Amazon和Netflix等公司設計了各類推薦系統，幫助消費者迅速趟過近在指尖的海量資訊，並瞄準他們可能有意購買的商品。這些系統提供了一項寶貴的服務，但其潛能尚未完全發揮出來。

香港科大的鄭嶸及其研究夥伴一直在研究各類推薦系統，他們發現，推薦系統往往以二維範例為基礎，即用戶和商品，這些推薦以用戶以前對類似商品的個人評分和/或其他人的評分為基礎。

作者說：「雖然傳統的二維用戶/商品範例對一些應用場合是合適的，比如推薦書和音樂CD，但對於有著豐富情境的應用場合，就遠沒有那麼合適了。」

「例如，向遊客推薦度假產品時，冬天向客戶推薦的度假產品可能不同於夏天推薦的產品，所以旅遊時間這一情境顯然變得很重要。」

「電影推薦者推薦一部電影時，可能也應該考慮其他維度，如看電影的時間，看電影的同伴以及地點。一名學生要在星期六晚上跟女友一起在電影院看電影，跟他要在星期四晚上跟父母在家看電影，這兩種情況下推薦的電影可能完全不同。」

考慮到這一點，他們設計了一種名叫REQUEST的推薦語言，即推薦查詢語句。這種語言以一種專門化的垂直方式捕捉多維因素。與之相比，其他查詢語言顯得普通而笨重，也無法像REQUEST那樣高效而直觀地生成推薦。

作者說：「REQUEST使用戶能以靈活的方式表達各種推薦，根據其個人需要量身定制，因此能更準確地反映他們的目標。」

「例如，推薦電影的應用程式可能有如下維度：能夠推薦的所有電影、向誰推薦電影、放映該電影的電影院、電影能夠或已經觀看的時間以及與誰一起看電影。它也能用三個評分衡量尺度：公眾評分、個人評分以及用戶是否已經看過該電影。」

每個要求都由REQUEST應用程式處理，並能提供包含諸如以下情況的結果：Jane在2005年2月19日跟男友一起在5號電影院看了《阿凡達》後給出了6分的個人評分，而一般公眾給電影的評分是8分。這一資訊然後可以存儲起來，用於幫助為Jane和其他用戶設計未來的推薦。

這一資訊也可加以分解，或加以強化，用來做以下這些事情：根據學生看過的電影，以8分以上的公眾評分和個人評分選出五大影片，向學生推薦；確定最欣賞《美麗心靈》影片的兩大職業；或向約會的情侶推薦週末觀看的三大電影和最佳觀看時間。

這類具體資訊對公司和對個人都有顯而易見的吸引力。

「比如，這種功能會對提供推薦服務的公司的分析師有用，他們可以利用其推薦系統掌握的所有知識，並從各個角度分析這些資訊；以電影為例，他們可能應該瞭解每個年齡組的前兩類電影。另外，電話中心的座席可以用該系統向電信公司的客戶推薦最佳計劃和服務。」

作者對其模型做了廣泛的數學核對總和對比，並發現它能很好地達到預期目的：以清晰簡明的方式表達複雜的推薦，從而幫助用戶更好地處理資訊超載。