基于内容的推荐是在推荐引擎出现之初应用最为广泛的推荐机制，它的核心思想是根据推荐物品或内容的元数据，发现物品或者内容的相关性，然后基于用户以往的喜好记录，推荐给用户相似的物品。比如你看了哈利波特I，基于内容的推荐算法发现哈利波特II-VI，与你以前观看的在内容上面（共有很多关键词）有很大关联性，就把后者推荐给你。
1.特征（内容）提取 ，提取每个待推荐物品的特征（内容属性）。
这些特征往往分为两种：结构化的特征和非结构化的特征。
所谓结构化特征就是特征的取值限定在某个区间范围内，并且可以按照定长的格式来表示。
非结构化的特征往往无法按固定的格式表示，最常见的非结构化数据就是文章。例如对推荐文章，我们往往会把文本上的非结构特征转化为结构化特征，然后加入到模型使用。
2. 用户偏好计算,利用一个用户过去的显式评分或者隐式操作记录,计算用户不同特征(内容属性)上的偏好分数；
有以下几种常见的计算方法：
(1) 基础统计法。(2) 词频统计法。
3. 内容召回 ：将待推荐物品的特与用户偏好得分匹配，取出用户最有可能的物品池。
4. 物品排序,按用户偏好召回物品池，可能一次性挑选出很多内容。这时候我们可以进一步根据这些电影的平均分进行排序。
通过以上四步，就可以快速构建一个推荐系统。并且基于内容的推荐方法用户易于理解，简单有效。常常和其他推荐方法共同应用于推荐系统中。