基于多粒度猶豫模糊語言信息的群推薦方法研究.pdf

1、群推薦系統(tǒng)是為參與共同活動的群體推薦滿足群中所有成員的共同愛好的信息系統(tǒng)，現(xiàn)有成果主要支持線下已成團群體。隨著在線社交網(wǎng)絡(luò)的出現(xiàn)，具有相似興趣的群體形成了各類虛擬社區(qū)，面向社交網(wǎng)絡(luò)中虛擬社區(qū)的群推薦系統(tǒng)將成為推薦領(lǐng)域的熱點問題。由于群推薦方法是群推薦系統(tǒng)的核心問題，因此研究群推薦理論與群推薦方法具有重要的理論意義和應(yīng)用價值。
　　在群推薦系統(tǒng)中，由于不同的個體偏好不同，個體在描述這些偏好信息時習(xí)慣采用自然語言，所以其偏好信息通常具

2、有模糊性、猶豫性的特點。此外，由于不同的網(wǎng)絡(luò)平臺上可能采用不同粒度的語言信息進行推薦，所以群體偏好信息還具有多粒度性。基于此，本文在猶豫模糊語言環(huán)境下，首先研究了在線社交網(wǎng)絡(luò)中的用戶群發(fā)現(xiàn)方法。其次，在研究了個體評分預(yù)測的基礎(chǔ)上，深入地研究了在線社交網(wǎng)絡(luò)中用戶群偏好獲取方法。最后，研究了面向在線社交網(wǎng)絡(luò)用戶的TOPSIS群推薦方法、VIKOR群推薦方法。具體研究工作與創(chuàng)新點如下:
　　(1)多粒度猶豫模糊語言環(huán)境下的群體發(fā)現(xiàn)方法。

3、群體發(fā)現(xiàn)是群推薦的基礎(chǔ)性問題，為此本部分首先在多粒度猶豫模糊語言術(shù)語集的基礎(chǔ)上，引入了多粒度猶豫模糊語言余弦相似性計算公式，采用余弦相似性公式計算用戶之間的相似性，分析余弦相似性與距離相似性公式之間的差異。其次，將最小生成樹方法拓展到多粒度猶豫模糊語言環(huán)境中用于聚類分析。最后，將最小生成樹聚類方法與等價關(guān)系聚類方法進行對比，分析所提出的方法聚類分析中的合理性和有效性。
　　(2)猶豫模糊語言環(huán)境下的評分預(yù)測方法。評分預(yù)測問題是群推

4、薦系統(tǒng)中研究焦點之一，為此本部分首先綜述群推薦系統(tǒng)中評分預(yù)測的主要方法，闡述猶豫模糊語言環(huán)境下評分預(yù)測的必要性。其次，在猶豫模糊語言環(huán)境下距離相似性公式、余弦相似性公式的基礎(chǔ)上提出相關(guān)系數(shù)相似性公式用于計算用戶之間的相似性。最后，采用距離相似性公式、余弦相似性公式和相關(guān)系數(shù)相似性公式對算例進行計算，預(yù)測出未知的評分信息，比較三種方法預(yù)測的精度，分析所提出的相關(guān)系數(shù)相似性公式對猶豫模糊語言信息評分預(yù)測的可行性和有效性。
　　(3)多

5、粒度猶豫模糊語言的群偏好獲取方法。在群推薦系統(tǒng)中如何將個體偏好信息集結(jié)成群體偏好信息是一個關(guān)鍵問題，為此本部分首先提出三角形猶豫模糊集的概念，分析三角形猶豫模糊集的性質(zhì)，采用三角形猶豫模糊集對多粒度猶豫語言進行轉(zhuǎn)換。其次，定義廣義三角形猶豫模糊有權(quán)平均算子和廣義三角形猶豫模糊有權(quán)幾何算子，推導(dǎo)出這兩個算子的性質(zhì)。最后以汽車推薦為例，利用這兩個算子對多粒度猶豫模糊語言信息描述的群偏好問題進行集結(jié)，分析該模型解決群體偏好獲取是合理和有效的。

6、
　　(4)多粒度猶豫模糊語言的TOPSIS群推薦方法。針對不同群體的偏好信息具有多粒度性、猶豫模糊性等特點，本文首先定義多粒度猶豫模糊語言術(shù)語集的概念，定義多粒度猶豫模糊語言的系列距離公式，研究這些公式的性質(zhì)，討論公式之間的關(guān)系。其次，在屬性權(quán)重完全未知的情況下，建立目標規(guī)劃模型，利用拉格朗日方程求解模型得到屬性權(quán)重;在屬性權(quán)重不完全未知的情況下，采用線性規(guī)劃模型求解屬性權(quán)重。最后，將這些距離公式結(jié)合TOPSIS方法用于群體推薦

7、問題，并分析公式的參數(shù)對TOPSIS方法的滿意度及推薦結(jié)果的影響情況。
　　(5)多粒度猶豫模糊語言信息的VIKOR群推薦方法。針對群推薦系統(tǒng)中被推薦項目具有多粒度性、猶豫模糊性問題，本文首先在多粒度猶豫模糊語言術(shù)語集的基礎(chǔ)上，引入多粒度猶豫模糊語言信息熵的概念及計算公式，采用信息熵公式計算被推薦項目的屬性權(quán)重;其次，將傳統(tǒng)的VIKOR方法拓展到多粒度猶豫模糊領(lǐng)域，并對其妥協(xié)解公式進行改進，將改進的VIKOR方法用于群推薦;最后，