4.1  介紹

　　CF系統需要使用者的評分資料作為知識源，向用戶推薦商品，而不需要輸入並維護其他的附加資訊。基於內容的推薦系統主要應用的知識源包括類別和體裁資訊，還有從文件中提取的關鍵詞。這兩種方法的優勢在於能以相對較小的代價獲取並維護這些知識。但是日常生活中，純粹的CF系統會由於評分資料很少而效果不好，而且時間因素也在其中佔據了影響力。而且，有些產品領域，使用者希望能明確定義他們的需求，而這些明確化的需求的處理並不是CF和基於內容的推薦的系統所擅長的。基於知識的推薦系統可以幫我們解決上面的問題。它不需要評分資料就可以進行推薦，也不存在冷啟動的問題。推薦結果不依賴單個使用者評分：是依賴使用者需求同產品資訊之間的相似度形式，或者是根據明確的推薦規則。

　　基於知識的推薦系統有兩個基本型別：基於約束的推薦和基於例項的推薦。這兩種方法在過程上比較相似：使用者必須指定需求，系統設計給出方案，如果找不到方案，使用者必須更改需求。此外，系統還需給出解釋。這兩種個方法的不同之處在於如何使用所提供的知識：基於例項系統側重於根據不同的相似度衡量方法檢索出相似的物品，而基於約束的推薦系統則依賴明確定義的推薦規則的集合。

4.2  知識表示方法和推理

　　一般來說，基於知識的系統依賴物品特性的詳細知識。簡單來說，推薦問題，就是從這個目錄中挑選能匹配使用者需求、偏好的物品。使用者的需求可能要表示成物品的需求或閾值範圍。

　　基於約束的推薦是由約束求解器解決約束滿足問題或者通過資料庫引擎執行並解決的合取查詢。
　　基於例項推薦

　　經典的約束問題可以用一組（V,D,C）描述，其中，V是一組變數；D是一組這些變數的有限域；C是一組約束條件。識別能匹配使用者願望和需求的一組產品的任務被稱為推薦任務。通過在D中選擇由V構成的C，尋找可能的結果集合。這就是推薦任務的目標。合取查詢是將一組挑選標準按照合取方式連結起來的資料庫查詢。

　　例項和相似度：基於例項的推薦方法利用相似度檢索物品，相似度可以描述為物品屬性與給定的使用者需求之間的匹配程度。書中講述了物品與需求之間的相似度計算方法以及區域性相似度計算方法。

4.3  基於約束推薦系統的互動

　　會話式的推薦系統互動過程：

• 1.使用者指定自己最初的偏好；
• 2.當收集了足夠有關使用者的需求和偏好的資訊，會提供給使用者一組匹配的產品，使用者可以選擇要求系統解釋為什麼會推薦某個產品。
• 3.使用者可能會修改自己的需求。

　　儘管這種方法一開始是比較簡單，但是實際應用中需要有一些更加精密的互動模式來支援推薦過程中的終端使用者。如果目錄中沒有一個物品能滿足使用者的所有需求，系統需要能智慧地幫助客戶解決問題。

　　預設設定：幫助使用者設定需求的重要方法。

　　處理不滿意地需求和空結果集：可以通過逐漸、自動的放寬推薦問題的限制，直到找到對應的解決方案。通過修改初始的需求，計算出解決方案。

　　提出為滿足需求地修改建議：對已有的需求集做出適當的調整。

　　對基於物品/效用推薦的結果地排序：首位效應，排序會顯著提高推薦應用的信任度和使用者的購買意願。多屬性效應理論，從多個維度考慮。

4.4  基於例項的推薦系統的互動

　　早期的基於例項的推薦系統也是純粹基於查詢的方法。使用者需要反覆指定自己的需求，直至發現目標。這種反覆修改十分乏味，而且需要專業的領域知識才能弄懂物品之間的關係屬性。這種缺陷讓人們提出了基於瀏覽的方法來檢索物品，評價是一種有效的方法。

　　評價的基本思想是：使用者以當前待稽核物品未滿足的目標來指明他們的修改要求。如：使用者覺得價格太高，就會評價期望價格更低廉，如果需要質量更好，可能就要評價質量不夠等。基於例項的最新進展是有效整合了基於查詢和基於瀏覽的物品檢索。一方面，評價有助於在物品集合內有效地引導使用者；另一方面，基於相似度的例項檢索有助於識別最相似的物品。基於評價的推薦系統允許使用者很方便地表達自己的偏好，而不用強制地指明物品屬性的具體值。

參考文獻：

https://jackence.github.io/2018/01/12/recommendsys3/