# 基于内容推荐

## 核心定义

基于内容推荐（Content‑Based Recommendation, CBR）是推荐系统的基本范式之一，其核心在于**通过分析用户历史交互物品的属性特征，构建用户兴趣模型，进而推荐与用户画像在内容上高度相似的新物品**。与协同过滤依赖群体行为不同，CBR 完全基于物品自身的内容描述（如文本、图像、音频、结构化特征）以及用户个体的偏好历史，不依赖其他用户数据，因此天然具有**可解释性强、无冷启动问题（对新物品友好）** 等优势。

## 关键技术点

1. **内容特征提取**  
   将非结构化的原始数据转化为数值化特征向量。常用方法包括：文本的 TF‑IDF、词嵌入（Word2Vec、BERT）；图像的 CNN 特征；音频的 Mel‑频谱系数（MFCC）；医学领域的时序信号（如 EEG 频段能量、EMG 包络线）特征工程。

2. **用户画像构建**  
   根据用户过往交互的正样本（如点击、购买、治疗有效），计算其内容特征向量的加权平均或聚类中心，形成代表用户长期兴趣的“兴趣向量”。新加入的物品则通过特征相似度与该向量匹配。

3. **相似度计算**  
   常用度量包括余弦相似度、欧氏距离、皮尔逊相关系数。在医学场景中，常采用加权相似度或核函数（如 RBF）以处理高维、稀疏的临床特征。

4. **推荐生成与排序**  
   对候选物品逐一计算与用户画像的相似度，按得分降序排列，选取 Top‑N 推荐。可引入用户反馈（如是否有效）在线更新画像，实现增量学习。

5. **冷启动适应策略**  
   针对新用户（尚无交互）可直接利用用户基本属性（年龄、既往史）作为临时画像，或采用关键词匹配；针对新物品，仅需提取其内容特征即可参与推荐。

## 医学/神经科学应用场景

**基于内容推荐的个性化脑卒中康复方案**  
（首都医科大学神经病学背景）  
脑卒中患者的神经功能缺损程度、脑电（EEG）频段变化、运动学步态参数及影像学病灶位置构成高维“内容特征”。CBR 系统首先对每位患者的历史康复数据进行特征提取（例如提取 EEG 的 δ/θ/α/β 频段功率比值、Fugl‑Meyer 评分各子项、弥散张量成像（DTI）中的各向异性分数（FA）值），构建“有效干预画像”——即患者对哪些刺激类型（如经颅直流电刺激（tDCS）的阳极位置、神经肌肉电刺激（NMES）的频率/脉宽、镜像疗法中动作复杂程度）产生显著功能改善。当新患者入院时，系统依据其初始临床特征与画像的相似度，**自动推荐**最可能有效的康复参数组合，例如：“优先采用左侧 M1 区阳极 tDCS（1.5 mA，20 min）+ 腕伸肌 NMES（40 Hz，200 µs）”。该过程不依赖其他患者的群体数据，完全基于患者自身的病情特征与历史有效性映射，为神经康复提供**精准、可解释**的个体化决策支持。