推荐算法已广泛用于从许多领域的海量数据中为用户发现有趣的内容。 但是,随着用户需求的多样化,推荐的准确性和效率成为提高用户满意度的重要考虑因素。 本文通过将搜索词与个性化搜索参考词相结合来重新定义内容相似性的概念,并描述它们的维数,然后通过定义当前关键词,分类项目和分类之间的汉明距离,提出内容相似度的计算方法。历史关键字。 通过支持向量数据描述(SVDD)的预处理,我们可以从分类项目的个人偏好中找到特定倾向,并提出最终推荐结果,从高相似到低相似。 仿真实验表明,在我们的大规模数据集上,我们提出的方法比其他两种经典算法平均提高了17.2%的推荐性能,并降低了6.3%的MAE。 同时,我们提出的方法在召回率和覆盖率上有更好的表现,用户满意度也得到了较大程度的提高。