基于内容的推荐系统：利用item之间的相似度，为用户推荐与之前选择过的物品最相似的物品；能够解决冷启动的问题。
主要任务：计算item-profile、计算user-item（推荐列表top-k 或者计算预测评分）、评估；
1.item-profile:
获得item的主要特征，根据实际需求，特征获得方式有较大差别；
比如：
电影特征：导演、演员、题材、制片方、简介、上映时间；
利用电影特征构造特征向量，计算相似度。离散值：0、1向量表示；连续值可以取平均值作为其特征，比如所有看过这个电影的用户给予的平均分作为其特征。
两个电影，每个都有5个演员，并且有有两个演员同时演了这两部电影，已知这两个电影的用户平均分是3,4分，则向量表示为：a表示权重，可以适当的调整。
0 1 1 0 1 1 0 1 3a
1 1 0 1 0 1 1 0 4a
计算余弦相似度即可。
文档特征（新闻、网页、书等）：作者、出版时间、题材、摘要、分类；
文档、图片类型的特征提取方法：
将文档内容分词、去停用词、计算TF.IDF(或者word2Vector)，将得分最高的词条作为特征，或者根据阙值计算。这些关键词就是这篇文档的特征代表，向量话，方便后面的相似度计算。
相似度计算：word2vec 计算相似度、jaccard 相似度（计算共现的比例）、余弦相似度、LSH算法；
图片的本身文字的信息较少：可以从tags中获得，(tags收集用户的评论、描述、标签）注：同时还有标签推荐系统，帮助用户推荐标注标签。
2.user-profile
效用矩阵：
boolean值：1代表喜欢（看过），0代表不喜欢（没看过）；
user-item 0-1矩阵
value值：rating值；
直接是user-item的评分矩阵
（可以正则化处理，每个评分-用户的平均打分值；大于0表示积极的喜欢，负数表示不喜欢）user-item特征矩阵
比如：成龙（特征）演过三个电影，用户U对这三个电影的打分分别为：3,4,5。用户U的所有的打分的平均分是3分，则可以就算出用户U对成龙这个特征的偏好值：（（3-3）+（4-3）+（5-3））/3=1；同理计算出其他特征的偏好；构造出与item-profile结构一样的矩阵，点item向量与user-profile点乘就能够预测出所有没有看过电影的分值，然后将分值高的推荐给用户；算法的评估MAE等。
其他计算方式：
核心思想：未打过分的item 与已评item计算相似度，并加权求和，在取平均值，获得itemList
将item 分成两部分（用户U看过的S，没有看过的V）；
取V中的一个v，计算它和S中的相似度的的加权平均分；（权重即为U对S的评分）
遍历V，可以得到用户U的一个item的偏好列表值，top-k 推荐。
