3.3　基于内容的推荐算法应用场景

基于内容的推荐是最古老的一类推荐算法，在整个推荐系统发展史上具有举足轻重的地位。虽然它的效果可能没有协同过滤及新一代推荐算法好，但它们还是非常有应用价值的，甚至是必不可少的。基于内容的推荐算法主要用在如下几类场景。

1.完全个性化推荐

完全个性化推荐就是基于内容特征来为每个用户生成不同的推荐结果，我们常说的推荐系统就是指这类推荐形态。3.2.4节已经完整地讲解了怎么为用户做个性化推荐，这里不再赘述。

2.标的物关联标的物推荐

标的物关联标的物的推荐也是工业界最常用的推荐形态，大量用于真实产品中。3.2.3节讲了很多构建标的物之间相似度的方法，其实这些方法可以直接用来做标的物关联标的物的推荐，只要将与某个标的物最相似的topN标的物作为关联推荐即可。

3.作为其他推荐算法的补充

由于基于内容的推荐算法在精准度上不如协同过滤等算法，但是可以更好地适应冷启动，所以在实际业务中基于内容的推荐算法会配合其他算法一起服务于用户，最常用的是采用级联的方式，先给用户协同过滤的推荐结果，如果该用户行为少，没有协同过滤推荐结果，就为该用户提供基于内容的推荐算法产生的推荐结果。

4.主题推荐

如果我们有标的物的标签信息，并且基于标签系统构建了一套推荐算法，那么就可以将用户喜欢的标签采用主题的方式推荐给用户，每个主题就是用户的一个兴趣标签。通过一系列主题的罗列展示，让用户从中筛选自己感兴趣的内容（见图3-8）。Netflix的首页大量采用基于主题的推荐模式。主题推荐的好处是可以将用户所有的兴趣点按照兴趣偏好的大小以先后顺序展示出来，可解释性强，并且让用户有更多维度的自由选择空间。

当然，在真实产品中可以采用比图3-8这种以简单标签直接展示更好的方式。具体来说，可以为每个标签通过人工编辑生成一句更有表达空间的话（如武侠标签，可以采用“江湖风云再起，各大门派齐聚论剑”这样更有深度的表述），在前端展示时映射到人工填充的内容上，而不是直接展示原来的标签。

图3-8　电视猫主题推荐（被圈中的就是基于标签的用户兴趣）

5.给用户推荐标签

另外一种可行的推荐策略是不直接给用户推荐标的物，而是给用户推荐标签，用户通过关注推荐的标签，自动获取具备该标签的标的物。除了可以通过推荐的标签关联到标的物，获得与直接推荐标的物类似的效果外，还可以间接地通过用户对推荐的标签的选择、关注来进一步获得用户的兴趣偏好，这是一种可行的推荐产品实现方案。