让我们一起来谈谈物以类聚。在了解了内容和用户的基本特征后，我们将进一步讨论推荐算法如何匹配用户和内容。总结一下，这个过程做的是“物如桑树，人分群”。 　　

　　image handler/62d 8864 f-d93c-492d-b982-a9c 78 Abd聋人/ 　　

　　有了一张物品的完美图片，我们就可以根据物品的内在属性计算出物品之间的相似度，从而推荐出与用户历史消费相似的新物品。以内容推荐为例，相似度计算中常用的因素包括作者层面的：相似度(基于订阅或偏好)和内容层面的相似度(如关键词、主题、类别、聚类、标签等)。). 　　

　　image handler/75762 da8-9e F5-44 bb-98 B4-9df 6a 535 c1dc / 　　

　　基于内容的推荐方法在音乐、电影和书籍的推荐场景中很常见。以图书推荐场景为例。豆瓣书上有三本书，分别有以下标签： 　　

　　推荐系统、数据挖掘、计算机、算法、机器学习、互联网、数据分析、人工智能。 　　

　　推荐系统，机器学习，数据挖掘，算法，计算机，互联网，计算机科学， 　　

　　分析大数据，数据挖掘，计算机，互联网，大数据时代，互联网趋势，社会学，数据 　　

　　从标签层面不难看出，标签集层面的相同标签较多，相似度较高。然后，当用户A选择《推荐系统实践》时，系统应该给他优先推荐《推荐系统),而非《大数据时代》。 　　

　　image handler/8d 4f 6525-3a 97-4e 72-a562-607637220 a 78 '>

　　如果想进一步细化，可以使用TF- 　　

　　IDF模式为不同的标签设置权重。基本思想是：的频率越高，标签区分度越低，反之亦然。比如“电脑”是高频的标签，那么这个标签的区分度就没有那么高，权重也低；而“推荐系统”是一个低频的标签，标签更有意义和差异化，权重更高。 　　

　　image handler/d 68292d 5-CBA 0-40e 8-b577-9c 5410092713 '>

　　基于内容属性的推荐的优势在于，它只依赖于项目本身的特征，而不依赖于用户的行为，从而可以显示新的、晦涩难懂的项目。存在的问题是推荐的质量完全取决于特征构建的完备性，但特征构建本身是一个系统工程，存在一定的成本。在上面的例子中，如果标签词的粒度不够细，不足以完全描述内容(例如，每本书只有三个标签词)，则难以计算置信度相似度，推荐效果不够好。 　　

　　image handler/36996 f5a-5401-4d d5-b5e 5-fab 8e 3264d 00 / 　　

　　另外，基于内容属性的推荐没有考虑用户对物品的态度，难以诠释和表达用户的品味和调性。比如市面上有很多关于内容分发的书，只从标签词很难分辨。为了在推荐中更好地吸引受众反馈因素，提出了基于用户行为的“协同过滤”概念。