知識星球小編邀請您，先思考：
1 如何做內容推薦？
2 如何給一個購物中心推薦品牌？
個性化推薦演演算法有許多類別，主要包括基於內容的推薦、協同過濾、SVD、基於知識的推薦以及混合推薦演演算法。
本文介紹基於內容的推薦演演算法（Content-based Recommendation）。
基於內容的推薦演演算法（以下簡稱“內容推薦演演算法”）只有一個關鍵點——標簽（tag）。推薦演演算法將產品分解為一系列標簽，並根據使用者對產品的行為（例如，購買、瀏覽）將使用者也描述為一系列標簽。
內容推薦演演算法的原理：
1. 將產品分解為一系列標簽。例如，一個手機產品的標簽可以包括品牌、價格、產地、顏色、款式等。如果是自營b2c電商，一般可以在產品入庫時手動打標簽。
2. 基於使用者行為（瀏覽、購買、收藏）計算每個使用者的產品興趣標簽。例如，使用者購買了一個產品，則將該產品的所有標簽賦值給該使用者，每個標簽打分為1；使用者瀏覽了一個產品，則將該產品的所有標簽賦值給該使用者，每個標簽打分為0.5。計算複雜度為：已有產品數量*使用者量。該過程為離線計算。
3. 針對所有新產品，分別計算每個使用者的產品標簽與每個新產品的相似度（基於cosine similarity）。計算複雜度為：新產品數量*使用者量。該過程為線上計算。
從可行性角度，一個應用場景是否適合用內容推薦演演算法取決於：
1. 是否可以持續為產品打標簽。
2. 標簽是否可以改寫產品的核心屬性？例如，手機產品的標簽一般可以改寫消費者購物的核心決策因素，但是女裝一般比較難（視覺效果很難被打標）。
內容推薦演演算法的優勢：
1. 推薦結果可理解：不僅每個使用者的核心興趣點可以被標簽化（便於理解每個使用者的興趣），並且可以在每一個推薦結果的展示中現實標簽，便於消費者理解推薦結果（如下圖紅框）。
2. 推薦結果穩定性強：對於使用者行為不豐富的產品型別（例如，金融產品），協同過濾很難找到同興趣使用者群或關聯產品，在相似度計算中稀疏度太高。然而，內容推薦主要使用標簽，標簽對使用者興趣捕捉穩定性要遠遠高於單個產品。
3. 便於人機協作：使用者可以勾選或者關註推薦標簽，從而透過自己的操作來發現自己的個性化需求。
內容推薦演演算法的劣勢：
1. 不適合發現驚喜：如果一個產品不易於被標簽窮舉或描述產品的標簽還沒出現，則該產品很難被準確推薦。
2. 線上應用計算複雜度較高：需要基於每個使用者來計算相似產品。
連結：https://www.jianshu.com/p/4943455e59d7
親愛的讀者朋友們，您們有什麼想法，請點選【寫留言】按鈕，寫下您的留言。
資料人網（http://shujuren.org）誠邀各位資料人來平臺分享和傳播優質資料知識。
公眾號推薦：
360區塊鏈，專註於360度分享區塊鏈內容。
腳印英語，專註於分享實用口語內容。
閱讀原文，更多精彩！
分享是收穫，傳播是價值！
