为了方便大家理解，现特为之前所介绍的基于相似用户和基于相似项目的协同推荐、基于相似用户和基于相似项目的内容推荐四种解释模板列举实际应用的例子。

1.基于相似用户的协同推荐

假如你经常上网买韩寒的书，而根据用户购买记录，有10个用户也经常购买韩寒的书，这时候我们就会认为这10个用户是与你有相似购买意向；同时如果这10个用户都购买过数据挖掘这本书，那系统就会计算出数据挖掘这本书的评分，并把它推荐给你。

2.基于相似项目的协同推荐

假如很多人上网购书会一次性购买四大名著，这时候我们就可以认为四个名著是属于相似的产品；如果你自己上网买了《水浒传》《三国演义》《红楼梦》三本书，那系统会根据你对这三本书的评分，计算出《西游记》这本书的评分，并把它推荐给你。

3.基于相似用户的内容推荐

在一个购买网站上，一般可以直接设置你的个性标签或者是从你的注册资料中提取你的偏好信息；根据分析，假如10个用户与你都喜欢数据挖掘领域，都为在校大学生，这样我们就可以认为这10个用户是与你相似的用户；如果他们都购买过《数据挖掘导论》这本书，那系统就会把它推荐给你。

4.基于相似项目的内容推荐

数据挖掘领域有很多相关的书籍，这里我们可以列举5本书：数据挖掘导论、数据挖掘概念与技术、机器学习、商业数据挖掘导论、数据挖掘技术应用实例，它们无疑是相似产品，都含有“数据挖掘”等专业名词。如果你购买过前四本书，根据你之前的评分，系统可以计算出《数据挖掘技术应用实例》这本书的评分，便会把它推荐给你。

推荐系统的结果解释

在电子商务规模迅速增长的时代，用户拥有更多选择机会的同时，也面临着严重的“信息过载”问题。推荐系统可以为用户提供个性化推荐，提高用户满意度，从而增加企业的效益，同时将用户从繁重的过载信息中解脱出来。然而，现有推荐系统的普遍问题是缺乏对应的解释机制。大多数人觉得推荐系统本身就是一个“黑盒子”，既无从了解其运作原理，也没办法获得关于推荐结果的附加信息。从用户的角度来看，缺乏适当的解释说明的推荐系统，难以真正地深入用户的心。因此，研究推荐系统的结解释具有非常重要的作用。

基于用户（users）、产品（items/activities）、内容特征（features）这三大基础维度，推荐解释可分为基于用户（the Human style）的解释、基于产品（the Item style）的解释、基于内容特征（the Feature style）的解释和混合型（the Hybrid style）解释。

基于用户的解释，利用与对象用户相似的其他用户所做出的选择或购买行为之类的数据，对推荐结果作出解释。基于用户的解释建立在目标用户和其他用户之间存在一定关系的基础上。从目前来看，基于用户的解释是被运用得最多的类型，且其相应的推荐系统多是采用基于用户的协同过滤算法。

基于产品的解释，利用用户曾经做出的评价或者购买等行为，对推荐结果作出解释。基于产品的解释，目前在国内的电子商务应用很少。和基于用户差不多的，基于产品的解释对应的推荐系统算法一般是基于产品的协同过滤。

基于内容特征的解释主要利用了产品信息或者用户信息中的关键词语来为推荐作出解释。推荐算法中，像基于内容推荐、基于评论推荐和基于会话推荐等都是使用了基于内容特征的解释。

混合型解释综合了不同解释类型的优点，相互弥补了各自的缺点，从各方面来说都更优于单一的解释方式，被证明了是最有效的也是最受用户青睐的推荐解释类型。

推荐系统的评估标准

对于之前博文提到的不同推荐解释类型所发挥出的效用，我们主要从透明度、可理解度、准确度、决策速度、劝说度、信任度、用户满意度七个维度的标准进行评估。

l.透明度：解释推荐系统是如何运作的，一般是通过测量用户在使用推荐系统时对推荐原理的理解程度来进行评估，例如：问卷调查、访谈等。在评价过程中，透明度往往跟可理解度和信任度关联起来。

2.可理解度：即允许用户纠正推荐系统的错误，它通常是伴随在透明度之后的。测量可理解度时，首先必须先解决界面问题，也就是用户能否很快地发现可以纠错或改正的版块区域。

3.准确度：对于推荐解释来说，是指代推荐解释能否正确地说明推荐的原由。测量解释的准确度时常用的方法有对比基于解释对商品的评分和基于实际商品体验的评分、对比有解释和没有解释的推荐系统用户的满意度等方法。

4.决策速度：即帮助用户更快地做出决策，一般来说，可通过测量用户与系统的对话时间总长以及系统与用户间的对话次数（直到用户选中满意的产品）来评定决策速度。

5.劝说度：说服用户尝试或者购买的力度。劝说度可以通过对比用户在看到解释前后对产品的两次评分、对比用户在拥有解释和没有解释的推荐系统推荐下所尝试或购买产品的数目等方法进行测量。

6.信任度：即提升用户对推荐系统的信心和信任，往往与透明度、准确度相关联。问卷调查的方式是测量信任度的一个非常有效的方法，但是有时并不能完全代表用户的行为。因此，还需要间接地通过测量用户忠诚度和销量增长等来测量信任度。

7.用户满意度：增加用户在使用推荐系统时的舒适度和实用度。对于用户满意度的测量，可以借用调查问卷或者访谈等方式去了解用户对于推荐系统以及推荐解释的体验和感受。