在上一篇文章中，我們介紹了推薦系統的主要工作流程。在接下來的文章中，我們會詳細分析推薦系統中的過濾技術。
推薦系統中不同的過濾技術
推薦系統要想爲用戶提供切實有用的推薦服務，高效、準確的推薦技術至關重要，也就是說，理解不同推薦過濾技術的特徵和潛力至關重要。
下圖顯示了推薦系統中不同的過濾技術：
基於內容的過濾技術（Content-based filtering）
基於內容的過濾技術（CBF）是一種依賴於域的算法，在生成預測時，它更多地強調對項目屬性的分析。當被推薦的對象是網頁、出版物和新聞等文本型項目時，這種過濾技術是最成功的。
基於內容的過濾技術推薦時要依賴用戶畫像，而用戶畫像是從用戶評估過的項目中獲取，與用戶的積極評價最相關的項目會被推薦給用戶。
爲了生成有意義的推薦結果，CBF會使用不同的模型來查找文本項目之間的相似性。它可以使用向量空間模型（ Vector Space Model），如關鍵詞權重計算法（TF / IDF，Term Frequency Inverse Document Frequency），或概率模型，如樸素貝葉斯分類器、決策樹、或神經網絡，在語料庫中模擬不同文本項目之間的關係。之後，通過統計分析或機器學習技術來學習基礎模型，從而生成推薦結果。
基於內容的過濾技術不需要參照其他用戶畫像，因爲其他用戶畫像不會影響推薦的最終結果。而且，如果用戶畫像發生變化，CBF技術仍有可能在很短的時間內調整推薦結果。該技術的主要不足是需要系統對項目內容的特徵有足夠深入的瞭解。
基於內容的過濾技術的利弊
基於內容的過濾克服了協同過濾遇到的問題——即使沒有用戶提供評級，基於內容的過濾也可以向用戶推薦新商品。因此，即使數據庫中不包含用戶興趣愛好，也不會影響推薦結果的準確性。
而且，如果用戶興趣愛好發生變化，基於內容的過濾可以在短時間內調整其推薦結果。用戶可以在不共享其個人信息的情況下獲得推薦結果，這一點大大確保了個人隱私的安全性。
此外， CBF技術還可以提供關於如何向用戶生成推薦的解釋。
然而，基於內容的過濾技術取決於項目的元數據。也就是說，在向用戶推薦之前，系統需要豐富的項目內容描述和完整的用戶畫像，即“有限內容分析”。因此，CBF的有效性取決於描述性數據的可用性。
而內容過度專業是CBF技術面臨的另一個嚴重問題。用戶只能獲得與其自身畫像中的項目類似的推薦結果。
以上就是我們對基於內容的過濾技術的介紹，下一篇文章我們將關注協同過濾技術，歡迎閱讀！
閱讀更多：
先薦是一款賦能媒體的AI產品，是集內容上傳、內容管理、內容分發、推薦干預、前端渲染於一體的一站式推薦服務可視化平臺，支持PC、WAP、APP全平臺接入，幫助媒體從0到1搭建推薦系統，顯著提升用戶活躍、留存、觀看時長等重要業務指標，在減少技術成本投入的同時，大幅提高媒體運營效率，從而實現業務智能化轉型。目前已服務人民日報、環球網、花瓣網、果殼網、段友、36氪、簡書等三百餘家內容平臺，其中在環球網web端的興趣推薦項目上，實現了點擊率58%的提升，同時訪問量和營收分別增長了69%、20%。