推荐系统

将个人信息过滤(IF)智能体(agent)与产品社区用户的意见结合起来以产生比单纯的基于智能体或者基于用户群更好的推荐效果的协同过滤(CF)框架。

用户想要从大量繁杂的信息中寻求最感兴趣的信息，而公司想要将他们的产品有效地推荐给用户。

Ricci等人对推荐系统给出了定义：tools which can [recommend a set of items for a user or a set of users for an item]

推荐涉及到了很多的决策[decision-making]的过程，包括知识来源(训练集)以及推荐算法。因为Rss是个性化的，并且是从已经被别人知道的且不是个性化定制的产品中进行推荐，所以Rss不仅仅可以帮助用户有效的找到感兴趣的东西，更可以帮组公司找到一个有效的方式来介绍他们的产品给潜在的用户。

应对信息超载的常见解决方案

1.信息检索(IR)：完成瞬时出现的兴趣查询

是一个可以根据用户的请求从一个信息库中检索信息的系统。有学者认为IR并不能抓取到用户的偏好，并不是很有价值因为他们并没有抓取到除了用户的精确的请求之外的偏好。

2.信息过滤(IF)：将新的信息流分化归类

需要一个针对用户需求和偏好地简介。最简单的系统需要用户手动的或者在一定的协助下创建这个简介。

缺点：不能应对所有的情况。尽管它能够解决冷启动的问题，并且很有效率。但是依然与有很多问题存在：在信息挖掘方面缺乏全面性，推荐内容的限制和用户的反馈的不足。

3.协同过滤(CF)：我应该看哪个items（总体或者从某个集合）或者我有多喜欢这些items.

系统构建一个数据库容纳着供用户选择的项目。

协同过滤算法有很多优点：

－用户和数据友好性：可以处理分结构化信息，能够发现新的兴趣点，并没有专业知识需求，并且可以个性化推荐

－性能方面：自动化程度高，并且性能是会随着时间的推移变好的

－交互性好：协同过滤能够让用户之间互相分享选择，并且一小部分的用户额选择是会影响到推荐系统给别的用户的推荐结果。

缺点：稀疏性问题。冷启动问题以及可解释性差的问题。