使用者畫像(user profile)大體分為給機器看的和給人看的，其中給人看的一般是運營，產品等用的。我們這裡只關注給機器看的。我們知道要對使用者和物品進行計算，是需要對資料進行計算的，因此我們首先就要將使用者和物品都向量化，使用者向量化後的結果，就是user profile，俗稱「使用者畫像」，所以，使用者畫像不是推薦系統的目的，而是在構建推薦系統過程中產生的乙個關鍵環節的副產品。
使用者畫像的維度，在制定使用者畫像維度的時候，需要對每乙個維度都是可理解的，而維度的數量是自想的（假如是根據使用者的閱讀歷史挖掘閱讀興趣標籤，那麼我們無法提前知道使用者有哪些標籤，也就不能確定使用者畫像有哪些維度），有哪些維度也是自想的（維度越多越精細，個性化推薦就越強，但帶來的計算代價也就越大，這裡注意的是使用者畫像是向量化結果，而不是標籤化。標籤化知識向量化的一種）。
使用者畫像的構建，查戶口，對資料（積累歷史資料，做統計工作，就是歷史行為資料中去挖掘出標籤，然後在標籤維度中做資料統計，用統計結果作為量化結果），黑盒子（embedding）
首先我們要知道物品這一端也有大量文字資訊，可以用來構建物品畫像（通常有物品的標題，描述，物品本身的內容，物品的其他基本屬性的文字）
上面是典型基於內容推薦的框架圖
內容這一端：內容源經過內容分析，得到結構化的內容庫和內容模型，也就是物品畫像。使用者這一端：使用者看過推薦列表後，會產生使用者行為資料，結合物品畫像，經過使用者分析得到使用者畫像。以後對於那些沒有給使用者推薦過的新內容，經過相同的內容分析過程後就可以經過推薦演算法匹配，計算得到新的推薦列表給使用者。如此周而復始，永不停息。
內容分析和使用者分析：構建物品和使用者畫像…
內容推薦演算法：對於基於內容的推薦系統，最簡單的推薦演算法當然是計算相似性即可，使用者的畫像內容就表示為稀疏的向量，同時內容端也有對應的稀疏向量，兩者之間計算余弦相似度，根據相似度對推薦物品排序。
量，兩者之間計算余弦相似度，根據相似度對推薦物品排序。
推薦系統基礎演算法之基於內容的推薦演算法
基於內容的推薦方法的優點是 基於內容的推薦方法的缺點是 1.特徵 內容 提取，提取每個待推薦物品的特徵 內容屬性 例如電影 書籍 商品的分類標籤等。這些特徵往往分為兩種 結構化的特徵和非結構化的特徵。所謂結構化特徵就是特徵的取值限定在某個區間範圍內，並且可以按照定長的格式來表示。例如，電影類別特徵，...
推薦系統架構 推薦系統（1） 業界推薦系統架構
1.1業界主流推薦系統架構 業界推薦系統通用架構 1.2使用者本身資料 1.3物品本身資料 1.4使用者行為資料 2.1基於離線訓練的推薦系統架構設計 常用演算法 邏輯回歸 logistics regression 梯度提公升決策樹 gbdt 和因式分解 fm 架構設計 2.2面向深度學習的推薦系統...
推薦系統（1） 推薦系統概述
推薦系統是主動從大量資訊中找到使用者可能感興趣的資訊的工具。推薦系統的核心問題是如何實現推薦個性化 如何向使用者推薦匹配度高的產品 商品 或專案,本質是通過一定的方式將使用者和專案聯絡起來。自從xerox palo alto研究中心於1992年研發出了基於協同過濾的實驗系統tapestry以來 主要...