Amazon和Netflix等公司设计了各类推荐系统，帮助消费者迅速趟过近在指尖的海量信息，并瞄准他们可能有意购买的商品。这些系统提供了一项宝贵的服务，但其潜能尚未完全发挥出来。

香港科大的鄭嶸及其研究夥伴一直在研究各类推荐系统，他们发现，推荐系统往往以二维范例为基础，即用户和商品，这些推荐以用户以前对类似商品的个人评分和/或其他人的评分为基础。

作者说：「虽然传统的二维用户/商品范例对一些应用场合是合适的，比如推荐书和音乐CD，但对于有着丰富情境的应用场合，就远没有那么合适了。」

「例如，向游客推荐度假产品时，冬天向客户推荐的度假产品可能不同于夏天推荐的产品，所以旅游时间这一情境显然变得很重要。」

「电影推荐者推荐一部电影时，可能也应该考虑其他维度，如看电影的时间，看电影的同伴以及地点。一名学生要在星期六晚上跟女友一起在电影院看电影，跟他要在星期四晚上跟父母在家看电影，这两种情况下推荐的电影可能完全不同。」

考虑到这一点，他们设计了一种名叫REQUEST的推荐语言，即推荐查询语句。这种语言以一种专门化的垂直方式捕捉多维因素。与之相比，其他查询语言显得普通而笨重，也无法像REQUEST那样高效而直观地生成推荐。

作者说：「REQUEST使用户能以灵活的方式表达各种推荐，根据其个人需要量身定制，因此能更准确地反映他们的目标。」

「例如，推荐电影的应用程序可能有如下维度：能够推荐的所有电影、向谁推荐电影、放映该电影的电影院、电影能够或已经观看的时间以及与谁一起看电影。它也能用三个评分衡量尺度：公众评分、个人评分以及用户是否已经看过该电影。」

每个要求都由REQUEST应用程序处理，并能提供包含诸如以下情况的结果：Jane在2005年2月19日跟男友一起在5号电影院看了《阿凡达》后给出了6分的个人评分，而一般公众给电影的评分是8分。这一信息然后可以存储起来，用于帮助为Jane和其他用户设计未来的推荐。

这一信息也可加以分解，或加以强化，用来做以下这些事情：根据学生看过的电影，以8分以上的公众评分和个人评分选出五大影片，向学生推荐；确定最欣赏《美丽心灵》影片的两大职业；或向约会的情侣推荐周末观看的三大电影和最佳观看时间。

这类具体信息对公司和对个人都有显而易见的吸引力。

「比如，这种功能会对提供推荐服务的公司的分析师有用，他们可以利用其推荐系统掌握的所有知识，并从各个角度分析这些信息；以电影为例，他们可能应该了解每个年龄组的前两类电影。另外，电话中心的座席可以用该系统向电信公司的客户推荐最佳计划和服务。」

作者对其模型做了广泛的数学检验和对比，并发现它能很好地达到预期目的：以清晰简明的方式表达复杂的推荐，从而帮助用户更好地处理信息超载。