基于内容的推荐算法（Content-Based Recommendation）1.基本思想基本思想就是给用户推荐与他们曾经喜欢的项目内容相匹配的新项目。
基于内容的推荐的基本思想是：对每个项目的内容进行特征提取(FeatureExtraction)，形成特征向量(Feature Vector)；对每个用户都用一个称作用户的兴趣模型(User Profile)的文件构成数据结构来描述其喜好；当需要对某个用户进行推荐时，把该用户的用户兴趣模型同所有项目的特征矩阵进行比较得到二者的相似度，系统通过相似度推荐文档。
（基于内容的推荐算法不用用户对项目的评分，它通过特定的特征提取方法得到项目特征用来表示项目，根据用户所偏好的项目的特征来训练学习用户的兴趣模型，然后计算一个新项目的内容特征和用户兴趣模型的匹配程度，进而把匹配程度高的项目推荐给用户。
）2.基于内容的推荐层次结构图：CB的过程一般包括以下三步：（1）Item Representation：为每个item抽取出一些特征（也就是item的content 了）来表示此item；对应着上图中的Content Analyzer。
（2）Profile Learning：利用一个用户过去喜欢（及不喜欢）的item的特征数据，来学习出此用户的喜好特征（profile）；对应着上图中的Profile Learner。
（3）Recommendation Generation：通过比较上一步得到的用户profile与候选item 的特征，为此用户推荐一组相关性最大的item。
对应着上图中的Filtering Component。
3.详细介绍上面的三个步骤：3.1 Item Representation项目表示：对项目进行特征提取，比如最著名的特征向量空间模型，它首先将一份文本（项目）以词袋形式来表示，然后对每一个词用词频-逆向文档频率（TF-IDF）来计算权重，找出若干权重较大的词作为关键词（特征）。
每个文本（项目）都可以表示成相同维度的一个向量TF-IDF词频-逆文档频率计算：TF 词项t在文档d中出现的次数，df 表示词项t在所有文档出现的次数，idf 为反向文档频率，N为文档集中所有文档的数目。
TF-IDF公式同时引入词频和反向文档频率，词频TF表示词项在单个文档中的局部权重，某一词项在文档中出现的频率越高，说明它区分文档内容的属性越强，权重越大。
IDF表示词项在整个文档集中的全局权重，某一词项在各大文档都有出现，说明它区分文档类别属性的能力越低，权值越小。
TF-IDF与一个词在文档中的出现次数成正比，与该词在整个语言中的出现次数成反比。
加1是为了防止分母为0.3.2 Profile Learning用户兴趣模型表示：总结用户喜欢的所有项目的平均值，进而表示用户的兴趣。
假设用户u已经对一些item给出了他的喜好判断，喜欢其中的一部分item，不喜欢其中的另一部分。
那么，这一步要做的就是通过用户u过去的这些喜好判断，为他产生一个模型。
有了这个模型，我们就可以根据此模型来判断用户u是否会喜欢一个新的item。
所以，我们要解决的是一个典型的有监督分类问题，理论上机器学习里的分类算法都可以照搬进这里。
简单地说，就是把用户所有浏览过的item分类，分成用户喜爱和不喜爱的两类，然后利用喜爱的这部分对用户进行建模。
下面我们简单介绍下CB里常用的一些学习算法：3.2.1 最近邻方法（k-NearestNeighbor，简称KNN）对于一个新的item，最近邻方法首先找用户u已经评判过并与此新item最相似的k 个item，然后依据用户u对这k个item的喜好程度来判断其对此新item的喜好程度。
这种做法和CF中的item-based KNN很相似，差别在于这里的item相似度是根据item的属性向量计算得到，而CF中是根据所有用户对item的评分计算得到。
对于这个方法，比较关键的可能就是如何通过item的属性向量计算item之间的两两相似度。
建议对于结构化数据，相似度计算使用欧几里得距离；而如果使用向量空间模型（VSM）来表示item的话，则相似度计算可以使用cosine。
3.2.2 Rocchio算法Rocchio算法是信息检索中处理相关反馈（Relevance Feedback）的一个著名算法。
比如你在搜索引擎里搜“苹果”，当你最开始搜这个词时，搜索引擎不知道你到底是要能吃的苹果，还是要不能吃的苹果，所以它往往会尽量呈现给你各种结果。
当你看到这些结果后，你会点一些你觉得相关的结果（这就是所谓的相关反馈了）。
然后如果你翻页查看第二页的结果时，搜索引擎可以通过你刚才给的相关反馈，修改你的查询向量取值，重新计算网页得分，把跟你刚才点击的结果相似的结果排前面。
比如你最开始搜索“苹果”时，对应的查询向量是{“苹果” : 1}。
而当你点击了一些与Mac、iPhone相关的结果后，搜索引擎会把你的查询向量修改为{“苹果” : 1, “Mac” : 0.8, “iPhone” : 0.7}，通过这个新的查询向量，搜索引擎就能比较明确地知道你要找的是不能吃的苹果了。
Rocchio算法的作用就是用来修改你的查询向量的：{“苹果”: 1}--> {“苹果”: 1, “Mac”: 0.8, “iPhone”:0.7}。
正如在本节开头所说，本节要解决的是一个典型的有监督分类问题。
所以各种有效的分类机器学习算法都可以用到这里，下面列举几个常用的分类算法：3.2.3 决策树算法（DecisionTree，简称DT）当item的属性较少而且是结构化属性时，决策树一般会是个好的选择。
这种情况下决策树可以产生简单直观、容易让人理解的结果。
而且我们可以把决策树的决策过程展示给用户u，告诉他为什么这些item会被推荐。
但是如果item的属性较多，且都来源于非结构化数据（如item是文章），那么决策树的效果可能并不会很好。
3.2.4 线性分类算法（LinearClassifer，简称LC）3.2.5朴素贝叶斯算法（NaiveBayes，简称NB）NB算法就像它的简称一样，牛逼！NB经常被用来做文本分类，它假设在给定一篇文章的类别后，其中各个词出现的概率相互独立。
它的假设虽然很不靠谱，但是它的结果往往惊人地好。
再加上NB的代码实现比较简单，所以它往往是很多分类问题里最先被尝试的算法。
我们现在的profile learning问题中包括两个类别：用户u喜欢的item，以及他不喜欢的item。
在给定一个item的类别后，其各个属性的取值概率互相独立。
我们可以利用用户u的历史喜好数据训练NB，之后再用训练好的NB对给定的item做分类。
3.3 Recommendation Generation推荐产生：计算匹配得分，效用函数为：如果上一步Profile Learning中使用的是分类模型（如DT、LC和NB），那么我们只要把模型预测的用户最可能感兴趣的n个item作为推荐返回给用户即可。
而如果Profile Learning中使用的直接学习用户属性的方法（如Rocchio算法），那么我们只要把与用户属性最相关的n个item作为推荐返回给用户即可。
其中的用户属性与item 属性的相关性可以使用如cosine等相似度度量获得。
相似度计算：1.相似度计算方法欧式距离和夹角余弦前者是看成坐标系中两个点，来计算两点之间的距离；后者是看成坐标系中两个向量，来计算两向量之间的夹角。
比如A,B分别表示两篇文章，一篇文章A复制3次，与原来的文章虽然内容一样，但是用欧式距离测量距离就很大，而夹角余弦不变关于归一化：因为余弦值的范围是[-1,+1] ，相似度计算时一般需要把值归一化到[0,1]，一般通过如下方式：sim = 0.5 + 0.5 * cosθ若在欧氏距离公式中，取值范围会很大，一般通过如下方式归一化：sim = 1 / (1 + dist ( X,Y ))最后根据相似度大小排序，给用户推荐4.基于内容的推荐算法优缺点基于内容的推荐的优点：（1）简单、有效，推荐结果直观，容易理解，不需要领域知识。
（2）不需要用户的历史数据，如对对象的评价等，靠对内容特征提取，没有关于新项目出现的冷启动问题, 没有稀疏问题。
（3）能为具有特殊兴趣爱好的用户进行推荐。
（4）有比较成熟的分类学习方法能提供支持，如数据挖掘、聚类分析等。
基于内容的推荐的缺点：（1）推荐对象特征提取能力的限制。
虽然文本的特征提取较为成熟，但是其他多媒体资源比如图像、视频、音乐等没有有效的特征提取方法。
此外，特征提取的好坏也直接影响推荐结果。
（2）很难出现新的推荐结果。
推荐对象的内容特征和用户的兴趣偏好匹配才能获得推荐，用户将仅限于获得跟以前类似的推荐结果，很难为用户发现新的感兴趣的信息。
（3）存在新用户出现时的冷启动问题。
当新用户出现时，系统较难获得该用户的兴趣偏好，就不能和推荐对象的内容特征进行匹配，该用户将较难获得满意的推荐结果。
（4）对推荐对象内容分类方法需要的数据量较大。
目前，尽管分类方法很多，但构造分类器时需要的数据量巨大，给分类带来一定困难。
（5）不同语言的描述的用户模型和推荐对象模型无法兼容。
分类算法性能对比1.芦苇，彭雅，几种常用文本分类算法性能比较与分析，湖南大学学报，2007SVM>KNN>NB实验结果显示,在算法的精确度方面SVM算法最高,但所需的时间开销也较大;KNN算法精度其次,在训练集增大时,它的计算量线性增加;NB算法具有很强的理论背景,运算速度最快.2.奉国和，四种分类算法性能比较，计算机工程与应用，2011SVM>KNN>RBFNs>bays3.陈琳，王箭，三种中文文本自动分类算法的比较和研究，计算机与现代化，2012.。