相比于统计数据，基于内容向用户推荐类似内容往往更加简单，推荐的方式有两种：

人工推荐。在技术领域，作者通常比大多数读者更专业，他们往往知道读者需要什么。例如，如果你读了一篇相关文章，你可能需要相关的内容。

自动推荐需要一些前提条件：整合现有系统的数据信息，获取一些用户信息，然后计算出相关的内容百度搜索联想词每个人一样吗【64xl.com批量做词霸屏】，基于内容的推荐方式：手动、半自动与全自动标签推荐，最后返回给读者。

在本文中，我们将介绍：

标注的生成方式

根据手动标签提出建议

半自动标签推荐

全自动基于内容的推荐

标签生成

文章和我们平时用的东西有很大的不同，比如手机有固定的规格，比如价格、屏幕尺寸、RAM、机身内存、CPU、后置摄像头像素、前置摄像头像素等，通过这些特性我们很容易了解用户需要什么，如果用户正在浏览某款售价2880的pro 7手机，那么某款小米6手机可能更适合该用户。

文章是非结构化数据，除了作者、写作时间等信息之外，很难直接描述其特征，也很难判断文章是否相似，因此需要从文章中提取关键词，也就是标签，来判断用户是否喜欢某个分类。

对于使用标签向用户推荐商品的应用，生成标签的方式有四种：

手动标记

也就是说，由作者或发布者手动添加相关标签往往是最可靠的方法。毕竟作者更专业。例如，在《使用 AVS SDK 在 Pi 上制作智能音箱》这篇文章中，读者可能除了 Pi 之外什么都不懂，而作者已经将其关键词（标签）标注为 avs sdk, , , pi。从某种意义上来说，它相当于这篇文档的特征。从这些关键词中，我们可以推断出文章的大致内容。

商品也是类似，商品上架的时候，都有对应的产品数据，比如价格、类型、时间等。

机器生成的建议

这种方法会根据文章的内容、标题等信息提取出相应的标签，然后按照一定的权重计算相关性，比如标签中包含的关键词相关性比较强，那么它的权重也应该比较大。那么如果两篇文章中的标签中包含了相似的内容关键词，那么对于用户来说，它们可能也是相似的。这就是我们后面要讲的“基于内容的推荐”。

用户生成内容 (UGC)

对于没有内容的产品，则依赖用户手动标记的标签和评论。例如豆瓣上的电影和书籍，只能由用户手动标记，才能找到类似的内容并推荐给用户。

因此如果一本新书没有用户评论，那么可能不会被推荐给相应的用户，因此这些内容需要在标签“冷启动”方面进行探索，比如生成一些标签等，所以对于无法通过内容判断的，用户注册后会在手机上让用户自行选择自己感兴趣的标签。

混合式学习

在人工标注的情况下，如果是UGC内容，那么为了获得更多的访问量，用户可能会有意无意地添加一些不相关的标签。比如搜索次数多就会生成推荐词吗，如果关注标签A的用户较多，与之相关的流量也会较大，因此带有标签A的文章也会获得更多的关注。但由于文章本身与标签A无关，必然会导致用户的不满。此时，如果普通用户能够判断文章是否相关，这种影响必然会在一定程度上减少。

同样，正如我们上面提到的，机器生成标签也会出现一定的问题，因此最好的办法是将以上几种不同的标注方式结合起来。

基于人工标签的推荐：与标签数量相关

由于我使用的CMS已经包含了后台手动推荐相关文章的功能，所以我的想法是先根据某些特定标签的数量筛选出相关文章。

在我的第一个原型中，我采用的方法相对原始：

获取某篇文章的所有标签

所有文章标签的统​​计和计数

获取文章标签中计数最高的标签，并查找具有相同标签的博客

在剩余的博客中，选择第二常见的标签，然后过滤剩余的博客

keywords_name = model.get_keywordsfield_name()
assigned = getattr(model, keywords_name).all()
all_keywords = Keyword.objects.filter(assignments__in=assigned)
keywords = all_keywords.annotate(item_count=Count("assignments")).order_by('-item_count')# TODO: filter most popular tagfirst_keyword = keywords.first()if first_keyword:
   first_filtered_blogposts = BlogPost.objects.published().filter(keywords__keyword__title__contains=first_keyword.title)
   first_filtered_blogposts = first_filtered_blogposts.filter(~Q(id=post_id))
   second_keyword = keywords[1]    if second_keyword:
       blog_posts = first_filtered_blogposts.filter(keywords__keyword__title__contains=second_keyword.title)        return blog_posts[:3]    else:        return []

但是这样的推荐算法可能会存在一些问题：如果同一系列的文章太多，比如网上各种 Vue 模仿站，那么用户可能已经掌握了，文章的价值就不会那么高，甚至可能和鸡汤一样毫无价值。比如在《玩什么》这篇文章中，有一系列与 home 和 pi 相关的文章，它就无法体现出一些差异性。

缺点

在网站内部，这种算法有其特定的含义：大量的标签。但它不能真正解决用户的问题吗？它能体现网站的价值，但对用户来说并不一定有价值。

如果用户搜索关于pi+的文章，那么确实可以阅读到一些相关的文章，而从上图来看诸如pi gpio这样的字词似乎是更受用户欢迎的选择。

但此时编辑的推荐更加精准，与商品不同，文章的人工推荐往往是读者可能会被感动的内容，这样可以留住用户，获得更令人印象深刻的用户行为流。

上图展示了“玩某事”的用户行为流程：

这意味着有 32% 的用户在访问某个页面后会访问其他页面，而有 20% 的用户在此基础上访问某个页面。如果我们能改进推荐系统，将首次互动率提高到 50%，我们将会有相当可观的流量。

为了提高我们算法的准确率，我们可能还需要一个额外的东西：权重，所以需要一个加权的计算方法。对于文章，有一个简单的加权方法，就是计算标题中的关键词。但我非常怀疑这种方法是否真的有效。单个关键词只对网站本身有价值，对用户没有价值。

半自动标签推荐：基于搜索权重优化

于是，我在使用的时候，突然想到用它来获取用户搜索的关键词，如下表所示，会写出对应的位置，点击率，出现次数等：

—米奥

二十八

25％

8.2

家

10

40％

15

回声 pi

10

30％

5.0

π

33.33%

7.7

猪GPIO

50％

10

66.67％

十三

33.33%

9.7

作为一个专业的程序员，我们在搜索内容的时候，会用到“关键词”这种面向机器的界面方式，作为一个专业的MD程序员和SEO专家，我们在写文章标题的时候，也应该在标题里写上关键词。

比如对应上面第一个搜索结果-miio，它的标题为《+Siri控制小米插座：基于-miio》；同样，当用户在网上搜索home时，对应的文章标题为《Pi+Home智能家居（二）：万能遥控器RM Pro红外控制家里所有电器》搜索次数多就会生成推荐词吗，等等。

所以，这才是真正“有价值”的重量。

更新权重

于是我下载了 CSV，新建了一个，然后将其导入数据库。然后，我做了一个简单的加权算法：

第一个关键词=关键词次数*0.25+关键词搜索次数*0.75

代码如下：

   for keyword in keywords:
       related_queries = Query.objects.filter(queries__contains=keyword.title)
       keywords[index].item_count *= 0.75

       if related_queries:            for query in related_queries:
               keywords[index].item_count += query.clicks * 0.25

       if index > 1 and keywords[index].item_count > keywords[index - 1].item_count:
           top_rank_keyword = keywords[index].title        index += 1

代码中第二个关键字依然是“按频率选词”，如果和第一个关键字重复，那么会选出第二频繁的关键字~~，

Pi 的搜索结果还是挺有意义的。所以我也做了一个相关搜索。当用户搜索 Pi 的时候，可能还会加上 ?? ，这样就可以在网站右侧展示给用户感兴趣的搜索内容了。

但是这个关键词列表最大的意义就在于找出用户最需要的关键词；同时，它也能帮助我们找到那些能够排在好位置的词。