我在这里很新，我要预先感谢所有会花时间阅读此问题的人。
我们正在使用TF-IDF构建推荐系统来生成文档的归一化向量。基于用户与文档的交互(例如，不喜欢，花时间在上面等...(，我们想生成遵循与文档本身相同结构的用户配置文件。
虽然有很多关于推荐系统和基于内容过滤的文献的文献，但对用户偏好本身的构造几乎没有什么。我并不是要问一个"解决方案"，而是要我们指向正确的方向(或简单的方向(。我们可能会自己做些事情，但是如果已经开发了解决方案，则无需重新发明轮子。
非常感谢！丹尼尔
您的问题很难理解，但根据我理解的内容，我只想分享一个简单的想法，它可能会引导您走上正确的道路：
首先，您可以将TFIDF向量视为高维矢量空间的一部分。假设文档相当分组为簇，则可以尝试将用户投射到这些群集中，并选择最接近的群集的元素。但是，为此，我建议不要使用多个标签，而只是"喜欢"。
用户向量可能是他喜欢的文档的TFIDF向量的平均值。但是，只有当用户具有均匀的偏好(最好仅来自一个群集(时，这才能很好地工作，因为如果他喜欢遥远的群集中的很多文档，他会发现自己之间的群集可能不一定反映出他的利益。但是，如果偏好的结构逐渐发挥作用，则可以很好地工作。
您可以通过确定距用户向量的最接近的群集，然后从该集群中选择其他文档作为建议来进行。
对于距离，您可以从余弦距离开始，例如，您可以使用一个简单的K-Nearift邻居算法找到簇(请参阅Scikit Learn(。