即使沒有用戶數據，我們仍能搭建高效的推薦系統，向用戶展示更多優質內容，讓用戶參與其中。
太長不看版：
第一步便是搭建基於內容的推薦系統，這種推薦系統會給用戶推薦其他類似的商品，但並不依賴其他用戶的數據。這些特徵（即數學表達式，推薦算法需藉助內容條目不同方面的表達式才能得以運算）來自於內容條目本身，並非用戶行爲。有了書面文本，我們便可以使用語義技術提取文本特徵。
以上述推薦系統爲基準模型，我們可以引入其他特徵，如提取自文本的元數據，儘可能地優化該系統。 雖然沒有明確的用戶標識，但利用用戶賬號代理仍能實現個性化推薦。 假設用戶每次訪問該系統時都瀏覽了多件商品，那麼可以根據該會話內的實時趨勢，搭建本地的基於會話的推薦系統。
正文版：
“在沒有用戶數據的情況下該如何搭建推薦系統呢？”我們曾多次遇到過該問題，今天我試着回答一下。
本文將向大家呈現關於推薦系統如何工作的一系列基礎知識，（在重要部分）會使用一些行業術語。當涉及到技術問題時，會跟大家說明具體的技術環境。
一般來說，在沒有用戶數據的情況下，有三種可行的辦法來搭建推薦系統。我把它們按照複雜程度在下邊列了出來，此外，假設大家此刻能利用手邊一切可利用的數據。這三種方法，每一種後者比前者能更好地利用唯一標識和用戶信息等用戶數據，但實際上，大家手頭並沒有這些數據。
搭建基於內容的推薦系統
首先，我們可以以某些標籤或其他內容元數據等爲特徵，搭建一個標準的基於內容的推薦系統。我們可以應用TF-IDF模型來評估算法，在該模型中，這些標籤代表了經預先計算好的詞典中的每一個單詞（該詞典僅僅指某種數據結構，是語篇中所有的單詞集合。）
具體來說，假設我們充分利用所有的標籤以及其他特徵來構建該詞典，那麼該詞典會幫助我們構建所謂的“特徵向量”。之後，我們以特徵向量爲基礎，對比不同的內容條目，搭建推薦系統。到了這一步，一個基於內容的推薦系統已初步完成，從我的研究經驗來看，該系統的推薦效果相當好。我們現在做的所有工作都是在向用戶推薦類似於歷史商品的商品。“類似”一詞這裏指，推薦的商品與歷史商品相比，有類似的標籤和特徵。
如果我們想搭建精度更高的推薦系統，要做的第一件事便是迭代上述初級推薦系統，並在此基礎上不斷優化。接下來我將介紹其他方法。
優化基於內容的推薦系統
上述步驟利用了包含現有標籤和其他特徵的單一詞典。提高推薦精度的下一步是構建兩個及兩個以上的詞典——對應元數據的不同類別，我們可以基於多個詞典，在推薦系統中採用TF-IDF統計方法，計算每一內容條目得分的加權組合。我們可以根據主觀評估的結果優化參數（如每一項得分的權重）。這取決於哪一項參數權重能帶來最好的推薦效果。
如果某一類元數據不能用TF-IDF進行加權統計，如這組數據不相關，那我推薦大家把這組數據細分成不同的種類。做了這樣的細分處理後，我們會獲得另一組標籤（細分後的每一類數據都有各自對應的標籤）。假設這個過程中未大量出現其他特徵，那並不會加大整個工作的難度。
接下來可以在系統中引入過濾技術，如加某個特定標籤，進一步優化推薦系統。它不是核心算法的一部分，但如果我們想在推薦系統中嵌入某種算法，從而實現用戶自定義推薦準則的操作，那麼過濾技術便是該算法的附加支撐結構。
搭建採用用戶代理的推薦系統
提高系統推薦精度的下一步是觀察能作爲用戶代理的那些數據特徵。雖然我們沒有用戶賬號，但可能有IP地址、瀏覽器信息、用戶會話等其他信息。
至此，我們可以構建抽象的用戶。這種用戶賬號無法驗證，但卻有了指紋技術的雛形。一旦我們能爲“抽象”的用戶命名，那麼便能爲該用戶生成個性化推薦，具體來說，就是利用多種協同過濾技術。在我看來這也不復雜——我們能找到很多開源項目（如高階Python包）。關鍵是我們可以藉助已有的代理信息來構建用戶賬號。
此外，我們還需要用戶的點擊交互數據。我們需要知道哪些商品已經被用戶點擊過，否則便沒有辦法順着用戶偏好做進一步優化。一旦有了用戶的點擊交互數據和抽象的用戶賬號，便能搭建由IP地址和瀏覽器信息組合而成的個性化推薦系統。這不是真正的個性化推薦，但離真正的個性化也不遠了。
搭建基於會話的推薦系統
最後的方法概述起來就是搭建基於會話的推薦系統。這與前邊提到的方法類似，但這次我們關注的是某個特定會話內的數據。即使我們無法獲取用戶信息，也有可能拿到用戶會話數據。有了用戶會話賬號，便能和高度本地化的“用戶賬號”對等起來。
基於會話的推薦系統衆多，其中一些基於循環神經網絡（RNN）搭建的推薦系統精度極高，如Hidasi 和Karatzoglou二人所做的研究。這些系統的推薦效果都令人相當滿意。
基於會話的推薦系統假定用戶準備在該系統上停留一段時間。 如果用戶確實這樣做了，並且點擊次數足夠多的話，那麼系統的推薦效果會更好，推薦的內容對用戶更有吸引力。
原文標題：What Are the Three Ways to Build a Recommender System When You Don’t Have AudienceData?
以上內容源自Quora, 由第四範式先薦編譯發佈。