论文部分内容阅读
已过去的这几十年见证了信息爆炸这一问题的产生和发展。一方面,人们充分享受信息共享带来的便利;另一方面,人们也越来越普遍的意识到信息过载带来的不良后果。推荐系统被广泛运用于克服信息过载问题。更为准确的用户偏好模型的建立对推荐系统的研究来说仍然是个挑战。在已有的研究中,大多数推荐技术都忽略了用户偏好和项目属性中的不确定性,它们大多基于单一推荐准则来产生推荐。因此,本文将主要关注两个有趣的研究热点:第一,应该使用精确的数字还是语义值来描述用户偏好信息;第二,应该使用单一还是多重属性值来描述项目信息。首先,我们引用一个例子来说明在推荐系统中引入多准则评分体系的重要性。并进一步将这个例子延伸,用来说明如何用模糊逻辑收集用户的偏好信息。接下来,我们介绍在本研究中会涉及到的各种算法及各种技术的背景。首先是推荐技术,包括协同过滤技术和基于内容的推荐技术。其次是语义变量与模糊数的基本知识。接下来介绍通过直接获取方式获取用户偏好的优点及原因。最后介绍三种将在本研究中使用到的MCDM(Multiple Criteria Decision Making)方法,分别是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。在接下来的一章中,我们提出一种新的基于模糊多目标决策(Fuzzy MultipleCriteria Decision Making)方法的混合推荐技术。并结合三种多目标决策方法(DEMATEL,AHP和TOPSIS)以获得更好的推荐效果。最后,为验证所提出的方法,我们通过在线实验收集真实用户数据。邀请豆瓣(Douban.com)活跃用户参加我们的在线实验。收集到了335位用户对200部电影的多准则评分(分别依据故事情节、导演指导、演员表演和视觉效果为电影评分)。平均绝对误差(MAE), TOP-K Hit Rate以及营销学中用于衡量用户满意度的量表被用来衡量算法表现。实验结果显示我们提出的方法在多准则环境下可以显著的提高推荐准确性和用户满意度。