基于内容的过滤是一种推荐系统技术，它根据项目本身的特征和用户过去的操作向用户推荐项目。与依赖于许多用户的用户-项目交互模式的协同过滤不同，基于内容的过滤侧重于将项目特征与用户偏好相匹配。例如，如果用户经常观看科幻电影，系统可能会推荐其他标有“科幻”或具有类似导演、演员或情节关键词的电影。这种方法需要分析项目元数据或内容（例如，文本、类型、标签）以创建用户喜欢的项目的配置文件。
核心机制包括两个步骤：特征提取和相似度评分。首先，项目被表示为从其属性导出的特征向量。对于像文章这样的基于文本的内容，这可能涉及像 TF-IDF（词频-逆文档频率）这样的技术来识别重要的关键词。对于电影，特征可能包括类型、发行年份或演员。接下来，系统通过聚合用户已交互的项目的特征（例如，他们看过的电影）来构建用户配置文件。通过计算用户配置文件与所有项目之间的相似度评分（使用像余弦相似度这样的指标）来生成推荐，优先考虑那些得分最高的项目。
基于内容的过滤的一个关键优势是它可以在没有大量用户交互数据的情况下工作，这使得它对冷启动场景（例如，几乎没有历史记录的新用户或项目）很有用。它还避免了协同过滤中出现的“受欢迎程度偏差”，因为它侧重于个人偏好而不是趋势。但是，它有局限性。如果系统只推荐与过去交互过于相似的项目，可能会出现过度专业化，从而减少了发现多样化内容的机会。此外，推荐的质量在很大程度上取决于项目特征的定义程度——选择不当的特征会导致不相关的建议。例如，一个仅使用类型标签的音乐推荐系统可能会错过诸如节奏或情绪等细微之处，而这些对于用户满意度至关重要。开发人员通常将基于内容的过滤与其他方法（例如，混合系统）相结合，以平衡其优势和劣势。