📅 发布时间：2026/6/19 8:22:44

机器学习-推荐环境（下）

基于内容的过滤算法：

在之前分析的协同过滤算法中，讨论到如何进行推荐时，分为了两种推荐模式：用户协同与工程协同。在这两种模式中，它们的共同点是都更加关注用户的行为，而并非每一个任务的固有特性。

这样带来的弊端有：对于没有评分或其他信息的工程，我们无法获得相关的用户行为数据，也就无法进行推荐，即冷启动问题；同时，为了保证推荐的可行性，我们需要拥有大量的用户行为数据，即需要拥有足够多的用户行为才能够生成可靠的模式。

因此引入了基于内容的过滤算法，在此算法中，我们会更加关注方案的固有特性，即根据用户与任务的特征信息进行推荐。若是一个用户有一系列的喜欢和感兴趣的项目，则会给该用户推荐与其喜欢和感兴趣的项目相似的其他项目，所以称之为基于内容的过滤。

如上图所示，假设此时已经拥有了部分用户与电影特征数据，分别用 $x_{u}^{j}$ 和 $x_{i}^{i}$ 来表示，这两个向量不一定是同维的，为了更加精准的提炼出用户偏好， $x_{u}^{j}$ 可能会很大。虽然原始的特征向量也可以反映出特征信息，但这些信息是较为表层的，可能没有考虑不同特征之间的艰难交互关系以及它们的相对重要性。

通过综上，我们需要将原始的特征信息输入神经网络进行处理。由于此时的推荐只依赖于用户与电影的特征信息，我们能够将预测评分表示为：

$y^{(i,j)}=v_{u}^{j}\cdot v_{i}^{i}$

二元变量形式，则可以表示为：就是如果输出

$y^{(i,j)}=g(v_{u}^{j}\cdot v_{i}^{i})$

因为要进行点积，式中的两个向量必须是同维的，则可以构建出用户网络与计划网络。需要注意的是：用户网络与项目网络的输出层单元数必须保持一致。

为了得到神经网络中的参数，构建如下成本函数：

$J=\sum_{r(i,j)=1}^{}(v_{u}^{j}\cdot v_{i}^{i}-y^{(i,j)})^{2}$

任务之间的相似性，而通过上图我们行得到项目i的特征向量就是因为对于单个用户进行推荐时，考虑的 $v_{i}^{i}$ ，则项目i与项目k之间的相似度可表示为：

$\sum_{l=1}^{n}(v_{l}^{i}-v_{l}^{k})^{2}$

由于项目的属性一般是很稳定的，如类别、年份、国家等等，因此对于所涉及的项目，我们可以预先通过项目网络计算得出一系列的特征向量，并且计算出计划之间的相似度，便于后续的推荐。

两种过滤算法比较：

	协同过滤	基于内容过滤
核心思想	根据用户过去喜欢的方案特征，推荐特征相似的其他项目。	找到与用户偏好相似的其他用户，然后推荐这些相似用户喜欢、但目标用户还未接触过的项目。
优点	不要求内容特征，可能能够推荐出新领域工程	无冷启动障碍，且可解释性强
缺点	冷启动困难、要求较多的用户行为数据	较为依赖内容特征、一定程度上可能缺乏多样化

大目录推荐：

大目录推荐中工程数量很多，此时对于每一个用户及每一个项目都进行上图中的计算步骤，在计算上是很难完成的，因此实际的步骤大致分类两步：

检索：

对于一个用户，可能目前已经有了一些用户行为，因此我们可以根据这些行为来献出一个可能的推荐列表。以电影推荐为例，该列表中可能包括：与用户高评分电影相似度较高的其他电影、用户喜欢的电影类别中均分top10电影、用户喜欢的电影导演执导的电影中均分top10电影等等。在这个检索过程中，就会利用到前面提到的项目特征向量以及项目之间的相似度。

此列表中应尽可能地检索出较多的用户可能感兴趣的工程，即使列表中可能包含一些用户无感的内容。

排序：

通过得到了前面的检索列表后，我们则能够结合用户的特征信息来进一步的对所有项目进行排序，预测其得分，从而实现精准推荐。

该过程中允许直接利用之间计算得到的项目特征，但用户特征不能直接沿用。因为用户的行为是动态的，我们需要捕捉用户实时/近期的行为特征，以保证推荐的有效性。