本文主要是介绍推荐算法1-content based recommendation，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
由于本人从来没有真正意义接触过推荐算法，但是找工作时时不时被问到，所以为了避免完全答不出来的尴尬，就临时抱佛教，不求深究，只当了解。所以如果你是查找资料不小心点进来，估计你要失望了，不过文章应该都很短，所以可以随意浏览一下，于你就当温习之用，与我就当笔记之效。
推荐算法，先按照大的思想分为两类：content based recommendation，基于内容的推荐算法，简称CB算法；Collaborative Filtering Recommendations，协同过滤算法，简称CF算法是如今比较流行的算法；
CB算法的主要步骤：
- Item representation
- Profile learning
- Recommendation
1.Item representation
也就是为每个item抽取特征，从而表示为特征向量。
比如，如果item是文本，而对文本进行特征抽取是一项比较经典的问题。
- 先对文本进行分词，简单而言就是将一段话分割成词的组合。比较有代表性的分词方法比如：最大匹配法、最大概率法分词、最短路径分词方法；
- 然后对分词结果进行特征映射，大体可以分为三类：布尔模型、向量空间模型、概率模型；
布尔模型：就是直接统计每个词在该文档中是否出现，出现就为1，不出现就为0；
向量空间模型（VSM）：向量空间模型中将文档表达为一个矢量，看作向量空间中的一个点；一般涉及两个概念，词频（term frequency）和逆文档概率（document frequency），词频就是指一个词出现的次数，出现次数越多说明对其属性标注越有意义；逆文档概率，代表包含该词的文档比率越高,说明该文档的属性标注的意义就不大。
概率模型：没时间了解，pass，以后再补充吧。
2.Profile learning
这部分就比较熟悉了，既然我们已经为每个item进行了特征表示，接下来的任务就是建立分类模型。简单而言，就是我们已经存在一些用户的历史信息，比如 {(it
这篇关于推荐算法1-content based recommendation的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
