英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料

基于OWA的书籍推荐技术

摘要

现代技术的激增导致了互联网上的数据超载。 万维网上的巨大数据增加了用户提取确切信息的问题。 正在使用各种推荐技术来帮助客户购买所需的在线购物项目。 在本文中，我们提出了一种书籍的推荐方法。 我们使用基于位置聚合的评分（PAS）技术来评分顶尖大学推荐的书籍，并使用模糊量词对这些分数赋予权重。 我们对这些分数应用有序加权平均（OWA）聚合算子以找到顶级图书。 最后推荐排名最高的书籍。

关键词：模糊量词；意见挖掘；OWA；基于位置聚合的技术；等级聚合；推荐技术；

1.简介

互联网是现代技术扩散的结果的时代的礼物。 互联网的发展也推动了电子商务。 在线购物已经变得越来越受欢迎。 今天，普通人通过网络营销门户网站例如亚马逊网站在线购物是个时尚。 互联网的繁荣造成数据超载。 万维网上的巨大数据增加了用户提取确切信息的问题。 买家发现要找到他或她正在寻找的确切产品非常困难。 在浏览网上购物门户时，多种选择被铲除; 不过选择正确的项目是一项艰巨的任务。

研究人员提出了不同的推荐技术来帮助客户购买正确的产品。 已经做了各种努力来使得网络购物有效可靠。 近几年来，研究人员提出了很多推荐技术.我们提出了一种结合模糊概念和链接挖掘对产品进行排名的推荐方法，并在用户面前推荐。我们最初从职业360网站上获得了前50名大学。 我们去各大学的计算机科学教学大纲; 我们从所有大学的计算机科学的整个教学大纲中都考虑过一个“人工智能”课程。有意思的是，在排名前50的大学中，只有22所大学正在在各自的网站上展示计算机科学课程。 通过这种方式，我们包括推荐大学的重要性，重要的环节是优先考虑的。

每个大学推荐的几本书的不同排名列表，几乎没有几所大学只推荐两三本书，而很少的大学推荐10多本书。 这些书籍的排名按顺序存储，因此我们从所有22所排名的大学中收集了41本不同的书籍。 我们提出一种从书籍中获得分数的方法; 我们将问题转化为基于分数的方法。 该方法为所有大学对应的每本书分配0到1之间的数值。 对于每本书Bj，j = 1,2，...，41; 我们得到xi，i = 1,2，...，22。

我们应用由模糊量词指导的OWA操作符，以获得每本书Bj的最终得分，并将其称为OWA（x1，x2 ... xn）。 下一节将介绍OWA操作员，这些分数按降序排列。 最后我们得到书籍按升序排列。

本文其余部分的结构如下：第二部分讨论了广泛的相关工作。 第3节说明将基于排名的问题转化为基于分数的转换和OWA算子在使用过程获得的分数上的实现。 第4节给出了实验结果，并对获得的结果进行了简要的讨论。 最后，我们在第5节总结未来工作的方向。

2.背景

在产品推荐领域进行了一些研究。作者提出了使用特征分析方法的图书推荐技术。 Sarwar等人提出了一种基于关联规则的推荐技术。在早期的研究中，研究人员在许多不同的应用程序中使用协同过滤，例如推荐网页，文章等。由于协作过滤遇到的一些严重问题，研究人员转而使用Web挖掘技术进行产品推荐。 Web使用挖掘是从Web使用数据中提取有用模式的过程，最近被应用于吸引研究人员的Web挖掘技术中应用最多的部分。 Choetal提出了基于Web使用挖掘的个性化推荐系统。Kim等人提出了基于Web使用挖掘的另一个个性化推荐。他们的方法主要针对的是帮助客户实现仅仅希望购买产品的建议的问题。执行基于客户点击流的个性化产品推荐系统开发的良好讨论。

将不同的采矿技术与其他决策方法相结合来推荐产品是一种非常古典和罕见的方法。刘和士通过组合决策和数据挖掘技术开发了一种新颖的产品推荐方法。它解决了企业的客户终身价值（CLV）。 R. Yager介绍的有序加权平均（OWA）算子，其各种应用已经在文献中介绍。决策能力和表现使得研究人员能够利用其多个不同学科的决策问题。 Beg使用基于OWA算子的新颖模糊查询来进行网页搜索。研究人员还将OWA运营商的应用程序应用于多个GIS环境。常规（定量）OWA已被所有这些应用使用。具体来说，GIS-OWA的研究迄今已经突显出了与OWA操作员结合使用的参数需要量化规定的程序。

3.技术

3.1. 排名到分数转换技术

我们扩展了以前的工作，推荐顶级图书。 作者提出了一种基于位置聚合分数（PAS）的技术，对“人工智能”的顶级书籍进行排名。 基于PAS的技术基本上是强调将大学建议的不同职级转换成数量即成绩。 该分数在0和1之间，因此我们将OWA算子应用于有利于被视为OWA算子的条件的这些分数。 基于PAS的技术通过查找通过该技术获得的分数的总和来推荐该书。 找到分数的过程如下：

我们通过m个不同的大学来推荐n种不同的书籍。首先，我们找到了每个大学的所有书籍的排名，我们分配最大值（Vmaximum = -1）到最适合排名的大学，即排名第一的书被分配一个值“-1”。对于下一个值，我们为排名 =（i 1）的书赋值= {（Vmaximum） - （i）}。我们为每个大学重复上述步骤，以便所有的书都被赋予一个价值。如果一本书没有排名，我们给它一个值= - （m 1），其中m是有关大学的数量，这里是m = 22。现在，我们将每本书“Bi”与所有的“m-1” 本书相比较。如果一本书的值大于另一个，则我们分配Bi = 1的值，否则我们分配Bi = 0的值;如果我们发现Bi == - （m 1），我们再次将“零”分配给Bi，即Bi = 0;最后我们找出了每个大学的Bi的所有价值的总和。我们对所有大学重复上述过程。这将分配与每所大学相关联的每本书的特定价值。我们通过这些值实现OWA操作符，如以下部分所述。

3.2. 基于OWA算子的得分

多标准决策问题难以解决。 R. Yager介绍了一种有序加权聚合算子，对于聚合多个准则非常有用。 在数学上我们给OWA

------------（1）

其中yi意味着如果按降序对值x1，x2，... xn进行重新排序，我们得到一个序列y1，y2，...，yn，即y1ge;y2ge;，... yn-1ge;yn。

很明显，我们可以从OWA算子那里获得以下信息。

算术平均值, 如果

对于ine;1，w1 = 1，wi = 0时取最小函数值

对于ine;n，w1 = 1，wi = 0时取最大函数值

在这里，我们关心不同的大学对几本书的推荐，为此，我们需要决定量词及其行为; 我们使用模糊量词作为目的。 我们可以将相对量词的函数Q（r）表示为：

其中Q（0）= 0，

使 Q(r) =1, 并且 a, b 和 r [0,1].

所有上述条件都应该满足于， Q: [0, 1]→[0, 1].

即量化器Q的域和范围为[0,1]。 为了使用上述量词来计算权重wi，我们可以使用下面给出的等式。

wi = {Q (i/m) – Q ((i-1)/m)}, 当i = 1, 2,hellip;, m.

示例1：对于标准数（m）= 5，具有参数值为a = 0且b = 0.5的模糊量词“至少一半”将具有对于OWA值的相应权重：

w (1) =0.4, w (2) =0.4, w (3) =0.2, w (4) =0.0, w (5) =0.0.

示例2：我们举例说明一个基于量词“至少一半”的书的最终得分计算的例子。 “xi”表示不同的分数，让我们给出：

有序分数yi表示xi中的分数，即yi是xi中的最大值。 给定分数xi的相应的yi值将表示为：

从等式---（1）得到

因此，我们获得OWA（x1，x2，...，xn）至少一半：

= OWA (x1, x2, hellip;., xn)

=

= (0.4times;0.95 0.4times;0.85 0.2times;0.70 0.0times;0.55 0.0times;0.0)

= 0.38 0.34 0.14

= 0.82

以与示例1中所示相同的方式，我们将得到不同权重的量词“最多”和“尽可能多的”。 m = 5的“最”和“尽可能多”的权重计算为：w（1）= 0.0，w（2）= 0.2，w（3）= 0.4，w（4）= 0.4，w（5）= 0.0，w（1）= 0.0，w（2）= 0.0，w （3）= 0.2，w（4）= 0.4，w（5）= 0.4。 并且通过实施例2中讨论的方法对量词计算的分数分别为0.67和0.36。 在根据这些量词获得所有图书的OWA分数后，我们将其排序，然后推荐顶级图书。 由于我们使用OWA操作员三个不同的量词，“最多”，“尽可能多”和“至少一个”，我们得到三个不同的排名，因此执行顶级图书的三个不同的推荐。

4.实验结果

我们从www.careers360.com获得的50所印度大学开始，只有22所大学关心计算机科学系，或者推荐一些关于“人工智能”的书籍。 所以我们只考虑22所大学。 我们从所有的大学集体获得了41本不同的书。 正如我们在3.1节所讨论的，我们得到每所大学每本书的不同分数。 对于第一本书“B1”，我们得到如表1所示的得分。

表1.对应于所有大学的“B1”书的得分

我们通过使用上述和实施例2所述的方法，基于不同量词获得所有书籍的OWA分数。基于量词的OWA分数如表2所示。代码B1，B2等显示而相应的行显示通过使用相对量词应用OWA运算符获得的值。量化器的OWA的值最多，尽可能多，至少一半如表2所示。在排序值的基础上，对各模糊量词进行排序，这是最终排名。所有量词的最终排名如表3所示。相对量词“最多”，“至少一个”和“尽可能多”的不同权重分别在表4a，4b和4c中描述，用于计算所有书籍的OWA分数。对于每本书，我们都有不同的分数，如表1所示。我们将这些值与表4a，4b和4c所示的大学的权重相乘。各个量词的参数（a，b）的值分别为（0.3,0.8），（0,0.5）和（0.5,1）。考虑到22所大学，所以我们认为m = 22。通过使用示例2，针对不同的量词计算权重。我们使用不同的量词来了解各大顶级大学不同书籍推荐的趋势。 OWA的最终排名至少有一半在表3中列出了前10本书，但是其他两个量词“OWA参数的”多达“和”最多“的值分别显示了两本和四本书。所有三个模糊量词的前两名排名推荐同一本书。即相同的两本书占所有量词的最高排名。它显示了排名的实力和准确性。表5,6和7给出了方法推荐的最终书。

表2.基于模糊量词的书籍的OWA分数

书籍 OWA 最多 OWA 至少一半 OWA 尽可能多

您可能感兴趣的文章

• 基于图像的分类调查外文翻译资料
• 用于单样本的视频人脸识别特定领域的人脸合成外文翻译资料
• 具有Si0,薄膜覆盖层的温度补偿声表面波器件外文翻译资料
• SAW/LSAWCOM参数从数值计算实验中提取周期性电极的谐波导纳外文翻译资料
• 三轴加速度计用于体力活动的评估:现状与未来外文翻译资料
• 传感器新技术的发展外文翻译资料
• 基于nRF24L01的无线通信系统设计外文翻译资料
• 扩展交通信号灯识别：相位和导向符号的有效分类外文翻译资料
• 微型电解加工脉冲电源的设计外文翻译资料
• 8tsram单元作为超越vonneumann计算的多位点积引擎外文翻译资料