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：
“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 TF-IDF 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 TF-IDF 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 TF-IDF 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。