文章图片



内容创作者：要明白文章首先是写给推荐系统看的！物以类聚：基于内容属性的相似性推荐有了完善的内容 ， 推荐系统就会根据其属性计算内容与内容之间的相似度 ， 从而推荐与用户观看内容相关的新内容 。
常见的相似度计算因素有：
?作者层面的相似性?订阅?偏好?内容层面的形似性?关键词?话题?类目?聚类?标签
基于内容属性的推荐方式 ， 常见于音乐 ， 电影和书籍的推荐场景中 。
基于内容属性推荐的好处在于：只依赖物品本身的特征而不依赖用户的行为 ， 让新的内容、冷僻的内容都能得到展示的机会 。
但是也存在一定的问题：推荐质量完全取决于构建特征的完备性 ， 但是构建特征是一项系统的工程 ， 存在一定的成本 ， 如果不能全面描述内容的属性 ， 就很难计算出相似的效果 。
此外 ， 基于内容的推荐没有考虑用户对物品的态度 ， 用户的品味很难得到表达 。
市面上的文章很多 ， 仅从标签词上很难区分出高低 。
人以群分：基于用户行为的协同过滤把用户的阅读行为作为特征 ， 以此进行用户的相似性或物品相似性计算 ， 计算信息匹配 ， 是协同过滤的基础 。
协同推荐可以分为三个子类：
?基于物品的协同思路分为两步：?第一步：找到那些与读者在同一个方面口味相似的人群?第二步：将这一人群喜欢的东西推荐给你?基于用户的协同先确定你喜欢什么内容 ， 再找到与之相似的内容推荐给你 。 只是内容之间的相似度不是从内容属性的角度衡量的 ， 而是从用户反馈衡量的 。 ?基于模型的协同实时预测用户可能的点击率 ， 根据用户的喜好信息来推荐 。
推荐系统评估指标【物联网|?内容创作者：要明白文章首先是写给推荐系统看的！】推荐算法的内核是提高分发效率 ， 用户的点击率和对点击之后的主动行为、停留时长的计算 ， 可以有效的反馈推荐系统的准确性 。
连接内容与人新的用户和新的内容 ， 对于推荐系统来说都是空白的 。 需要累计一定的曝光量和互动量（阅读、分享）来收集基础数据 。

冷启动在推荐系统中 ， 一篇内容借助探索性展示完成从 0 到 1 的用户反馈积累 。
在冷启动的这个过程中 ， 如果没有能够得到足够的正面反馈（点击行为和阅读体验） ， 系统就会认为这篇内容是不受欢迎的 。
为了控制负面影响 ， 就会逐渐降低这篇内容的推荐量 。
反之 ， 如果内容在冷启动过程中找到了自己的目标人群 ， 收获了很好的点击量 ， 就有可能被推荐系统快速放大 ， 具有了成为爆款的可能 ，
因此 ， 「冷启动能决定一篇内容的命运」的说法丝毫不为过 。
在内容被提交到系统的开始阶段 ， 由于缺乏用户的反馈 ， 推荐系统更依赖于内容本身的固有属性了进行冷启动 。
基于内容和阅读体验的展示
内容展现列表是呈现给用户的信息 ， 比如标题、封面、发布时间等 。
内容消费维度包括作者层面和内容层面两部分：
作者层面作者的粉丝群体更应该看到该作者的新内容 ， 一个过往表现更好的作者会得到更高的冷启动推荐量 。
内容层面内容层面是指分类信息、关键词、命中的实体和话题等等 ， 用于判断内容与用户的反馈是否匹配 。
没有点击就没有阅读体验 ， 推荐系统首先考虑的是表现层与用户的匹配度 。