本文摘自达观数据出版书籍《智能文本处理实战》9.2.3
在推荐系统中，无论是用户还是物品，都有大量非结构化文字信息。这些文字信息经过不同的文本挖掘算法处理后，能够提升对用户或物品特征的表示效果，进而提升推荐系统的整体性能。本文将详细介绍推荐系统中一些常用的文本挖掘算法。
标签提取算法
图1是标签提取算法的流程示意图。对于推荐物品中的文本信息，尤其是资讯中的标题、摘要和正文，利用 NLP 技术获取与物品相关的关键词、分类和 NER，这些信息是对物品的重要表示，可作为物品的属性特征。
图1 标签提取
通过对用户行为的统计分析，基于用户点击 / 收藏的物品以及物品的属性，构建用户的显式表示。例如一个用户浏览了10篇文章，其中8篇文章带有“篮球”标签，那么推荐系统可以将“篮球”作为用户的兴趣标签。又如用户浏览的文章大都是“某甲”发布的，推荐系统也可以将“某甲”作为用户的兴趣标签。
基于内容的推荐
基于内容的推荐是指根据物品的显式语义信息进行推荐，可以分为3部分：根据物品推荐物品、根据用户推荐物品以及根据用户推荐用户。根据物品推荐物品，是指利用物品的内容信息，计算（寻找）与之相关的物品，比如标签相似度高的物品、同一作者发布的物品、同类别下的物品、属于同一地区的物品等。根据用户推荐物品，是指根据用户的兴趣标签为用户推荐相关物品。例如为喜欢篮球的用户推荐篮球相关的其他优质物品，为上海的用户推荐上海地区的热门物品。图2是基于内容推荐的流程图，通过对用户的标签化建模，可以进行相似物品推荐。
图2 基于内容推荐
根据用户推荐用户，是指根据用户的标签，计算与之兴趣相似的用户，比如为喜欢篮球的用户推荐同样喜欢篮球的用户。对相似用户进行聚类，可以增强用户间的交互， 从而提升整个社区的活跃度。基于内容的推荐方法不依赖用户的行为数据，能在很大程度上缓解推荐系统的“冷启动”问题，尤其是当新内容刚上架时，基于内容的推荐算法往往能取得很好的效果。这种方法还有一个重要的优势。因为基于内容推荐直接使用了人类可以理解的语义信息， 所以从结果中可以感受到明显的相关性，可解释性也相对较好。
深度语义模型
深度语义模型（deep structured semantic model，DSSM）是另外一个起源于文本处理 领域并最终在推荐系统中得到广泛应用的模型。
DSSM 由微软开发，利用深度神经网络把文本表示成向量，主要用于文本相似度匹配。模型结构如图3所示。
DSSM 包含两部分，query 网络和 document 网络。这两个网络将用户搜索 query 和文档映射到低维向量空间，并通过余弦相似度表示 query 和文档之间的关联。DSSM 结构非常简单且性能很好，在信息检索、知识问答、图片描述及机器翻译等领域中有较多应用。
图3 DSSM结构
在 DSSM 中，query 网络和 document 网络是两个独立的子网络，和推荐系统的用户 – 物品模型很相似，于是 DSSM 便被移植到推荐系统中。在推荐系统中，通过 user 网络和 item 网络将用户和物品映射为低维稠密向量，并用余弦相似度表示用户对物品的感兴趣程度。
词向量模型
item2vec 源于 word2vec 算法，是文本挖掘技术在推荐领域的一个重要应用。
word2vec 是谷歌推出的一个 NLP 工具，它的特点是能够将句子中的单词转化为数字化向量，并且可以通过向量之间的关系（余弦距离、向量和、向量差等）定量地表示词与词之间的关系。在 word2vec 推出之前，人们更多使用 one-hot 编码来将词转化为向量，但是这样得到的向量太过稀疏，而且向量之间彼此正交，不包含任何语义信息。word2vec 通过一个简单的神经网络，将单词映射到一个稠密的向量空间，并且在这个向量空间中，向量之间的关系可以表示单词之间的部分语义关系。
item2vec 由微软于 2016 年提出。item2vec 的具体处理过程就是将每个物品作为一个“词”，将每个用户的行为序列作为一个“句子”，从而利用 SGNS 方法（word2vec）提取 item 的隐式向量表示（embedding），并通过向量之间的距离来判断 item 的相关度。item2vec 使用了行为中的序列特征，在推荐系统中广泛使用。
达观智能推荐
达观智能推荐集用户画像、用户运营、AB实验为一体的推荐系统，以推荐为核心进行产品开发，用户使用成本低。达观智能推荐平台采用业内首创的“召回+排序+后处理+兜底”四段式推荐流程，提供了数百种内置的召回策略、排序策略、推荐方案，同时支持策略、方案的自定义，满足企业根据业务场景和规则自主配置推荐策略的需求，让企业最大化实现自主可控的配置。实施案例丰富，广泛服务于零售、金融、传媒、政企、互联网等行业的上千个客户，在各行各业都有丰富的积累和实践经验。
