《Recommender System An Introduction》，第五章，混合推荐方法。
《Recommender System An Introduction》，第六章，推荐系统的解释。
《Recommender System An Introduction》，第七章，评估推荐系统。
混合推荐方法
如何进行混合推荐，要考虑两个问题：基础的推荐理论框架和系统的混合设计，也就是组合两个以上算法的方法。
推荐理论框架
推荐问题通常可以转换成效用函数rec，预测物品集合I中得物品i对整个用户级U中某个特定用户u的有用性。
效果指的是物品满足某种抽象目标的能力，比如最好地满足用户假定需求，或者是最大地提高零售商的转化率。因此，推荐算法的预测任务就是推算给定用户和物品的效用分数。
基于效用或基于知识的推荐系统，可以直接从先验的效用机制中得到效用分数值，而协同过滤方法根据群体的评分预测效用分数。
3种主要的推荐理论框架：
（1）协同过滤。协同过滤原理假设人以类聚，大家有着相似的行为，需求和偏好也差不多。协同推荐的任务就是确定相似的对等者，从他们喜欢的物品中得到推荐结果。
（2）基于内容的理论框架遵循“以不变应万变”的方法，根据用户过去喜欢的物品推荐相似的物品。
（3）基于知识的推荐，认为会有额外的信息源，即显式的个性化知识。
选择哪种推荐理论框架决定了要输入数据的类型：
| 理论框架 | 用户记录和上下文参数 | 群体数据 | 产品特征 | 知识模型 |
| 协同过滤 | 是 | 是 | 否 | 否 |
| 基于内容 | 是 | 否 | 是 | 否 |
| 基于知识 | 是 | 否 | 是 | 是 |
混合设计
这是混合算法的第二个特点，可以概括成三种基本设计思路：整体式、并行式、流水线式。
关于混合设计，既有一些加权算法或者其他计算方法的支撑，也有很多基于浅层混合上的理解，很多情况，可以从从实际场景出发，从浅层的基于补充层面的混合开始，逐步加深。
推荐系统的解释
解释是一种在沟通过程中进行交流的信息。
为什么推荐系统需要给出解释：卖家想要宣传特定的产品，而买家则比较关心做出正确的购买决策。解释是一项重要的信息，可以帮助两者在交流过程中提高各自的业绩和效率。
从实用角度来看，在推荐过程中提供解释的主要目的可以列举如下：
（1）透明性
（2）正确性
（3）可信度
（4）说服力
（5）有效性
（6）效率
（7）满意度
（8）关联度
（9）可理解性
（10）教育
以下几个因素会影响到推荐系统在与接受方沟通时的解释生成：
（1）需要解释的信息项
（2）提供（接受）解释的目的
（3）接受方的模型，包括其行为与知识
（4）沟通的状态，指交换的信息，包括提供的推荐
在基于约束、基于实例、协同过滤的推荐系统中，对于解释，都有各自的比较标准的解释方法，基于时间的原因，具体的、详细的内容，这次看书的过程先略过，留待下一步，如果有机会。
评估推荐系统
推荐系统通常采用离线实验进行评估，设法用已有的交易数据集来估计推荐结果的预测误差。有人指出这种方法有局限，也有人认为推荐系统的质量根本就不可直接衡量，因为有太多不同的目标函数。
不管怎样，推荐系统已在广泛应用，必须要有科学的方法实际准确地评估其对于用户的真实效果和作用。
本节介绍了一些评估公式，考虑了实验对象、研究方法、环境，重点讨论了如何在历史数据集上进行实验评估，并讨论了衡量推荐结果准确率或覆盖率的不同方法以及衡量指标。
在实际的生产中，我们很少采用这些实验室方法，而是用真实、客观的结果数据，进行A/B测试评估推荐的效果。