基于内容的推荐系统

定位: 最早被使用的推荐算法，年代久远，但当今仍然被广泛使用，效果良好。 定义： 给用户 X 推荐之前喜欢的物品的相似的物品。即 U2I2I、U2Tag2i

基于物品打标签,

1. 找物品的特征，标签、分类、关键词
   1. 得到结果:
      1. 钢铁侠: 动作片、科幻片
      2. 蜘蛛侠： 动作片、科幻片
      3. 功夫： 动作片、喜剧、周星驰
2. 基于用户的行为的物品列表
   1. 计数当前用户的标签。
   2. 使用余弦相似度算法，计算用户标签向量最相似的 TopN 的物品列表。
   3. 返回结果 优缺点：

• 不需要其他用户的数据，能给具备独特口味的用户推荐，可以推荐最新的、冷门的物品，容易做推荐结果的解释
• 很难找到能表达物品的标签。有时候需要人工打标签，过于局限于自己的世界，无法挖掘出用户的潜在兴趣，新用户没有行为则没法做推荐，只能选择冷启动

基于协同过滤的推荐系统

基于用户的协同过滤

1. 找到相似度最高的用户，做物品推荐 基于物品的协同过滤 同现相似度: 基于历史数据计算不同商品之间的相似度. 商品 A 和商品 B 之间的交集, 看个数 人话: 同一个用户, 买了商品 A 和 B 的数量有多少除以人数, 同时购买人数占各自购买的比例

多路召回的融合策略

推荐系统的 ABTest

内容相似推荐

私货： 你可能认识的朋友

应用场景： 小红书、拼多多、抖音

实现原理

• 通讯录授权： 读取通讯录的信息，通过通讯录查找相关账号做推送。
• 共同联系人： 你关注了 A、B。 AB 又同时关注了 C，那么这个时候 C 可能你也认识。
• 其他属性信息： 附近定位、

---

余弦相似度： 用户向量和物品向量的取夹角