【摘要】：基于内容的推荐方法的基本思想是先针对用户偏好属性信息建模，然后再针对项目的属性特征进行建模，最后进行匹配，将匹配度高的项目推荐给用户。其特点是不过分依赖用户的历史交易数据，用户的偏好属性可以来自用户的注册信息、浏览信息和社交信息，关键在于用户偏好建模和项目特征建模的精确性。基于内容的推荐方法的优势是算法的稳定性较好，运行效率高。
基于内容的推荐方法的基本思想是先针对用户偏好属性信息建模，然后再针对项目的属性特征进行建模，最后进行匹配，将匹配度高的项目推荐给用户。其特点是不过分依赖用户的历史交易数据，用户的偏好属性可以来自用户的注册信息、浏览信息和社交信息，关键在于用户偏好建模和项目特征建模的精确性。可用于建模的方法多种多样，最具代表性的是Salton G（1975）[107]提出的向量空间模型。其他的还有改进的向量空间模型、线性规划方法、最小二乘法和机器学习等。
基于内容的推荐方法的优势是算法的稳定性较好，运行效率高。但存在以下两个不足：（1）它根据用户的兴趣模型和项目属性特征模型的匹配度进行推荐，容易将流行度高的项目推荐给用户，而忽略用户自身的个性化特征，惊喜度不高；（2）需要对项目属性特征进行建模，但只适用于文本处理领域，难以处理视频、图像等多媒体数据。针对这些问题，有研究人员采用了为多媒体项目设置文本标签的形式来解决[108]。设置标签的方式有两种，一种是通过领域专家来为项目设置文本标签，即专家分类系统；第二种是通过用户自身来为项目设置标签，即大众分类系统。前一种的分类方法比较科学，但容易忽略用户的个性化因素，后一种分类方法可以照顾到用户自身的兴趣偏好，但对于其他用户的借鉴作用往往较小。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
