基于模糊集理论的群体推荐系统研究文献综述
2020-04-15 06:04
随着互联网，尤其是移动互联网的兴起，在海量的信息中挖掘出有用的信息变成了一件困难的事情。为了解决信息过载所带来的问题，推荐系统应运而生。推荐系统可以被看作是根据某种依据，为用户推荐最合适他们的信息、服务、物品等的一个系统，是提高网站的用户满意度和收益的一个有效工具。目前国内外各大网站都应用了推荐系统，比如国内的淘宝、京东、今日头条以及国外的亚马逊、Apple iTunes等网站。信息过载的大环境下，帮助用户筛选出真正符合他们需求的有效信息。
人们对推荐系统的研究从上世纪九十年代就开始了。早期的推荐系统的推荐依据是人口统计，因为当时的信息技术没有像今天这样先进，而人口统计这样的信息是比较容易获取的。之后随着信息技术的发展，协同过滤和基于内容的推荐系统成为了推荐系统中比较热门的推荐技术。前者是依据用户以往对于物品的评分，通过已知评分来预测得到未知评分，从而得到推荐结果；后者则是根据用户以往的喜好和物品本身的属性，来完成推荐工作的。然后应用比较广泛的推荐方法还有混合过滤的方法，即，使用多种数据源和多种模型进行混合过滤，从而得到最终的推荐结果。
由于很多时候人们是以群体的形式来参加娱乐、饮食等活动，加之近些年来虚拟社区不断增多，所以在这些情况下，构建群体推荐系统，向群体用户提供群体的个性化推荐，减少他们搜索信息所需要的时间变得尤为重要。最早的群推荐系统是由McCarthy等开发的MusicFX系统，该系统向处于同一个公巧场所的人推荐所要播放的音乐。近些年来，推荐的项目逐步扩展到餐饮、电影、旅行、网页等领域，成为了推荐算法中的研究热点。
现实中经常会出现这样的情况，会有一些词语，比如好看，不错，一般等。这些词语很难被量化，难以给他们一个准确的数值。在这种情况下，模糊集理论就派上了用场。我们可以构建一个基于模糊集理论的模型，来得到一个评论与隶属度的函数，从而实现这些概念与数值之间的转化问题，并应用这些得到的数值，来得到推荐过程中需要用来计算的数据。
2. 研究的基本内容与方案
{title}基本内容：在现有的群体推荐系统的基础上，在使用协同过滤算法的同时，运用区间二型模糊理论，将数据源中的数据模糊化，按照设计好的模糊图像处理数据得到隶属度，之后将处理后的数据去模糊化，得到新的数据，从而提高推荐系统的准确度，达到更好的推荐效果。使用Java语言编写一个电影推荐系统，将上述推荐算法应用其中，完成对一个群体的电影推荐。
目标：在原有技术的基础上，构建新的模型并设计相应算法，从而得到以往推荐系统未涉及的推荐技术，达到一个与其他推荐系统不同的推荐效果，尽可能提高推荐系统的推荐效果。
技术方案及措施：
使用Java语言作为系统的主要后台开发语言，运用一些主流的Web开发框架来构建一个Web应用。其中涉及推荐算法的部分会有部分会使用到Python语言。数据的存储使用Mysql关系型数据库，搭配Java语言完成开发工作。前端使用Html5、Css3、JavaScript的组合，搭建页面使用Js的主流框架Bootstrop。
算法方面，在使用目前应用广泛的协同过滤算法的同时，应用区间二型模糊理论，实现对数据的进一步处理。在处理时加入模糊系统分析与设计的思想，得到全新的推荐结果。
