5.3.2.1随时间变化的基准预测
基准预测的时序变化性主要体现再两个时间效应上面。第一个时间效应体现在物品的流行度或许随时间变化。这时，我们的模型中把物品偏置看作时间的函数就可以。第二个时间效应体现在随着时间变化，用户或许会改变他们的基准评分。这可能是用户评分标准的自然变化等原因。这时，我们把偏置也看作时间的函数。周期性变化的时间效应和相对瞬息万变的时间效应是有很大区别的。
首先确定如何选择随时间变化的物品偏置。我们发现完全可以把物品偏置分割为不同的时间段来计算，而每一个时间段都用一个常数表示物品偏置
5.4基于领域的模型
协同过滤领域最常见的方法是基于领域的模型。最原始的形式是基于用户的，即基于一群志趣形同的用户的评分记录来估计未知评分的。随后基于物品的方法流行起来。在这种方法中，我们使用同一个用户在相似物品上的评分来估计未知的评分。基于领域的模型能够根据一个新进入系统的用户反馈立即提供推荐。
第六章 开发基于约束的推荐系统
6.1简介
传统的推荐方法适用于推荐书籍、电影、新闻等。但是在推荐一些如汽车、电脑、房屋等的产品的情况下，这些推荐方法就不是最佳的方法了，因为房屋交易不是很频繁等，我们很难在一个房屋产品上收集到大量的评分信息（而协同推荐算法正是需要这些评分信息），同时，获得推荐的用户不会对这些基于已经过时的产品偏好的推荐满意（基于内容的方法正好需要利用这些偏好），但基于知识的推荐技术利用用户的显式需求，以及产品领域的深度知识来计算推荐，并通过这两种方式来解决上述问题。
具体来说，基于知识的推荐方法可以分为两种：基于样例的推荐和基于约束的推荐。
情景感知推荐系统
大多数已有的方法只是把最相关的物品推荐给用户，而不考虑其他的环境因素，如时间、地点、环境、是否有人陪同等。。换句话说，传统的推荐系统只应用于两类实体，即用户和物品，而并没有将他们放入某种情境中进行考虑。例如，在考虑了温度的因素之后，旅游推荐系统在冬季推荐的度假地可能和夏天推荐的度假地大不相同。又比如，在互动式电台中在给用户挑选歌曲时，会考虑听众所给出的他当时的心情（情景）。
网友评论