我曾在不同公司⾥都听到过，他们的产品经理或者⼤佬问过这样的问题：我们的推荐系统标签够不够？

相信你也遇到过类似的问题。这其实是⼀个很⼤的误区：基于内容的推荐系统，标签只是很⼩⼀部分。

⽽且就算是标签，衡量质量的⽅式也不是数⽬够不够；所以，今天我要讲的内容，就是说⼀说脱离标签定式思维的内容推荐。

为什么要做好内容推荐

所谓的基于内容推荐，通俗⼀点来讲，就是⼀个包装成推荐系统的信息检索系统。这听上去有点残酷，但通常⼀个复杂的推荐系统很可能是从基于内容推荐成⻓起来的。

可以说，基于内容的推荐系统是⼀个推荐系统的孩童时代，所以，我们不能让⾃⼰的推荐系统输在起跑线上，得富养才⾏。那么，⾸先我就来讲⼀讲如何养成⼀个基于内容的推荐系统。

为什么基于内容的推荐系统这么重要呢？因为内容数据⾮常易得，哪怕是在⼀个产品刚刚上线，⽤⼼找的话总能找到⼀些可以使⽤的内容，不需要有⽤户⾏为数据就能够做出推荐系统的第⼀版。

内容数据尤其是⽂本，只要深⼊挖掘，就可以挖掘出⼀些很有⽤的信息供推荐系统使⽤。

另外，著名的流媒体⾳乐⽹站Pandora，其⾳乐推荐系统背后的“⾳乐基因⼯程”，实质上就是⼈⼯为⾳乐标注了各种维度的属性，这样，即便使⽤基于内容推荐的⽅式，也做出了很好的推荐效果。

听上去，上⾯这段话特别像是在安慰还处在冷启动阶段的你，事实上呢，其实并不全是，内容推荐的⽅式还有它的必要性。推荐系统总是需要接⼊新的物品，这些新的物品在⼀开始没有任何展示机会，显然就没有⽤户反馈，这时候只有内容能帮它。

基于内容的推荐能把这些新物品找机会推荐出去，从⽽获得⼀些展示机会，积累⽤户反馈、⾛上巅峰、占据热⻔排⾏榜。要把基于内容的推荐做好，需要做好“抓、洗、挖、算”四⻔功课。它们分别是对应了下⾯的内容。

1.抓：⼤⼚们从来不公开说的⼀件事是，他们⼀直在持续抓数据丰富⾃⼰的内容，所以做好⼀个基于内容的推荐，抓取数据补充内容源，增加分析的维度，两者必不可少。

2.洗：抓来的数据，相当于捡别⼈掉地上的东⻄吃，我们也得注意卫⽣，洗洗更健康，数据也⼀样，冗余的内容、垃圾内容、政治⾊情等敏感内容等等都需要被洗出去。

3.挖：不管是抓来的数据，还是⾃家的数据，如果不深⼊挖掘，那就和捧着⾦饭碗去要饭⼀样，浪费了⼤好资源。可以说，很多推荐系统提升效果并不是⽤了更复杂的推荐算法，⽽是对内容的挖掘做得更加深⼊。

4.算：匹配⽤户的兴趣和物品的属性，计算出更合理的相关性，这是推荐系统本身的使命，不仅仅是基于内容的推荐才要做的。

内容推荐系统框架

内容这⼀端：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。

以后对于那些没有给⽤户推荐过的新内容，经过相同的内容分析过程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。如此周⽽复始，永不停息。

内容源

在互联⽹中，抓数据是⼀件可做不可说的事情，哪怕是市值⼏千亿的⼤⼚，也有专⻔的⼩分队抓数据，补充推荐系统每天的内容消耗。因为，只有当内容有多样性了，⼀个推荐系统才有存在的合法性，所以⼤⼚职⼯们抓数据也是为了保住⾃⼰的饭碗。

爬⾍技术本身⾮常复杂、⾮常有学问，⽐推荐算法难多了，这⾥就不展开讲了。

不论是抓来的数据还是⾃家⽤户产⽣的数据，都离不开清洗数据。由于各家都在相互借鉴来借鉴去，所以抓到重复的内容也是很有可能的，去重与识别垃圾内容、⾊情内容、*内容等都是必修课。

关于这个环节的边⻆算法，我们在后⾯的⽂章中会专⻔花⼀些篇幅来讲。

内容分析和⽤户分析

基于内容的推荐，最重要的不是推荐算法，⽽是内容挖掘和分析。内容挖掘越深⼊，哪怕早期推荐算法仅仅是⾮常硬的规则，也能取得不俗的效果。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了；

2.如果对视频的⽂本描述，⽐如标题等能够有内容分类，⽐如是娱乐类，那么对于喜欢娱乐的⽤户来说就很合理；

3.如果能够进⼀步分析⽂本的主题，那么对于类似主题感兴趣的⽤户就可能得到展示；

4.如果还能识别出内容中主⻆是吴亦凡，那就更精准锁定⼀部分⽤户了；

5.如果再对内容本身做到嵌⼊分析，那么潜藏的语义信息也全部抓住，更能表达内容了。举这个例⼦是为了说明：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了。上⼀篇中我列举了⽂本数据——这也是内容数据最常⻅形式的分析⽅法。内容分析的产出有两个：

1.结构化内容库；

2.内容分析模型。

结构化的内容库，最重要的⽤途是结合⽤户反馈⾏为去学习⽤户画像，具体的⽅法在上⼀篇中已经介绍了。容易被忽略的是第⼆个⽤途，在内容分析过程中得到的模型，⽐如说：

1.分类器模型；

2.主题模型；

3.实体识别模型；

4.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，再于⽤户画像匹配。

内容推荐算法

对于基于内容的推荐系统，最简单的推荐算法当然是计算相似性即可，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。

你别嫌糙，如果你内容分析做得深⼊的话，通常效果还不错，⽽且基于内容的推荐天然有⼀个优点：可解释性⾮常强。

如果再进⼀步，要更好地利⽤内容中的结构化信息，因为⼀个直观的认识是：不同字段的重要性不同。

⽐如说，⼀篇新闻，正⽂和标题中分析出⼀个⼈物名，评论中也分析出其他⽤户讨论提及的⼀些⼈物名，都可以⽤于推荐。直观上新闻的正⽂和标题中更重要。

那么，我们可以借鉴信息检索中的相关性计算⽅法来做推荐匹配计算：BM25F算法。常⽤的开源搜索引擎如Lucene中已经实现了经典的BM25F算法，直接拿来使⽤即可。

前⾯提到的两种办法虽然可以做到快速实现、快速上线，但实际上都不属于机器学习⽅法，因为没有考虑推荐的⽬标，⽽我们在之前的专栏中就专⻔强调了⽬标思维，那么，按照机器学习思路该怎么做呢？

⼀种最典型的场景：提⾼某种⾏为的转化率，如点击、收藏、转发等。那么标准的做法是：收集这类⾏为的⽇志数据，转换成训练样本，训练预估模型。

每⼀条样本由两部分构成：⼀部分是特征，包含⽤户端的画像内容，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信息，如时间、地理位置、