本文關(guān)鍵詞：結(jié)合模糊數(shù)學(xué)與多目標(biāo)決策方法的混合多準(zhǔn)則推薦系統(tǒng)，由筆耕文化傳播整理發(fā)布。

【摘要】：已過去的這幾十年見證了信息爆炸這一問題的產(chǎn)生和發(fā)展。一方面，人們充分享受信息共享帶來(lái)的便利；另一方面，人們也越來(lái)越普遍的意識(shí)到信息過載帶來(lái)的不良后果。推薦系統(tǒng)被廣泛運(yùn)用于克服信息過載問題。 更為準(zhǔn)確的用戶偏好模型的建立對(duì)推薦系統(tǒng)的研究來(lái)說(shuō)仍然是個(gè)挑戰(zhàn)。在已有的研究中，大多數(shù)推薦技術(shù)都忽略了用戶偏好和項(xiàng)目屬性中的不確定性，它們大多基于單一推薦準(zhǔn)則來(lái)產(chǎn)生推薦。因此，本文將主要關(guān)注兩個(gè)有趣的研究熱點(diǎn)：第一，應(yīng)該使用精確的數(shù)字還是語(yǔ)義值來(lái)描述用戶偏好信息；第二，應(yīng)該使用單一還是多重屬性值來(lái)描述項(xiàng)目信息。 首先，我們引用一個(gè)例子來(lái)說(shuō)明在推薦系統(tǒng)中引入多準(zhǔn)則評(píng)分體系的重要性。并進(jìn)一步將這個(gè)例子延伸，用來(lái)說(shuō)明如何用模糊邏輯收集用戶的偏好信息。 接下來(lái)，我們介紹在本研究中會(huì)涉及到的各種算法及各種技術(shù)的背景。首先是推薦技術(shù)，包括協(xié)同過濾技術(shù)和基于內(nèi)容的推薦技術(shù)。其次是語(yǔ)義變量與模糊數(shù)的基本知識(shí)。接下來(lái)介紹通過直接獲取方式獲取用戶偏好的優(yōu)點(diǎn)及原因。最后介紹三種將在本研究中使用到的MCDM（Multiple Criteria Decision Making）方法，分別是DEMATEL（Decision Making Trial And Evaluation Laboratory）、AHP（Analytic Hierarchy Process）及模糊TOPSIS（Technique for Order Preference bySimilarity to an Ideal Solution）方法。 在接下來(lái)的一章中，，我們提出一種新的基于模糊多目標(biāo)決策（Fuzzy MultipleCriteria Decision Making）方法的混合推薦技術(shù)。并結(jié)合三種多目標(biāo)決策方法（DEMATEL,AHP和TOPSIS）以獲得更好的推薦效果。 最后，為驗(yàn)證所提出的方法，我們通過在線實(shí)驗(yàn)收集真實(shí)用戶數(shù)據(jù)。邀請(qǐng)豆瓣（Douban.com）活躍用戶參加我們的在線實(shí)驗(yàn)。收集到了335位用戶對(duì)200部電影的多準(zhǔn)則評(píng)分（分別依據(jù)故事情節(jié)、導(dǎo)演指導(dǎo)、演員表演和視覺效果為電影評(píng)分）。平均絕對(duì)誤差（MAE）, TOP-K Hit Rate以及營(yíng)銷學(xué)中用于衡量用戶滿意度的量表被用來(lái)衡量算法表現(xiàn)。實(shí)驗(yàn)結(jié)果顯示我們提出的方法在多準(zhǔn)則環(huán)境下可以顯著的提高推薦準(zhǔn)確性和用戶滿意度。
【關(guān)鍵詞】：混合推薦系統(tǒng) 多目標(biāo)決策 模糊邏輯 DEMATEL AHP TOPSIS
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2013
【分類號(hào)】：O159;C934
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 緒論10-18
• 1.1 問題陳述與分析12-14
• 1.2 相關(guān)研究14-17
• 1.3 本文貢獻(xiàn)17
• 1.4 本論文的結(jié)構(gòu)安排17-18
• 第二章 算法背景18-29
• 2.1 推薦技術(shù)18-20
• 2.2 語(yǔ)義變量與模糊數(shù)20-22
• 2.3 通過直接評(píng)分獲取用戶偏好22
• 2.4 MCDM 方法22-29
• 2.4.1 DEMATEL23-24
• 2.4.2 AHP 方法24-26
• 2.4.3 模糊 TOPSIS 方法26-29
• 第三章 混合多準(zhǔn)則推薦算法29-33
• 第四章 實(shí)驗(yàn)驗(yàn)證33-53
• 4.1 數(shù)據(jù)集33-40
• 4.2 評(píng)價(jià)指標(biāo)40-43
• 4.3 相似性計(jì)算43-44
• 4.3.1 用戶相似性計(jì)算43
• 4.3.2 項(xiàng)目相似性計(jì)算43-44
• 4.4 實(shí)驗(yàn)步驟44-45
• 4.5 實(shí)驗(yàn)結(jié)果與討論45-53
• 4.5.1 結(jié)合系數(shù) w 的值45-46
• 4.5.2 準(zhǔn)則權(quán)重46-48
• 4.5.3 相似性計(jì)算48-49
• 4.5.4 與其他算法的比較49-53
• 第五章 總結(jié)與未來(lái)的研究方向53-55
• 致謝55-56
• 參考文獻(xiàn)56-64
• 附錄64-77
• 1. 在線實(shí)驗(yàn)示例64-73
• 2. 本文提出算法的主要程序73-77
• 攻碩期間取得的研究成果77-78

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前9條

1 曹毅;賀衛(wèi)紅;;基于用戶興趣的混合推薦模型[J];系統(tǒng)工程;2009年06期

2 李聰;梁昌勇;馬麗;;基于領(lǐng)域最近鄰的協(xié)同過濾推薦算法[J];計(jì)算機(jī)研究與發(fā)展;2008年09期

3 郭艷紅;鄧貴仕;;協(xié)同過濾系統(tǒng)項(xiàng)目冷啟動(dòng)的混合推薦算法[J];計(jì)算機(jī)工程;2008年23期

4 任磊;;基于增量學(xué)習(xí)的混合推薦算法[J];計(jì)算機(jī)應(yīng)用;2010年05期

5 李永;徐德智;張勇;邢春曉;;VRE中基于內(nèi)容過濾的論文推薦算法[J];計(jì)算機(jī)應(yīng)用研究;2007年09期

6 崔春生;吳祈宗;;基于Vague集的內(nèi)容推薦算法研究[J];計(jì)算機(jī)應(yīng)用研究;2010年06期

7 曾春,邢春曉,周立柱;基于內(nèi)容過濾的個(gè)性化搜索算法[J];軟件學(xué)報(bào);2003年05期

8 張光衛(wèi);李德毅;李鵬;康建初;陳桂生;;基于云模型的協(xié)同過濾推薦算法[J];軟件學(xué)報(bào);2007年10期

9 洪文興;翁洋;朱順痣;李茂青;;垂直電子商務(wù)網(wǎng)站的混合型推薦系統(tǒng)[J];系統(tǒng)工程理論與實(shí)踐;2010年05期

  本文關(guān)鍵詞：結(jié)合模糊數(shù)學(xué)與多目標(biāo)決策方法的混合多準(zhǔn)則推薦系統(tǒng)，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：380421