本文介紹基于內(nèi)容的推薦算法（Content-based Recommendation）。

基于內(nèi)容的推薦算法（以下簡(jiǎn)稱“內(nèi)容推薦算法”）只有一個(gè)關(guān)鍵點(diǎn)——標(biāo)簽（tag）。推薦算法將產(chǎn)品分解為一系列標(biāo)簽，并根據(jù)用戶對(duì)產(chǎn)品的行為（例如，購(gòu)買(mǎi)、瀏覽）將用戶也描述為一系列標(biāo)簽。

內(nèi)容推薦算法的原理：

1.將產(chǎn)品分解為一系列標(biāo)簽。例如，一個(gè)手機(jī)產(chǎn)品的標(biāo)簽可以包括品牌、價(jià)格、產(chǎn)地、顏色、款式等。如果是自營(yíng)b2c電商，一般可以在產(chǎn)品入庫(kù)時(shí)手動(dòng)打標(biāo)簽。

2. 基于用戶行為（瀏覽、購(gòu)買(mǎi)、收藏）計(jì)算每個(gè)用戶的產(chǎn)品興趣標(biāo)簽。例如，用戶購(gòu)買(mǎi)了一個(gè)產(chǎn)品，則將該產(chǎn)品的所有標(biāo)簽賦值給該用戶，每個(gè)標(biāo)簽打分為1；用戶瀏覽了一個(gè)產(chǎn)品，則將該產(chǎn)品的所有標(biāo)簽賦值給該用戶，每個(gè)標(biāo)簽打分為0.5。計(jì)算復(fù)雜度為：已有產(chǎn)品數(shù)量*用戶量。該過(guò)程為離線計(jì)算。

3. 針對(duì)所有新產(chǎn)品，分別計(jì)算每個(gè)用戶的產(chǎn)品標(biāo)簽與每個(gè)新產(chǎn)品的相似度（基于cosine similarity）。計(jì)算復(fù)雜度為：新產(chǎn)品數(shù)量*用戶量。該過(guò)程為在線計(jì)算。

從可行性角度，一個(gè)應(yīng)用場(chǎng)景是否適合用內(nèi)容推薦算法取決于：

1. 是否可以持續(xù)為產(chǎn)品打標(biāo)簽。

2. 標(biāo)簽是否可以覆蓋產(chǎn)品的核心屬性？例如，手機(jī)產(chǎn)品的標(biāo)簽一般可以覆蓋消費(fèi)者購(gòu)物的核心決策因素，但是女裝一般比較難（視覺(jué)效果很難被打標(biāo)）。

內(nèi)容推薦算法的優(yōu)勢(shì)：

1. 推薦結(jié)果可理解：不僅每個(gè)用戶的核心興趣點(diǎn)可以被標(biāo)簽化（便于理解每個(gè)用戶的興趣），并且可以在每一個(gè)推薦結(jié)果的展示中現(xiàn)實(shí)標(biāo)簽，便于消費(fèi)者理解推薦結(jié)果（如下圖紅框）。

2. 推薦結(jié)果穩(wěn)定性強(qiáng)：對(duì)于用戶行為不豐富的產(chǎn)品類(lèi)型（例如，金融產(chǎn)品），協(xié)同過(guò)濾很難找到同興趣用戶群或關(guān)聯(lián)產(chǎn)品，在相似度計(jì)算中稀疏度太高。然而，內(nèi)容推薦主要使用標(biāo)簽，標(biāo)簽對(duì)用戶興趣捕捉穩(wěn)定性要遠(yuǎn)遠(yuǎn)高于單個(gè)產(chǎn)品。

3. 便于人機(jī)協(xié)作：用戶可以勾選或者關(guān)注推薦標(biāo)簽，從而通過(guò)自己的操作來(lái)發(fā)現(xiàn)自己的個(gè)性化需求。

內(nèi)容推薦算法的劣勢(shì)：

1. 不適合發(fā)現(xiàn)驚喜：如果一個(gè)產(chǎn)品不易于被標(biāo)簽窮舉或描述產(chǎn)品的標(biāo)簽還沒(méi)出現(xiàn)，則該產(chǎn)品很難被準(zhǔn)確推薦。

2. 在線應(yīng)用計(jì)算復(fù)雜度較高：需要基于每個(gè)用戶來(lái)計(jì)算相似產(chǎn)品。