离散选择模型参考：

https://zhuanlan.zhihu.com/p/27100034 

http://wiki.mbalib.com/wiki/%E7%A6%BB%E6%95%A3%E9%80%89%E6%8B%A9%E6%A8%A1%E5%9E%8B

决策准则（Decision Rules）。不同的决策者在做出方案选择时的行为准则不尽然相同。仍然以上面“选择餐厅”的例子予以说明：有人在选择餐厅时可能会比较的“随意”——随便挑一家即可；而有的人可能会综合利用各种信息资源（如“大众点评”App）做出一个对自己最为有利的选择。不一样的决策准则会导致不同的选择结果。

推荐结果二次选择？

树型选择结构（树型分类结构）？

《Choice-Based Recommender Systems: A Unified Approach to Achieving Relevancy and Diversity》

文章思路（理解）：

1.通过其他方式确定树型结构（基本上是每层代表一个属性，利用属性值划分集合：属性值之间的排列组合），最后一层是叶子节点，注意每一个叶子代表一个item，比如有25一个商品就应该有25个叶子节点。

2.确定上述结构后，就可以通过假设（或者其他方式？文中没说）确定每个巢以及叶子的效用值，（系统效用+随机效用：系统效用所有用户都一样，随机效用每个用户不一样，代表了个性化，关键它怎么就代表了个性化参数，文中没说。）

3.以上都确定了之后，从叶子节点出发（不同叶子节点组合）就可以算出第二层巢（推荐集合）的概率（转化率）。

4.让后问题就变成了，如何选取叶子节点，用来构成一个转换率最大的集合。->0,1整数规划问题。1代表选取该叶子，0代表不选取。

5.离散选择模型的关键是：建立各个巢之间的关系，从而可以算出各个叶子的效用以及反过来求巢的概率。（相关性+多样性）

6.加上排序的话，就是在树型结构中多加一层，在0,1规划目标中多加一个约束。即，每一个叶子就表示一个位置，所有items下面的各个位置之和分别为1。（即每个位置有一个商品）