基于内容的推荐
内涵：
计算物品的内容相似度。
所含部件：
1. 内容分析器（提取物品内容信息，作为属性学习期和过滤部件的输入）
2. 文件学习器（收集、泛化代表用户偏好的数据，生成用户概要信息）
3. 过滤部件（通过学习用户概要信息，去匹配用户概要信息和商品信息，推荐商品）
缺点：
a. 推荐的物品可能会重复。
b. 音乐电影图片等的特征很难提取，解决方式手机给这些item打标签。
c. 当一个新的用户没有或很少对任何商品进行评分时，系统无法向该用户提供可信的推荐。
优点：
a. 不受CF推荐中的打分稀疏性问题的约束。
b. 能很好地解释推荐结果。
c. 可以将新产品很快地进行推荐。
跟ItemCF的区别：
Content-based根据内容计算物品相似度，ItemCF根据外界环境（分析用户行为）计算物品相似度。
跟UserCF的区别：
Content-based计算的是物品相似度，UserCF计算的是用户相似度。
核心算法列举：
TF-IDF
马尔可夫模型（词性标注）
基于朴素贝叶斯的用户分类
不能用。原因：
因为已定的用户模型中的特征存在不相互独立的特征，但朴素贝叶斯分类器有一个前提是所有特征都彼此独立。
需要训练样本先把类别给“积累起来”，在初期数据很少的情况下很难实现（不利于冷启动）。
用户懂哪些知识、想学哪些知识，严格来讲这不是特征，
基于kNN的用户分类算法
是一种懒惰算法，要用时才进行分类，不适合实时推荐场景。