基於內容的推薦算法本質是對內容進行分析，建立特徵。
物品都有一些關於內容的分類，基於內容的分類，就是根據這些物品的內容屬性和用戶的歷史評分或操作記錄，計算出用戶對不同內容屬性的愛好程度，再根據這些愛好推薦其他相同屬性的物品。
內容推薦的方法可歸納爲3個步驟：
1.特徵提取：提取每個待推薦物品的特徵，內容屬性，例如電影的特徵。
2.用戶偏好計算：利用一個用戶過去的顯式評分或隱式操作記錄，計算用戶不同特徵上的偏好分數。
3.內容召回：將待推薦物品的特徵與用戶偏好得分匹配，取出用戶最優可能喜歡的物品池。
4.物品排序：按用戶偏好召回物品池，可能一次性挑選出很多物品，可以進一步對這些物品排序。
優點：
1.物品沒有冷啓動問題，因爲物品的內容特徵不依賴於用戶數據，同時推薦出的物品不會存在過於熱門的問題
2.能爲具有特殊興趣的用戶進行推薦
3.原理簡單
物品的特徵通常分爲兩類：
結構化特徵：特徵的取值限定在某個區間範圍內，可按照定長的格式來表示。
非結構化特徵：無法按固定格式表示，最常見的是文章。