一、個性化召回算法Content based背景介紹
1. 思路簡單，可解釋性強
任何一個推薦系統的初衷，都是推薦出用戶喜歡的item。
基於內容的推薦，恰恰是根據用戶的喜好之後，給予用戶喜歡的物品。
eg：某一個用戶經常點擊體育類的新聞，那麼在這個用戶下一次訪問這個網站系統的時候，自然而然的給用戶推薦體育類型的新聞。那麼對於推薦結果可解釋性非常的強。
2. 用戶推薦的獨立性
基於內容的推薦，推薦的結果只與該用戶本身的行爲有關係，其餘用戶的行爲是影響不到該用戶的推薦結果的。但是，聯想一下，之前提到的無論是CF還是LFM、personal rank以及item2vec，其餘用戶的行爲都會一定程度上，或多或少的干預到最後的推薦結果。
3. 問世較早，流行度高
由於基於內容推薦思路的極簡性，可解釋性，所以它出現的非常早；並且，無論是在工業界，還是研究界，都最爲一種基礎的算法，流行度非常的高。
但是，任何事物都是有兩面性的，基於內容的推薦不是說是完美的，它同樣有一些非常明顯的缺點。
（1）對於推薦的擴展性較差：也就是說，如果一個用戶之前經常訪問體育類型的新聞，那麼在之後的推薦之中，傾向於在體育範圍內不斷地挖掘；很難完成跨領域的物品推薦。
（2）需要積累一定量的用戶的行爲，才能夠完成基於內容的推薦。
二、Content-based算法的主體流程介紹
1. item profile：對item的刻畫
針對於基於內容的推薦下，對item的刻畫大體可以分爲兩大類：（1）關鍵詞刻畫；（2）類別的刻畫。
比如，在信息流場景下，我們需要刻畫出這篇新聞屬於財經還是娛樂；那麼在電商場景下也是一樣的，我們需要刻畫出這個物品它屬於圖書還是說屬於母嬰，具體的關鍵詞上也會有這個圖書是數據機器學習的還是人文情感的，這個物品是參與滿減的，還是參與包郵的等等。
第一步完成內容的物品刻畫之後，第二步需要對用戶進行刻畫。
2. user profile
傳統範疇的用戶畫像是比較寬泛的，它不僅包含了用戶的動態特徵，還包含了它的一些靜態特徵。
而我們用在基於內容推薦裏的更多的是交代用戶的長期、短期行爲，進而通過行爲的分析將用戶感興趣的topic、或者用戶感興趣的類別給予刻畫。
那麼，有了item的刻畫，有了user的刻畫，第三步就是在線上完成個性化推薦的過程。
3. online recommendation
給用戶推薦他最感興趣的一些topic，或者說一些類別。
假設某個用戶經常點擊明星新聞，當用戶訪問系統的時候，我們應該明星最新的新聞最及時的推薦給用戶，這樣點擊率自然很高。
那麼經過這三步流程的分析，可以發現：實際上，前兩步更多的同屬於NLP或者說是用戶畫像的範疇，第三步更多的是我們個性化推薦的內容範疇。
下面將每一部分的技術要點進行解析：
（1）item profile
a. Topic finding：首先要選定特徵，這裏的特徵是title和內容主體的分詞，那麼得到詞語的分詞之後，針對於topic的發掘採用命名實體識別的方式。這個命名實體識別的方式可以去匹配關鍵詞詞表，那麼得到了關鍵詞之後，我們需要對這些關鍵詞進行一定的排名，那麼將排名最高的top 3 或者top 5給 item 完成label。
至於這裏的排名，會使用一些算法和規則，算法諸如：TF-IDF，規則是基於自己的場景總結出來的修正錯誤case的一些規則。
b. Genre Classify（類比的劃分）：首先選定好特徵，這裏同樣是利用一些文本信息，比如說title，分詞得到的詞向量，這裏詞向量在淺層模型中可以直接one-hot編碼，在深層模型中，首先可以先進行一個embedding，這裏使用的分類模型主要是像LR、GBDT、CNN等等。
分類器的使用，是使用多種分類器，分別佔不同的權重，然後對結果進行一個線性的加權，從而得到正確的分類。
以上是針對於文檔的topic 發掘或者說是類別的分類進行的敘述。那麼對於短視頻，實際上現在引入了一些更多的特徵，比如關鍵幀所對應圖像的分類識別，以及音頻所對應的語音識別後，文字的處理等一些有意義的嘗試。
（2）user profile
a. Genre/Topic：
一個層面是用戶對哪些種類的新聞或者是物品感興趣；另一個層面是對哪些關鍵詞感興趣。
現在多是基於統計的方式，業界也在做一些嘗試，比如引入分類器等等。
b. Time Decay：
注意時間衰減，不同時期的行爲所佔權重是不同的。
（3）線上推薦部分
a. find top k Genre/Topic ；
b. get the best n item for fix genre/topic
基於用戶的刻畫，找到用戶最感興趣的top k個分類，由於這top k個分類都是帶有權重的，那麼第二步，相應給每個分類得到n個最好的分類下的item.
這裏有兩點說明，
a. 由於權重的不同，從種類下召回的數目是不同的。比如某人對財經感興趣，對娛樂也感興趣，但是對娛樂感興趣的程度更高。那麼對娛樂召回的數目就要對財經召回的數目。
b. best的理解：這裏的best對於不是新item來講，就是它的後驗CTR；如果是新的item，在入庫的時候，都會給出一個預估的CTR，那麼就用這個預估的CTR來作爲衡量的標準。