三种方法，没有用户数据也能搭建推荐系统

　　即使没有用户数据，我们仍能搭建高效的推荐系统，向用户展示更多优质内容，让用户参与其中。
　　太长不看版：
　　第一步便是搭建基于内容的推荐系统，这种推荐系统会给用户推荐其他类似的商品，但并不依赖其他用户的数据。这些特征（即数学表达式，推荐算法需借助内容条目不同方面的表达式才能得以运算）来自于内容条目本身，并非用户行为。有了书面文本，我们便可以使用语义技术提取文本特征。
　　以上述推荐系统为基准模型，我们可以引入其他特征，如提取自文本的元数据，尽可能地优化该系统。虽然没有明确的用户标识，但利用用户账号代理仍能实现个性化推荐。假设用户每次访问该系统时都浏览了多件商品，那么可以根据该会话内的实时趋势，搭建本地的基于会话的推荐系统。
　　正文版：
　　“在没有用户数据的情况下该如何搭建推荐系统呢？”我们曾多次遇到过该问题，今天我试着回答一下。
　　本文将向大家呈现关于推荐系统如何工作的一系列基础知识，（在重要部分）会使用一些行业术语。当涉及到技术问题时，会跟大家说明具体的技术环境。
　　一般来说，在没有用户数据的情况下，有三种可行的办法来搭建推荐系统。我把它们按照复杂程度在下边列了出来。
　　此外，假设大家此刻能利用手边一切可利用的数据。这三种方法，每一种后者比前者能更好地利用唯一标识和用户信息等用户数据，但实际上，大家手头并没有这些数据。
　　搭建基于内容的推荐系统
　　首先，我们可以以某些标签或其他内容元数据等为特征，搭建一个标准的基于内容的推荐系统。我们可以应用TFIDF模型来评估算法，在该模型中，这些标签代表了经预先计算好的词典中的每一个单词（该词典仅仅指某种数据结构，是语篇中所有的单词集合。）
　　具体来说：假设我们充分利用所有的标签以及其他特征来构建该词典，那么该词典会帮助我们构建所谓的“特征向量”。之后，我们以特征向量为基础，对比不同的内容条目，搭建推荐系统。到了这一步，一个基于内容的推荐系统已初步完成，从我的研究经验来看，该系统的推荐效果相当好。我们现在做的所有工作都是在向用户推荐类似于历史商品的商品。“类似”一词这里指，推荐的商品与历史商品相比，有类似的标签和特征。
　　如果我们想搭建精度更高的推荐系统，要做的第一件事便是迭代上述初级推荐系统，并在此基础上不断优化。接下来我将介绍其他方法。
　　优化基于内容的推荐系统
　　上述步骤利用了包含现有标签和其他特征的单一词典。提高推荐精度的下一步是构建两个及两个以上的词典对应元数据的不同类别，我们可以基于多个词典，在推荐系统中采用TFIDF统计方法，计算每一内容条目得分的加权组合。我们可以根据主观评估的结果优化参数（如每一项得分的权重）。这取决于哪一项参数权重能带来最好的推荐效果。
　　如果某一类元数据不能用TFIDF进行加权统计，如这组数据不相关，那我推荐大家把这组数据细分成不同的种类。做了这样的细分处理后，我们会获得另一组标签（细分后的每一类数据都有各自对应的标签）。假设这个过程中未大量出现其他特征，那并不会加大整个工作的难度。
　　接下来可以在系统中引入过滤技术，如加某个特定标签，进一步优化推荐系统。它不是核心算法的一部分，但如果我们想在推荐系统中嵌入某种算法，从而实现用户自定义推荐准则的操作，那么过滤技术便是该算法的附加支撑结构。
　　搭建采用用户代理的推荐系统
　　提高系统推荐精度的下一步是观察能作为用户代理的那些数据特征。虽然我们没有用户账号，但可能有IP地址、浏览器信息、用户会话等其他信息。
　　至此，我们可以构建抽象的用户。这种用户账号无法验证，但却有了指纹技术的雏形。一旦我们能为“抽象”的用户命名，那么便能为该用户生成个性化推荐，具体来说，就是利用多种协同过滤技术。在我看来这也不复杂我们能找到很多开源项目（如高阶Python包）。关键是我们可以借助已有的代理信息来构建用户账号。
　　此外，我们还需要用户的点击交互数据。我们需要知道哪些商品已经被用户点击过，否则便没有办法顺着用户偏好做进一步优化。一旦有了用户的点击交互数据和抽象的用户账号，便能搭建由IP地址和浏览器信息组合而成的个性化推荐系统。这不是真正的个性化推荐，但离真正的个性化也不远了。
　　搭建基于会话的推荐系统
　　最后的方法概述起来就是搭建基于会话的推荐系统。这与前边提到的方法类似，但这次我们关注的是某个特定会话内的数据。即使我们无法获取用户信息，也有可能拿到用户会话数据。有了用户会话账号，便能和高度本地化的“用户账号”对等起来。
　　基于会话的推荐系统众多，其中一些基于循环神经网络（RNN）搭建的推荐系统精度极高，如Hidasi和Karatzoglou二人所做的研究。这些系统的推荐效果都令人相当满意。
　　基于会话的推荐系统假定用户准备在该系统上停留一段时间。如果用户确实这样做了，并且点击次数足够多的话，那么系统的推荐效果会更好，推荐的内容对用户更有吸引力。
　　
　　原文标题：WhatAretheThreeWaystoBuildaRecommenderSystemWhenYouDon’tHaveAudienceData？
　　原文作者：MahbubGani