让我们一起来谈谈物以类聚。在了解了内容和用户的基本特征后，我们将进一步讨论推荐算法如何匹配用户和内容。总结一下，这个过程做的是“物如桑树，人分群”。
image handler/75762 da8-9e F5-44 bb-98 B4-9df 6a 535 c1dc /
基于内容的推荐方法在音乐、电影和书籍的推荐场景中很常见。以图书推荐场景为例。豆瓣书上有三本书，分别有以下标签：
推荐系统、数据挖掘、计算机、算法、机器学习、互联网、数据分析、人工智能。
推荐系统，机器学习，数据挖掘，算法，计算机，互联网，计算机科学，
分析大数据，数据挖掘，计算机，互联网，大数据时代，互联网趋势，社会学，数据
从标签层面不难看出，标签集层面的相同标签较多，相似度较高。然后，当用户A选择《推荐系统实践》时，系统应该给他优先推荐《推荐系统),而非《大数据时代》。
如果想进一步细化，可以使用TF-
IDF模式为不同的标签设置权重。基本思想是：的频率越高，标签区分度越低，反之亦然。比如“电脑”是高频的标签，那么这个标签的区分度就没有那么高，权重也低；而“推荐系统”是一个低频的标签，标签更有意义和差异化，权重更高。
基于内容属性的推荐的优势在于，它只依赖于项目本身的特征，而不依赖于用户的行为，从而可以显示新的、晦涩难懂的项目。存在的问题是推荐的质量完全取决于特征构建的完备性，但特征构建本身是一个系统工程，存在一定的成本。在上面的例子中，如果标签词的粒度不够细，不足以完全描述内容(例如，每本书只有三个标签词)，则难以计算置信度相似度，推荐效果不够好。