《Recommender System An Introduction》。第四章，基于知识推荐。
概要
，能够以相对较小的代价获取和维护这些知识。
可是，在一些场景下，比方房屋、汽车、计算机等商品，协同系统会由于评分数据少而效果不好；或者时间跨度因素也非常重要的情况，用户偏好随着各种状况而变化等；这些场景就不是协同过滤和基于内容推荐擅长解决的。
基于知识的推荐系统能够解决这些问题，它不须要评分数据。因此不存在启动问题。
基于知识推荐交互性非常强，所以是一种会话式系统。
基于知识推荐不不过一种过滤系统，而是更为广义上“以一种个性化方法引导用户在大量潜在候选项中找到感兴趣或实用的物品。或者产生这些物品作为输出结果”的系统。
基于知识推荐系统的两种基本类型是：基于约束推荐和基于实例推荐。
它们的推荐过程相似：用户必须指定需求，然后系统设法给出解决方式。假设找不到解决方式，用户必须改动需求。此外，系统还要给出推荐物品的解释。
它们的不同之处在于：怎样使用所提供的知识。基于实例的推荐系统着重于依据不同的相似度衡量方法检索出相似的物品。基于约束的推荐系统依赖明白定义的推荐规则集合。
知识表示法和推理
基于知识的系统依赖物品特性的具体知识。
基于约束的推荐问题一般能够表示为由约束求解器解决的约束满足问题，或者通过数据库引擎运行并解决的合取查询形式。
基于实例推荐系统主要利用相似度衡量标准从文件夹中检索物品。
约束
约束满足问题（CSP）的求解过程，依据CSP算法和推荐知识库，就能够构建基于约束的推荐系统。
基于约束的推荐系统，会涉及例如以下的变量和约束条件：
（1）用户属性（Vc）：描写叙述潜在的用户需求
（2）产品属性（Vprod）：依照分类描写叙述产品的属性
（3）一致性约束条件（Cr）：定义了同意范围内的用户属性比例
（4）过滤条件（Cf）：定义了在哪种条件下应该选择哪种产品
（5）产品约束条件（Cprod）：定义了当前有效的产品分类
（6）合取查询：和以上不同。合取查询是将一组挑选标准依照合取方式连接起来的数据库查询
实例与相似度
基于实例的推荐方法利用相似度检索物品，相似度能够描写叙述物品属性与某些给定用户需求之间的匹配程度。这这相似度的计算，依据不同的场景，有一些比較通用的计算公式。
与基于约束推荐系统交互
会话交互过程
（1）用户指定自己的最初偏好
（2）当收集了足够有关用户需求和偏好的信息，会提供给用户一组匹配产品，用户能够选择要求系统解释为什么会推荐某个产品
（3）用户可能会改动自己的需求
帮助交互的技术
这些帮助推荐系统和用户交互的技术，有助于提高应用的可用性，在推荐结果的信任度、惬意度及结果之类方面达到更高的用户认可。
（1）默认设置：推荐默认值、选择下一个提问
（2）处理不惬意的需求和空结果集
（3）提出对未满足需求的改动建议
（4）对基于物品/效用推荐结果的排序 ：依据物品对用户的效用进行排序非常重要，因为首位效应，用户会更关注并选择列表开头的物品。这样的排序会显著提高推荐应用的信任度和用户的购买意愿。
在基于知识的会话式推荐系统中，物品排序依据的是多属性效用理论。依据每一个物品对用户的效用来评价。
用户和基于约束的推荐交互小结
用户在找不到解决方式时，能够求助于判定结果和改动。
默认值可以给出合理的候选方案，有助于明白需求，其负面作用是滥用默认值操纵用户。
基于效用排序有助于在结果页面上对信息单元排序，改动判定结果和改动成分提供的候选方案，以及对推荐物品解释的排序。
这些概念形成一个工具集，有助于更好地实现基于约束的推荐应用。
与基于实例的推荐系统交互
与基于约束的推荐类似，早起基于实例的推荐採用的也是纯粹基于查询的方法，用户须要指定（常常是重复指定）他们的需求，知道发现目标物品。
对于非专业认识，弄清物品的专业属性非常困难，基于此，人民提出了基于浏览的方法来检索物品。如果用户不知道自己在找什么，这这方法为其导航。评价就是一种非常有效的导航方法，也是基于实例推荐系统的关键概念。
（1）评价：其基本思想是。用户以当前待审核物品（录入物品或推荐物品）未满足的目标来指明他们的改动要求
（2）混合评价
（3）动态评价
（4）高级的物品推荐方法
（5）评价多样性
这个推荐过程也是有非常多计算公式。计算流程在里面，用到之时能够深入研究。
这个推荐的过程。实际还是很很像商品检索过程。
小结
基于知识推荐。其质量的推荐应用依赖于底层知识库的质量。该工艺也非常依赖于用户反馈。然后，有两种类型的：
（1）基于约束的建议：当强调约束规则推荐
（2）推荐基于实施例：强调的是，根据用户的原始搜索结果，并逐步评价（它可以理解为是许多其他搜索标准的选择），我们推荐了很多其他结果。
其实很像条件搜索。