4.1 介绍
CF系统需要用户的评分数据作为知识源，向用户推荐商品，而不需要输入并维护其他的附加信息。基于内容的推荐系统主要应用的知识源包括类别和体裁信息，还有从文档中提取的关键词。这两种方法的优势在于能以相对较小的代价获取并维护这些知识。但是日常生活中，纯粹的CF系统会由于评分数据很少而效果不好，而且时间因素也在其中占据了影响力。而且，有些产品领域，用户希望能明确定义他们的需求，而这些明确化的需求的处理并不是CF和基于内容的推荐的系统所擅长的。基于知识的推荐系统可以帮我们解决上面的问题。它不需要评分数据就可以进行推荐，也不存在冷启动的问题。推荐结果不依赖单个用户评分：是依赖用户需求同产品信息之间的相似度形式，或者是根据明确的推荐规则。
基于知识的推荐系统有两个基本类型：基于约束的推荐和基于实例的推荐。这两种方法在过程上比较相似：用户必须指定需求，系统设计给出方案，如果找不到方案，用户必须更改需求。此外，系统还需给出解释。这两种个方法的不同之处在于如何使用所提供的知识：基于实例系统侧重于根据不同的相似度衡量方法检索出相似的物品，而基于约束的推荐系统则依赖明确定义的推荐规则的集合。
4.2 知识表示方法和推理
一般来说，基于知识的系统依赖物品特性的详细知识。简单来说，推荐问题，就是从这个目录中挑选能匹配用户需求、偏好的物品。用户的需求可能要表示成物品的需求或阈值范围。
基于约束的推荐是由约束求解器解决约束满足问题或者通过数据库引擎执行并解决的合取查询。
基于实例推荐主要是利用相似度衡量标准从目录中检索物品。
经典的约束问题可以用一组（V,D,C）描述，其中，V是一组变量；D是一组这些变量的有限域；C是一组约束条件。识别能匹配用户愿望和需求的一组产品的任务被称为推荐任务。通过在D中选择由V构成的C，寻找可能的结果集合。这就是推荐任务的目标。合取查询是将一组挑选标准按照合取方式链接起来的数据库查询。
实例和相似度：基于实例的推荐方法利用相似度检索物品，相似度可以描述为物品属性与给定的用户需求之间的匹配程度。书中讲述了物品与需求之间的相似度计算方法以及局部相似度计算方法。
4.3 基于约束推荐系统的交互
会话式的推荐系统交互过程：
- 1.用户指定自己最初的偏好；
- 2.当收集了足够有关用户的需求和偏好的信息，会提供给用户一组匹配的产品，用户可以选择要求系统解释为什么会推荐某个产品。
- 3.用户可能会修改自己的需求。
尽管这种方法一开始是比较简单，但是实际应用中需要有一些更加精密的交互模式来支持推荐过程中的终端用户。如果目录中没有一个物品能满足用户的所有需求，系统需要能智能地帮助客户解决问题。
默认设置：帮助用户设置需求的重要方法。
处理不满意地需求和空结果集：可以通过逐渐、自动的放宽推荐问题的限制，直到找到对应的解决方案。通过修改初始的需求，计算出解决方案。
提出为满足需求地修改建议：对已有的需求集做出适当的调整。
对基于物品/效用推荐的结果地排序：首位效应，排序会显著提高推荐应用的信任度和用户的购买意愿。多属性效应理论，从多个维度考虑。
4.4 基于实例的推荐系统的交互
早期的基于实例的推荐系统也是纯粹基于查询的方法。用户需要反复指定自己的需求，直至发现目标。这种反复修改十分乏味，而且需要专业的领域知识才能弄懂物品之间的关系属性。这种缺陷让人们提出了基于浏览的方法来检索物品，评价是一种有效的方法。
评价的基本思想是：用户以当前待审核物品未满足的目标来指明他们的修改要求。如：用户觉得价格太高，就会评价期望价格更低廉，如果需要质量更好，可能就要评价质量不够等。基于实例的最新进展是有效整合了基于查询和基于浏览的物品检索。一方面，评价有助于在物品集合内有效地引导用户；另一方面，基于相似度的实例检索有助于识别最相似的物品。基于评价的推荐系统允许用户很方便地表达自己的偏好，而不用强制地指明物品属性的具体值。
参考文献：
https://jackence.github.io/2018/01/12/recommendsys3/