一、概述
u2tag2i：基于标签的泛化推荐，先统计用户偏好的tag向量，然后匹配所有的Item，（这个tag一般是item的标签、分类、关键词等tag），可以利用jaccard距离公式算相似性评分；
优点：
基于内容的推荐一般是推荐系统的起步阶段，而且会持续存在，其重要性不可替代。
(1) 为某一用户做推荐的时候不需要使用其他用户的数据。
(2) 产品冷启动阶段，新的物品要被推荐出去，首选内容推荐。
(3) 可解释性好，产品的特征决定了推荐值。
缺点：
(1) 某些物品的特征提取比较难。
(2) 过于专门化。永远不会推荐和用户曾经喜欢的物品不相干的物品，完全没有利用其它用户的喜好来提高对此用的推荐质量。
(3) 对于新用户有冷启动问题。新用户的用户画像为空，无法做出推荐。
新用户冷启动：推荐目前热度最高的物品、让新用户主动选择一些标签tag做推荐
适用场景：特别适合文本领域，比如新闻推荐等。核心在于把物品描述以及内容更好的利用起来。
二、整体流程
1、原始数据（music_meta）
musicid 音乐id desc 简单音乐描述信息（文本内容） catgory 音乐类别
对music_meta数据的简单描述信息desc进行抽取，然后将其作为物品的内容，然后进行分词，利用tf-idf进行关键词抽取，得到top3的关键词，能够得到物品的关键词表：
musicid 音乐id
keywords 关键词列表（tag）
由u2u2i（基于用户的协同过滤） 可以知道基于用户听歌日志表得到用户对音乐的喜爱程度字段
userid , musicid, rating AS score
2、制作用户标签
3、物品标签（即关键词）和用户标签做相似匹配
物品标签做倒排优化：
原来：
musicid keywords
item_id: 刘德华、潘玮柏、周杰伦
倒排后：
（
刘德华，i1:0.3，i3:0.5，i7:0.7
潘玮柏，i2:0.8，i9:0.7,i11:0.1
）
用户标签：
user_id: 刘德华、潘玮柏
可以用基于jaccard距离：用户标签和物品标签的交集除以其并集，作为用户对物品的评分。