本文介紹基于內容的推薦算法（Content-based Recommendation）。

基于內容的推薦算法（以下簡稱“內容推薦算法”）只有一個關鍵點——標簽（tag）。推薦算法將產品分解為一系列標簽，并根據用戶對產品的行為（例如，購買、瀏覽）將用戶也描述為一系列標簽。

內容推薦算法的原理：

1.將產品分解為一系列標簽。例如，一個手機產品的標簽可以包括品牌、價格、產地、顏色、款式等。如果是自營b2c電商，一般可以在產品入庫時手動打標簽。

2. 基于用戶行為（瀏覽、購買、收藏）計算每個用戶的產品興趣標簽。例如，用戶購買了一個產品，則將該產品的所有標簽賦值給該用戶，每個標簽打分為1；用戶瀏覽了一個產品，則將該產品的所有標簽賦值給該用戶，每個標簽打分為0.5。計算復雜度為：已有產品數量*用戶量。該過程為離線計算。

3. 針對所有新產品，分別計算每個用戶的產品標簽與每個新產品的相似度（基于cosine similarity）。計算復雜度為：新產品數量*用戶量。該過程為在線計算。

從可行性角度，一個應用場景是否適合用內容推薦算法取決于：

1. 是否可以持續為產品打標簽。

2. 標簽是否可以覆蓋產品的核心屬性？例如，手機產品的標簽一般可以覆蓋消費者購物的核心決策因素，但是女裝一般比較難（視覺效果很難被打標）。

內容推薦算法的優勢：

1. 推薦結果可理解：不僅每個用戶的核心興趣點可以被標簽化（便于理解每個用戶的興趣），并且可以在每一個推薦結果的展示中現實標簽，便于消費者理解推薦結果（如下圖紅框）。

2. 推薦結果穩定性強：對于用戶行為不豐富的產品類型（例如，金融產品），協同過濾很難找到同興趣用戶群或關聯產品，在相似度計算中稀疏度太高。然而，內容推薦主要使用標簽，標簽對用戶興趣捕捉穩定性要遠遠高于單個產品。

3. 便于人機協作：用戶可以勾選或者關注推薦標簽，從而通過自己的操作來發現自己的個性化需求。

內容推薦算法的劣勢：

1. 不適合發現驚喜：如果一個產品不易于被標簽窮舉或描述產品的標簽還沒出現，則該產品很難被準確推薦。

2. 在線應用計算復雜度較高：需要基于每個用戶來計算相似產品。