文档介绍：Fab 推荐系统
从一些固有的数据中推荐项目已有广泛的研究，并且已有两种主要的方法被实现。一个 在基于内容推荐中试着去推荐一些相似的项目给一些在以前曾喜欢这种类型的用户，一个在 协同过滤推荐中确定用户的兴趣会尝试去推荐跟他找相似的用户喜欢用户产生兴趣，同时一个用 户能对多个主题产生兴趣。
图 2 的结构反应了这个模型的关系。他有3 个主要的部分：收集代理（寻找某个专题的页 面），选择代理（为专一用户搜索页面）和控制中心。每一个阶段部门有一个属性，基于包 含在页面中词组被评估。一个收集阶段的属性文件代表他当前主题，然而一个选择阶段的属 性文件代表单一用户的兴趣。
页面在收集阶段找到发送给分配中心，这之后就看他们的属性文件临界值与用户匹配并显 示给用户。因此，每一个用户接收的页面匹配他们的属性文件在收集阶段，添加功能在用户 个性化选择阶段:页面被用户已浏览过丢弃,在任何单一批量推荐（通常为 10 页）,我们确保多 个页面从任意站点获得。用户的反馈代表一个及时的给力的重大收获。在存储他到他们自己 私有的选择阶段的属性文件，我们确保它从来不被其他用户的反馈影响。事实上，他是很容 易使用在其他应用程序中。
当用户请求，接收，然后看完他们的推荐内容，他们需要去分配适当的分数从7 个百分点 中作出选择。图3中就是设置推荐图解Fab接口。用户的评分用于更新他们个人选择阶段的 属性文件，也同时反馈给收集阶段，他们用他们去适应改变他们的属性。此外，任何高评分 的页面直接推荐个这个用户的最近邻居-其他用户有相似的属性文件。一些协同推荐是处理 在接受用户选择阶段用同样方法给出页面从分配中心。
创建精确的属性文件是一个关键任务——系统的成功将决定于一个大的范围在学习属性 文件中表达用户的准确兴趣。精确属性配置使能够在基于内容组件（确保推荐作出适应）和 协同组件（确保用户有相似的配置甚至完全相似）做出准确推荐。
收集阶段的配置文件代表一个兴趣主题动态地改变用户群体，和对一个用户配置一样，他 们代表多样兴趣很可能被多个收集代理收集。收集代理的群体作为一个整个适应用户的群 体，不针对任何特殊用户。补充这个过程，不受欢迎的收集代理（他们的页面不被许多用户 看到）或者不成功的（他将受到很低的反馈分数）定期会被淘汰同时把最好的填充到他们的 空间。因此，收集阶段的专门化不需要提前确定，但是随着时间过去他们将被动态的改变。 实际上，我们的系统吸收了两种不同又联立的平衡方法，表现在两种动态改变连接设置：文 档和收集代理之间，收集代理与用户之间。我们其中一个目的是研究这个混合适应能力的性 能。
我们应用多种不同收集代理。搜索代理执行一个最优的网络搜索，他们假设一个页面有 一个链接是相似页面，然后跟着这个链接从一个页面到一个页面，他们发现与一个专一主题 相关信息。索引代理构造查询通过各种商业Web搜索引擎执行详尽的索引。与这些目的相
比，我们也有包括代理提供的随机摘要页面，代理收集各种摘要信息，同时代理尝试给用户 服务（所有用户配置的评价值在我们系统中），而不是维护他们自己特有的属性文件。
系统展示了混合系统带来的优势在选择过程中：
使用协同推荐，我们能用其他经验作为基础而不是用不完全的不准确的内容分析方法在我 们的方法中。
使用基于内容推荐同样也是，我们能处理项目中不被其