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（以下簡稱“內(nèi)容推薦算法”）只有一個關鍵點——標簽（tag）。推薦算法將產(chǎn)品分解為一系列標簽，并根據(jù)用戶對產(chǎn)品的行為（例如，購買、瀏覽）將用戶也描述為一系列標簽。

內(nèi)容推薦算法的原理：

1.將產(chǎn)品分解為一系列標簽。例如，一個手機產(chǎn)品的標簽可以包括品牌、價格、產(chǎn)地、顏色、款式等。如果是自營b2c電商，一般可以在產(chǎn)品入庫時手動打標簽。

2. 基于用戶行為（瀏覽、購買、收藏）計算每個用戶的產(chǎn)品興趣標簽。例如，用戶購買了一個產(chǎn)品，則將該產(chǎn)品的所有標簽賦值給該用戶，每個標簽打分為1；用戶瀏覽了一個產(chǎn)品，則將該產(chǎn)品的所有標簽賦值給該用戶，每個標簽打分為0.5。計算復雜度為：已有產(chǎn)品數(shù)量*用戶量。該過程為離線計算。

3. 針對所有新產(chǎn)品，分別計算每個用戶的產(chǎn)品標簽與每個新產(chǎn)品的相似度（基于cosine similarity）。計算復雜度為：新產(chǎn)品數(shù)量*用戶量。該過程為在線計算。

從可行性角度，一個應用場景是否適合用內(nèi)容推薦算法取決于：

1. 是否可以持續(xù)為產(chǎn)品打標簽。

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

內(nèi)容推薦算法的優(yōu)勢：

1. 推薦結果可理解：不僅每個用戶的核心興趣點可以被標簽化（便于理解每個用戶的興趣），并且可以在每一個推薦結果的展示中現(xiàn)實標簽，便于消費者理解推薦結果（如下圖紅框）。

2. 推薦結果穩(wěn)定性強：對于用戶行為不豐富的產(chǎn)品類型（例如，金融產(chǎn)品），協(xié)同過濾很難找到同興趣用戶群或關聯(lián)產(chǎn)品，在相似度計算中稀疏度太高。然而，內(nèi)容推薦主要使用標簽，標簽對用戶興趣捕捉穩(wěn)定性要遠遠高于單個產(chǎn)品。

3. 便于人機協(xié)作：用戶可以勾選或者關注推薦標簽，從而通過自己的操作來發(fā)現(xiàn)自己的個性化需求。

內(nèi)容推薦算法的劣勢：

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

2. 在線應用計算復雜度較高：需要基于每個用戶來計算相似產(chǎn)品。