基于TOPSIS算法的个性化推荐研究3.PDFVIP

第 28 卷 　第 12 期 情 　报 　杂 　志 Vol . 28 　No . 12 2009 年 12 月 　　　　　　　　　　　　　 　　　　　　　　　　　　　 Dec . 　2009 J OU RNAL OF IN TELL I GEN CE 基于 TOPSIS 算法的个性化推荐研究 Research on the Personal ized Recommendation Based on TOPSIS Method 张 　璇 　吴清烈 (东南大学管理工程研究所 　南京 　2 11189) 摘 　要 　个性化推荐服务可以帮助用户克服信息过载问题 ,受到广泛的关注 。虽然 目前的个性化推荐方法较多 ,但 大多数方法与用户之间的交互性不强 ,很难满足用户个性化需求 。鉴于 TOPSIS 方法是一种常用的有限方案多属 性决策分析法 ,对对象评估既全面又客观 ,所以将其用到了个性化推荐研究之上 ,进而提出了基于 TOPSIS 算法的 个性化推荐模型及其算法 ,最后通过举例表明了该算法能够较好地与用户进行交互 , 同时能够为用户提供满足其需 求偏好的个性化推荐 。 关键词 　个性化推荐 　TOPSIS 算法 　需求偏好 　评估 中图分类号 　F724 . 6 　　　　文献标识码 　A 　　　　　文章编号 　1002 - 1965 (2009) 12 - 0 127 - 04 　　个性化推荐系统解决了商品和服务信息过载的问 工绩效考评 、服务机构绩效考核评估 、地区经济实例综 题 ,帮助用户在浩瀚如烟海的商品中找到 自己所需要 合评估 、物流方案选取决策等领域[ 5 ] 。然而 ,个性化推 的商 品, 为用户提供个性化 的购物体验[ 1] 。同时 , 荐是根据满足用户的个性化需求程度的一种排序方 Daniel 和 Kartik 通过对消费者的购买行为进行研究 , 法 ,与绩效考评和综合评估有诸多的共同点 ,所以可以 发现个性化推荐系统能够带来更低廉的价格[2 ] 。另 将 TOPSIS 方法应用到个性化推荐之上 , 通过对用户 外 ,Dirk 和 Deran 研究表明个性化推荐的存在使得卖 的调查 ,得到用户的“理想解”,利用商品或服务与“理 家有更优化 的价格制定策略 , 从而提高了卖家 的收 想解”的接近程度由大到小的顺序进行推荐 。 益[3 ] 。 　1. 1 　用户评价指标标准化 　根据指标的性质不同, 鉴于个性化推荐主要采用的方法是协同过滤技 可将指标分为效益型、成本型、区间型和集合型 。效益 术 、内容过滤技术和数据挖掘技术 ,本文选择基于用户 型指标评估值越大越好 ,成本型是指取值越小越好 , 区 的内容过滤技术 ,但是把原有的在新用户注册时提取 间型指取值越接近某个固定区间越好 ,而集合型是指 [4 ] 用户个性化特征 转变为用户在选择某类商品或服务 某个指标的取值范围为有限的离散的无序的元素 ,如 时 ,个性化推荐系统根据商品或服务的属性特征提出 酒店的服务指标这一集合就包括商务中心、会议厅和 一系列的问题 ,在获得用户需求偏好的相关数据之后 ,