大数据推荐系统算法——基于内容个性化推荐

基于内容推荐算法的原理很简单，就是通过分析物品的特征，计算新物品与用户历史喜欢物品的相似度，找最接近的TOP N条数据作为推荐的候选项。

内容推荐算法步骤

1.将物品的属性资料结构化。结构化就是给内容加上各类属性，做成列表，也就是给物品打标签，当然也不局限于物品，可以是任何内容，都可以做结构化处理。

如：文章可以包括，分类、发布时间、作者、来源等；商品可以是产地、分类、品牌、性能等。

2.从物品属性中提取重要特征，可根据实际情况给特征加权。

内容的不同特征，在用户心目中是有不同权重的，可根据历史数据、经验为特征加权，同样的特征属性可能权重是不一样的。

3.取用户喜欢的历史数据作为训练集，建立出用户的兴趣模型。

这里要强调的是“喜欢"，对于用户不喜欢的数据要做去除处理，所以，有时我在做产品页面设计时，有时会加上爱好调研。

4.将物品的特征属性与用户兴趣模型计算相似度，用一个阀值来判断用户是否喜欢物品，多个物品时可以按相似度的高到低来取top n作为推荐候选项。

阀值在这里就需要进行大量数据的参考，阀值在哪个点算做喜欢，随着用户数据的增多，有了更多的样本数据，就可以计算出一个合适的阀值。

上面第1、2两个步骤相对简单，就是根据物品实际的特性取重要特征可以了，比如电子产品选品牌，性能相关的特征，衣服鞋之类的可能选材料相关的特征。

用户兴趣模型

举个例子：

物品有三个特性 A,B,C，计算用户兴趣模型，取此用户喜欢的历史数据100条作为训练集。

接下来计算这100条训练样本，假如一个属性下有A,B,C三个特征，分别取出每一个训练样本分别放入A、B、C三个特征内，根据数量计算出用户喜好程度，如A中有45条样本、B中有25条样本、C中有30条样本。

则用户对此属性的兴趣模型结果为： A:0.45,B:0.25,C:0.3

用户兴趣度计算

当有新物品时，则可根据此模型计算出用户兴趣度。

计算物品如下

A B C

物品1 0 1 1

物品2 1 0 0

物品1与用户的兴趣相似度为 0*0.45+1*0.25+1*0.3=0.55

物品2与用户的兴趣相似度为 1*0.45+0*0.25+0*0.3=0.45

结果很明显物品1更比物品2更适合推荐给用户。

--------------------------------------------------------------