Collaborative Filtering Recommendations (协同过滤，简称CF) 是目前最流行的推荐方法，在研究界和工业界得到大量使用。但是，工业界真正使用的系统一般都不会只有CF推荐算法，Content-based Recommendations （基于内容推荐）基本也会是其中的一部分。 基于内容推荐应该算是最早被使用的推荐方法，而且非常常见，可以用于很多地方。 基于内容推荐的过程一般包括以下三步： Item Representation：为每个item抽取出一些特征（也就是item的content了）来表示此item； Profile Learning：利用一个用户过去喜欢（及不喜欢）的item的特征数据，来学习出此用户的喜好特征（profile）； Recommendation Generation：通过比较上一步得到的用户profile与候选item的特征，为此用户推荐一组相关性最大的item。 这种算法常用于根据用户的行为历史信息，如评价、分享、点赞等行为并将这些行为整合计算出用户的偏好，再对计算推荐项目与用户偏好的相似度，将最相似的推荐给用户。例如在书籍推荐中，可以根据用户已经看过或者评分的书籍的一些共性（比如作者、分类、标签）再推荐给用户相似度高的书籍。 基于内容推荐可以通过两种方式，一个是像上面所说通过用户的行为进行个性化推荐，但是上面的推荐方式很依赖用户的数据、不利于没有用户数据情况下的冷启动。一般适合商品不多、用户有特殊兴趣的情况。 第二种就是根据事物的相关性，这种方式是通过比较事物之间共有属性的相似度来进行推荐，例如如果A用户喜欢Dota2，Dota2是属于竞技类网游，那么A用户就有可能喜欢英雄联盟。 这种方式的好处就是可以不依赖用户的行为，但是要求事物的内容是准确和完善的并且是没有歧义的，不过也可以通过手动输入标签的方式来解决…