《Recommender System An Introduction》,第四章,基于知识的推荐。
概述
协同过滤和基于内容推荐的方法的主要优势在于,可以以相对较小的代价获取和维护这些知识。
但是,在一些场景下,比如房屋、汽车、计算机等商品,协同系统会因为评分数据少而效果不好;或者时间跨度因素也很重要的情况,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可以解决这些问题,它不需要评分数据,因此不存在启动问题。基于知识推荐交互性很强,所以是一种会话式系统。基于知识推荐不仅仅是一种过滤系统,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有用的物品,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案。如果找不到解决方案,用户必须修改需求。此外,系统还要给出推荐物品的解释。
它们的不同之处在于:如何使用所提供的知识。基于实例的推荐系统着重于根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确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详细知识。
基于约束的推荐问题一般可以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执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目录中检索物品。
约束