约简形式背景下的概念集构造及其推荐应用.pdfVIP

JournalofComputerApplicationsISSN1001⁃90812025⁃05⁃10

计算机应用,2025,45(5):1415-1423CODENJYIIDUhttp://www.joca.cn

文章编号：1001-9081（2025）05-1415-09DOI:10.11772/j.issn.1001-9081.2024050743

约简形式背景下的概念集构造及其推荐应用

1，21，21，2，3*

陈昕，刘忠慧，闵帆

（1.西南石油大学计算机与软件学院，成都610500；2.西南石油大学机器学习实验室，成都610500；

3.西南石油大学人工智能研究院，成都610500）

（∗通信作者电子邮箱minfan@swpu.edu.cn）

摘要：在形式概念分析（FCA）领域，概念集合的提出满足了真实环境的推荐需求；但目前概念集合生成方法缺

乏有效的手段避免冗余属性的参与，这在一定程度上影响了概念生成的质量和效率，最终影响了推荐的效果。针对

上述问题，提出形式背景属性约简算法（FCAR）、概念集构造算法（CSCA）以及基于概念集合的推荐算法（RACS）。首

先，根据形式背景和评分矩阵设计属性兴趣度，并根据属性兴趣度阈值实现形式背景约简；其次，结合外延相似性与

内涵兴趣度设计概念关键度作为启发信息，生成概念集合；最后，利用推荐置信度与推荐阈值得到概念集的推荐矩

阵，从而针对目标用户实现个性化推荐。在11个数据集上对比了RACS与算法k最近邻（kNN）、基于项目的协同过滤

（IBCF）、启发式概念集构造的组推荐（GRHC）、基于概念集的个性化推荐（CSPR）以及GreConD-kNN。实验结果表明，

在6个常规数据集上，RACS在3个数据集上取得最高精确度和次高召回率，在4个数据集上取得最优F1值；特别是在

3个较大规模的数据集上，与三种形式概念的推荐算法相比，RACS的推荐时间效率至少提升8倍。实验结果验证了

RACS在推荐效果和推荐效率上的显著优势。

关键词：形式概念分析；约简形式背景；属性兴趣度；概念构造；推荐系统

中图分类号：TP181文献标志码：A

Conceptsetconstructionofreducedformalcontextand

itsrecommendationapplication

CHENXin1，2，LIUZhonghui1，2，MINFan1，2，3*

（1.SchoolofComputerScienceandSoftwareEngineering，SouthwestPetroleumUniversity，ChengduSichuan610500，China；

2.LabofMachineLearning，SouthwestPetroleumUniversity，ChengduSichuan610500，C