Recommender Systems 基于知识的推荐

　　前两章的协同过滤和就内容的推荐都建立在“大量数据”的基础上，运用概率方法来进行计算和预测。不过，在现实生活中，有些物品，如：汽车、房屋、计算机，用户不会频繁的消费。如何在这种情况下对用户进行推荐？

　　这种case，在现实生活中很常见的就是在淘宝上面用general的query来搜索一些大宗物品，如：相机、电视、空调、等等。这时候淘宝除了给出一些结果，还会给出一些选项，如：品牌、像素、尺寸，用户每当做了一个选择之后，淘宝会进一步提供更细致的选项，直到用户在淘宝的帮助下一步步用淘宝的方式来精确地描述了用户自己的需求。

　　这种方法需要与用户不断地交互，关键问题就是：如何“问”用户下一个问题？即，如何给用户提供下一个维度的选项。从个人的经验来看，需要结合物品在该维度下面的信息熵（是否能够被该维度有效区分）以及用户群（其他用户）的选择行为（其他用户关心什么）。

　　这一章作者具体给出了两种推荐算法：
　　1. 基于约束的方法：我理解就是不断增加约束（区分物品的维度）逐渐精确用户的需求
　　2. 基于实例的方法：我理解就是先给出用户一个例子，如：买某种保险，然后根据用户对该实例的评价来逐渐寻找其他（更加合适的）实例

　　没细看这一章，感觉作者形式化的问题以及给出的方法不太接地气，不实用。或者，将来等我需要用的时候再回过头来看吧。

　　参考http://blog.csdn.net/xceman1997/article/details/41855939