我在这里相当新，我提前感谢所有愿意花时间阅读这个问题的人。
我们正在使用 tf-idf 构建一个推荐系统来生成规范化的文档向量。基于用户与文档的交互（喜欢、不喜欢、花时间等等），我们希望生成与文档本身结构相同的用户配置文件。
虽然有很多关于“产品”方面的推荐系统和基于内容的过滤的文献，但关于用户偏好本身的结构却很少。我并不是在问一个“解决方案”，而是为了请我们指出正确的方向（或者简单地说，一个方向）。我们可能会自己解决一些问题，但如果已经有相当成熟的解决方案，则无需重新发明轮子。
非常感谢大家！丹尼尔
您的问题有点难以理解，但根据我的理解，我想分享一个简单的想法，可能会引导您走上正确的道路：
首先，您可以将 tfidf 向量视为高维向量空间的一部分。假设文档被分组在集群中，您可以尝试将您的用户投影到这些集群中并选择最近集群的元素。但要做到这一点，我建议不要使用多个标签，而只是“用户喜欢”。
用户向量可以是他喜欢的文档的 tfidf 向量的平均值。然而，这只有在用户具有同质偏好（最好只来自一个集群）的情况下才能很好地工作，因为如果他喜欢来自遥远集群的大量文档，他会发现自己在那些不一定反映他的兴趣的集群之间。但如果偏好的结构发挥作用，这可能会很好。
您继续确定最接近用户向量的集群，然后从该集群中选择其他文档作为推荐。
对于距离，您可以从余弦距离开始，例如，您可以使用简单的 K-Nearest Neighbor 算法找到集群（参见scikit learn）。