内容推荐

内容源经过内容分析，得到结构化的内容库和内容模型，也就是物品画像。用户这一端：用户看过推荐列表后，会产生用户行为数据，结合物品画像，经过用户分析得到用户画像。之后对于那些新的物品，经过相同的内容分析后就可以经过推荐算法匹配，计算得到新的推荐列表给用户。

内容源

主要来源包括抓取数据、自家用户产生的数据等。

内容分析和用户分析

随着内容分析的深入，能抓住的用户群体就越细致，推荐的转化率就越高，用户对产品的好感度也就增加。 举个例子，如果推荐物品是短视频，我们分几种情况看：

• 1、如果短视频本身没有任何结构化信息，如果不挖掘内容，那么除了强推或者随机小流量，没有别的合理曝光逻辑。
• 2、如果对视频的文本描述进行挖掘，如标题等。然后对视频进行分类，比如是娱乐类，那么就可以将相应的视频推荐给喜欢娱乐类的用户。
• 3、如果还能识别出内容中主角是吴亦凡，那么更精准锁定一部分用户

  内容分析的产出

• 结构化内容库：结合用户反馈行为去学习用户画像。
• 分类器模型、主题模型、实体识别模型、嵌入模型。这些模型主要用在：当新的物品刚刚进入时，需要实时地被推荐出去，这时候对内容的实时分析，提取结构化内容，再用于用户画像匹配。

内容推荐算法

直接计算相似度

用户的画像内容就表示为稀疏的向量，同时内容端也有对应的稀疏向量，两者之间计算余弦相似度，根据相似度对推荐物品排序

CTR预估

收集用户的行为日志数据，转换成训练样本，训练预估模型。 每条样本由两部分构成：一部分是特征，包括用户端的画像内容，物品端的结构化内容，可选的还有日志记录时一些上下文场景，如时间、地理位置、设备等等，另一部分就是用户行为，作为标注信息，包含“有反馈”和“无反馈”两类。一般使用的模型有LR、GBDT或者两者的结合（GBDT构造特征，LR用于建立分类模型）

内容推荐的重要性

• 1、内容数据始终存在并且蕴含丰富的信息量。
• 2、产品冷启动阶段，没有用户行为
• 3、新的物品要被推荐出去，首选内容推荐。