1.3 数据和知识资源
推荐系统是信息处理系统，为了实现推荐，该系统会积极收集各种数据。数据主要是关于推荐的物品和收到这些推荐结果的用户，但是由于推荐系统获得的数据和知识来源可能区别很大，它们最终是否可以被利用取决于推荐技术（见1.4节）。这种推荐技术将在本手册的不同章节中有更加清晰的阐述（详见第11章）。
通常，有的推荐技术用的知识(领域)较少，如只用到用户评分或者对物品的评价等一些简单且基础的数据（第4、5章）。其他的技术则依赖于更多的知识，如利用用户或物品的本体性描述（第3章），或者约束性条件（第6章），或者用户的社交关系和行为活动（第19章）。在任何情况下，推荐系统使用的数据一般指的是三种对象：物品、用户和事务，也就是用户和物品的关系。
物品。物品是被推荐的对象集。物品具有复杂性和有价值或效用的特点。如果物品对于用户是有用的，那么物品的作用就是积极的；否则如果物品对于用户不适合，那物品的作用就是消极的，从而导致用户在选择时做出错误决定。我们注意到，当一个用户需要获得一个物品时，他总会付出代价，其中包括搜索物品的认知代价和最终为物品支付的费用。
例如，一个新闻推荐系统的设计师必须考虑新闻物品的复杂性，即新闻的结构、文本表述和任何新闻物品的时变重要性。但是推荐系统的设计者必须意识到，即使用户没有花钱阅读新闻，他们还是为搜索并阅读这些新闻物品付出了认知上的代价。如果选择的物品和用户相关，这个代价就被用户得到有用信息的收益覆盖了，可一旦不相关，推荐物品对用户的净价值就是负面的
在其他领域，如汽车或者金融投资，当选择最恰当的推荐方法时，物品真正的货币成本成为一个考虑的重要因素。
复杂度低且价值小的物品是：新闻、网页、书籍、光盘、电影。复杂度高且价值大的物品是：数码相机、手机、个人电脑等。我们通常认为最复杂的物品是保险政策、金融投资、旅游、工作［72］。
根据其核心技术，推荐系统可以使用物品集的一系列属性和特征。例如，在电影推荐系统中，我们可以使用电影种类（如喜剧、悲剧等）信息、导演信息和演员信息来描述电影，并用于弄清楚物品的效用是如何依赖其特征的。物品集可以用各种信息和表述方法来表示，如可以简约到单一的ID码，或者丰富到为一组属性，甚至是该领域本体表示中的一个概念（第3章）。
用户。正如前面提到的那样，推荐系统的用户可能有非常不同的目的和特点。为了使推荐结果和人机交互个性化，推荐系统使用用户的一系列信息。这种信息可以用不同的方式组织，而且同样的是，选择哪种信息建模取决于推荐技术。
例如，在协同过滤中，所有用户被建模为一个简单的列表，该列表包含每个用户对若干个物品的评分记录。在基于人口统计学的推荐系统中，会用到如年龄、性别、职业和受教育程度等社会统计学特征。用户数据用来构成用户
模型［21,32］。用户模型简明扼要地描述了用户的特征，即对用户偏好和需求进行编码。不同的建模方法已经在推荐系统中得到应用，在一定意义上，推荐系统可以被看作一个构建并使用用户模型来产生推荐的工具［19,20］。如果没有一个实用的用户模型，个性化推荐是不可能的（除非推荐系统本身就是像top10那样是非个性化的），因此用户模型起到非常重要的作用。例如，再次考虑协同过滤方法，要么用户被直接描述为他对物品的评价记录，要么系统根据该用户的评分记录构建一个因子向量，不同用户之间的
区别是这些因子权重在他们模型中的差别（第4、5章）。
用户也可以通过他们的行为模式数据来描述，如网站浏览模式（在基于Web的推荐系统中）［107］或旅游搜索模式（在旅游推荐系统中）［60］。此外，用户数据包括用户间的关系，如用户间的信任级别（第20章）。推荐系统能利用这些信息给用户推荐物品集，而这些物品集也是相似用户或可信任用户所喜欢的。
事务（transaction）。我们一般将一个事务看作用户和推荐系统进行交互的一条记录。人机交互过程中产生的这种类似日志的数据存储着重要的信息，并且这些数据对系统中推荐生成算法是有用的。比如，事务日志可能会涉及用户选择物品，以及特定推荐所处上下文描述信息（如用户的目的和查询词）。如果可能，事务也会包括用户提供的显式反馈，如对选择物品的评分。
实际上，评分是推荐系统收集交易数据最流行的方式。这些评分可能是用显式或者隐式的方式收集的。收集显式评分时，用户需要在某个评级尺度内给出自己对物品的看法。根据［93］，评级可以采用各种方式：
数字评分，就像Amazon.com的书籍推荐系统中的1到5星的评价。
序数评价，例如，“强烈同意，同意，一般，不同意，强烈反对”，用户在
其中选择最能代表自己观点的术语（一般是通过问卷调查）。
二元制评价，用户仅仅被要求确定一个物品的好或者不好。
一元制评价，用来表示用户已经看到或者买了一个物品，或由此对物品进行明确的评价。在这种情况下，评分值的缺失意味着关联用户和物品的信息是未知的（也许用户在其他地方买了这个物品）。
另一种评价的形式就是关联用户和物品的标签。例如，在Movielens推荐系统（http://movielens.umn.edu）中，标签表示Movielens用户对电影的感觉，例如，“太长”或“表演不错”。第19章侧重讲解这类交互行为。
从事务中隐式收集用户评级，系统的目标是根据用户的行为推断用户的意图。例如，如果用户在亚马逊网站输入“瑜伽”进行搜索，那么她将得到关于
书的一个很长的列表。作为回报，用户为了获得额外信息会单击列表中的书。从这点上看，系统可以推断用户对那本书有一定的兴趣了。
在会话（conversational）系统中，即支持交互过程的系统中，交易模型更加精确。在这些系统中，用户请求和系统行为交替出现（见第13章）。更准确地说，用户请求一个推荐，系统就产生一个推荐列表。但是系统仍然需要额外的用户偏好信息，以期产生更好的结果。在这个交易模型中，系统收集各种请求—响应信息，并且最终通过观察推荐过程的结果来修改系统的交互策略［60］。