1. 前言
在之前总结过协同过滤的召回通路后，今天我们来总结下召回策略中的重头戏：基于内容的召回通路，也即我们常说的基于标签的召回。这里就要涉及两个一直很流行的词汇：用户画像User Profile和物品画像Item Profile。
说回推荐系统，它的使命就是，要在用户（User）和物品（Item）之间建立连接。那么用户画像和物品画像是否是推荐系统的“银弹”呢？答案肯定不是，但也不能说用户画像一无是处。
用户画像只是推荐系统构建过程中的一个副产品，而不是推荐系统的目的。归根结底，用户画像是给机器看的，而不是给用户看的，所以越酷炫的用户画像越没什么用。在使用机器学习、深度学习时，用户画像的维度、数量、量化等，这些往往是不可解释的。所以，不要把用户画像看的那么重要，但是，实际工作中，推荐系统的召回侧，标签化的内容召回，效果往往会比其他策略要好很多，而标签化的迭代往往是一个长期持久的过程。
为何一定要做好内容的推荐呢？这是因为，通常一个推荐系统往往从基于内容开始成长。推荐最开始的时候，内容数据很好获得，不需要有用户数据就可以做出推荐系统。内容数据是基础，只要深入挖掘，就可以挖掘出一些很有用的信息给推荐系统用。
然后，当最初的推荐结果反馈给用户后，用户的行为数据可以作为协同过滤等其他召回通路的数据输入源。
那么，今天我们就来聊聊基于内容的推荐召回。
2. 构建画像
现在我们来一起聊聊如何构建画像，拿用户画像来说，有两个关键因素：维度、量化。对于维度来说，比如性别、年龄、价格等，我们在处理数据时，要铭记一点，这些数据是让机器去学习的，不一定让人类能够理解，后续我会总结在模型构建时，相关数据格式的处理。
说说量化，在实际的生产系统中，画像每个维度的量化，应该交给机器，而且以目标为导向，以结果来反向优化才有意义。
那么如何构建画像呢？常见的有三种方法：
- 查户口：直接使用最原始的数据作为画像的内容，如：性别、年龄、区域、兴趣爱好等等，在经过数据清洗挖掘阶段后，这些数据往往在冷启动等场景下有很好的作用。
- 堆数据：堆积历史数据，也就是在用户有一定行为后，对历史数据进行挖掘，构建标签系统，然后基于这些标签，进行各种维度的统计，这些统计结果就可以作为量化指标。
- 黑盒子：这个呢，就是使用机器学习、深度学习等方法，学习出人类无法理解的user_embedding，在推荐的中后期迭代中，承担非常大的作用。
那该如何把内容推荐做好呢？从技术层面上来说，需要做好：抓、洗、挖、算，这四门功课。
抓：爬虫，很多公司都会有爬虫组，在公司的数据基础上，获取更多互联网的数据来补充自己的内容源，增加分析的维度
洗：清洗，抓取过来的数据，必须洗洗才会更健康，冗余、黄赌毒等敏感及黑名单数据需要清洗
挖：挖掘，不管是自己的数据还是抓取过来的的数据，在清洗之后，需要深入挖掘，统计各维度的结果
算：计算，匹配用户和物品的属性，然后计算出更合理的推荐结果
整体上的流程，是这样的：基于现有的数据源，对内容进行分析，得到结构化的内容库和内容模型，然后根据标签给用户推荐结果，在用户使用产品后，对行为数据进行分析，构建用户的标签。而同时对于那些没有历史行为的用户，可以根据最初的标签，直接拿标签去推荐，所以基于内容的推荐，也常常作用于冷启动过程。
3. 内容召回的算法
说完流程，我们来谈谈基于内容召回，经常使用的一些算法。
从最初的数据源开始，对于文本数据，经常的做法就是：
- 把非结构化的文本结构化
- 根据用户行为数据，把物品的结构化结果传给用户，与用户结构化信息合并
对于文本结构化的处理上来说，一般使用比较多的就是NLP相关算法：
- TF-IDF：目前我经常用的就是，可以提取出item的关键词词频，然后建立关键词和item的倒排表。
- Kmeans：可以对用户、物品分别聚类，根据聚类进行针对性推荐
- Word2vec：计算词向量，扩充结构化标签；累加得到一个文本的稠密向量；聚类，得到更好的聚类效果
- 其他：LDA主题识别，TextRank算法，UGC内容分类，卡方检验CHI和信息增益IG
在具体的实践中，我目前的做法是：
- 针对item，利用TF-IDF，计算出每个item的关键词，然后在ES中构建关键词-item的倒排表，如：剑南春：[item1:0.9, item2:0.7, item100:0.5...]
- 截取近30天内用户的行为数据，统计出用户每个关键词的比例，如：剑南春-0.5，茅台0.2，五粮液0-0.2，泸州老窖-0.1，这个过程用hive、spark都可以统计出来
- 假如内容召回100个，那么拿着关键词去es中，提取每个关键词对应的item数量，如：剑南春-50个，茅台-20个，五粮液-20个，泸州老窖-10个
通过这样的方法，就完成了基于内容的召回，真的不难。就是给每个item打标签，然后统计用户的标签比例，然后根据召回的个数，对应的去数据库里拿item就结束了。
当然，在打标签的时候，根据内容的特点，去针对性的选择算法，筛选完后，再选择es或redis等查询快速的数据库存储即可。
而在实际工作中，标签打的越多，对用户的喜好也就越准确，但是，耗费的精力也就越多。召回阶段是推荐系统的一部分，没必要在某一个节点做的太过细致，就目前业界的趋势来说，更多的是用机器学习，深度学习等算法，去提升生产力，所以适度的标签化即可，也就是前面提到的，用户画像不是推荐系统的目的，而是附带的产品。
好了，关于基于内容的召回，就总结到这里，还是那句话，思路最重要，具体使用什么算法，使用什么工具，需要根据数据的特点来选择。学习就应该从全局到局部，由上至下的思想，才会把知识体系构建出来。
后续我会针对算法进行详细的总结，拜了个拜~
