innehållsbaserade

Innehållsbaserad filtrering, ofta kallad innehållsbaserade rekommendationssystem, är en metod inom rekommendationssystem som bygger sina förslag på egenskaper hos objekten själva snarare än enbart användarnas beteende. Systemet skapar itemprofiler som beskriver innehållsrelaterade drag (t.ex. genre, ämne, nyckelord, metadata eller textinnehåll) och en användarprofil som sammanfattar de egenskaper som användaren har visat intresse för. Rekommendationer genereras genom att mäta likhet mellan användarens profil och objektprofiler, vanligtvis med vektorrumsmodeller och mått som kosinuslikhet eller inre produkt.

Nästan alltid används tekniker från naturlig språkbehandling eller andra representationsmetoder för att extrahera relevanta funktioner ur text, bild eller ljud. Fördelar inkluderar godare hantering av nya artiklar som har kända egenskaper, möjligheten att förklara varför något rekommenderas och mindre beroende av omfattande användargenererat beteende. Begränsningar innefattar känslighet för kvaliteten på beskrivningar och attribut, risk för överfokusering på tidigare val och mindre serendipitet jämfört med vissa kollektiva eller hybrida metoder. Systemet kan också kräva betydande funktionsteknik för att skapa relevanta egenskapsvektorer.

Användningsområden inkluderar film-, musik- och nyhetsrekommendationer, e-handel och dokumentbaserade sökgränssnitt. I praktiken används ofta hybrida tillvägagångssätt som kombinerar innehållsbaserad filtrering med andra metoder för att övervinna begränsningar och öka mångfalden i förslagen.