内容推荐（ACM暑期学校-案例学习）

以知识为基础的电影推荐系统主要依据上映日期、类型以及时长来进行推荐。这类方法相对较为简单，并且未能充分考虑用户的个性化需求。尽管这类方法能够捕捉到用户的兴趣点，在某些方面能够捕捉到用户的兴趣点，并且在某些情况下这类方法仍能提供较为广泛适用的结果。

设想爱丽丝钟爱于《黑暗骑士》以及两部《钢铁侠》影片。显而易见地可以看出，爱丽丝对超级英雄电影情有独钟。然而，在知识型推荐系统模型中存在不足之处。系统倾向于将动作类型作为首选类型（即当用户输入动作作为首选类型时），这实际上属于超级英雄电影的一个子类别范围。值得注意的是，在某些情况下，《超级英雄》系列中的两部电影可能在题材、上映时间和时长上完全一致——但观众群体却呈现出显著差异性。例如，《宿醉》与《忘记莎拉·马歇尔》，这两部21世纪初头十年上映的作品时长约两小时，并且都是喜剧片种——但它们吸引的人群却大相径庭。

解决这个问题的一个显著方法是要求用户提供更多的交互数据。例如, 如果我们新增了一个子类别的输入字段, 用户就可以通过输入诸如超级英雄、黑色喜剧或浪漫喜剧等价值观来定制搜索结果, 从而获得更为精准的结果; 然而, 从可用性角度来看, 这一方案显得有些繁琐. 首先, 我们缺乏关于子类型的数据支持; 其次, 即使采取了这一措施, 用户也可能缺乏对最喜欢电影数据的基础知识; 最终, 即使用户具备这方面知识也不愿一个个详细列出他们的偏好.