熵

熵是度量数据的变化程度，可以反映出能量大小。用分布模拟出训练数据，使分布的熵最大化，即最大熵模型。

三、产生结果。有了模型之后，就可以针对候选集里的每一个数据进行模型值的估计，然后将最能匹配的前N个返回。
基于内容推荐的优点：

1.用户之间相互独立，profile只针对本人的模型训练。

2.易于理解。

3.新的候选集可以立即判定。

基于内容推荐的缺点：

1.特征抽取困难而且不太准确。

2.无法挖掘潜在兴趣。

3.新用户没有推荐。

 

目前大部分的推荐系统都是以其他算法为主（如协同过滤），而辅以基于内容推荐以解决主算法在某些情况下的不精确性（如解决新候选集问题）。