基于内容的推荐算法是对信息过滤技术的发展和延伸，其核心是提取和分析项目内容的特征信息，为用户推荐那些与用户历史感兴趣且相似度高的项目。
在不同的应用场景中，基于内容的推荐算法得到了广泛运用，它最早被用在网页推荐和邮件过滤等方面。在网页过滤方面，比较著名的是Fab系统［17］，该系统通过从网页中提取权重最大的128个词组作为网页的特征词来描述网页，并对网页进行分析，从而实现网页推荐；针对网页推荐，斯坦福大学的Balabanovic等［18］开发了智能代理LIRA，它采用基于内容的搜索规则来搜索互联中的网页，并向用户推荐符合规则的网页，然后用户评价推荐的网页，并将评价结论作为有价值的信息反馈给系统，根据反馈结果更新搜索规则，这样可以为用户推荐更符合要求的个性化搜索内容；针对网页浏览，麻省理工学院的Lieberman［19］开发了辅助推荐智能代理系统Letizia，该系统通过对用户的浏览行为进行隐性跟踪，主动学习用户的兴趣模型，并根据学习得到的兴趣模型在后台搜索网页，最后将那些符合兴趣模型的网页推荐给用户；加州大学的Pazzani等［20］为实现多元化的推荐形式，利用用户对已浏览网页的评分信息实现了基于内容的推荐系统Syskill ＆ Webert，该系统利用贝叶斯分类器训练用户的兴趣模型。在邮件过滤方面，麻省理工学院的Malone等［21］实现了Information Lens系统，该系统采用基于内容的半结构化模块，实现了电子邮件的简单过滤；黄志刚［22］建立了基于贝叶斯分类模型的中文垃圾邮件过滤系统，该系统采用了改进的断句算法和数据挖掘算法，可以很好地发现邮件中的不良信息；刘伍颖等［23］提出了历史域分类器效力线性组合权和当前域文档分类能力线性组合权，对网页进行过滤。此外，还有基于本体的推荐，该方法可以利用本体提供的知识网络代替采用关键字进行资源过滤的方式，梁俊杰等［24］根据网页中的标注信息和对应的本体概念实现网页的分类，并通过用户兴趣模型与网页类别的匹配为用户推荐网页。其他方面的应用也有很多，例如：辛菊琴等［25］利用本体语义推理机制实现资源聚类，在推荐过程中通过实时分析用户浏览行为捕获用户个性化偏好的变化，动态实时推荐内容，实验结果表明动态更新推荐列表，更加贴近用户的真实需求；田超等［26］借助多属性决策手段，提出了智能网上商城推荐系统SuperRank框架，能很好地符合用户的评论偏好，是一种有效的方法。(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。
