4.1 介紹
CF系統需要用戶的評分數據作為知識源，向用戶推薦商品，而不需要輸入並維護其他的附加信息。基於內容的推薦系統主要應用的知識源包括類別和體裁信息，還有從文檔中提取的關鍵詞。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系統會由於評分數據很少而效果不好，而且時間因素也在其中占據了影響力。而且，有些產品領域，用戶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。它不需要評分數據就可以進行推薦，也不存在冷啟動的問題。推薦結果不依賴單個用戶評分：是依賴用戶需求同產品信息之間的相似度形式，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類型：基於約束的推薦和基於實例的推薦。這兩種方法在過程上比較相似：用戶必須指定需求，系統設計給出方案，如果找不到方案，用戶必須更改需求。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：基於實例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用戶需求、偏好的物品。用戶的需求可能要表示成物品的需求或閾值范圍。
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數據庫引擎執行並解決的合取查詢。
基於實例推薦主要是利用相似度衡量標准從目錄中檢索物品。
經典的約束問題可以用一組（V,D,C）描述，其中，V是一組變量；D是一組這些變量的有限域；C是一組約束條件。識別能匹配用戶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准按照合取方式鏈接起來的數據庫查詢。
實例和相似度：基於實例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用戶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局部相似度計算方法。
4.3 基於約束推薦系統的交互
會話式的推薦系統交互過程：
- 1.用戶指定自己最初的偏好；
- 2.當收集了足夠有關用戶的需求和偏好的信息，會提供給用戶一組匹配的產品，用戶可以選擇要求系統解釋為什么會推薦某個產品。
- 3.用戶可能會修改自己的需求。
盡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交互模式來支持推薦過程中的終端用戶。如果目錄中沒有一個物品能滿足用戶的所有需求，系統需要能智能地幫助客戶解決問題。
默認設置：幫助用戶設置需求的重要方法。
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用戶的購買意願。多屬性效應理論，從多個維度考慮。
4.4 基於實例的推薦系統的交互
早期的基於實例的推薦系統也是純粹基於查詢的方法。用戶需要反復指定自己的需求，直至發現目標。這種反復修改十分乏味，而且需要專業的領域知識才能弄懂物品之間的關系屬性。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：用戶以當前待審核物品未滿足的目標來指明他們的修改要求。如：用戶覺得價格太高，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。基於實例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用戶；另一方面，基於相似度的實例檢索有助於識別最相似的物品。基於評價的推薦系統允許用戶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/