1．目的及意义

随着信息技术的不断发展，互联网络中的信息数量呈爆炸式上升，包括在线视频网站，音乐网站，电商网站等信息提供方所持有的信息进一步增加，商务规模不断扩大，所提供的服务或商品个数种类快速增长，消费者往往需要花费大量的时间用于搜索自己所期望的商品，这样浏览大量无关信息和产品的过程无疑会使有用的信息被淹没在海量无关数据当中，早场消费者的流失最终导致商业利益受到损失。如何精准有效的使使用者或消费者快速的找到他们所感兴趣的信息，或将能创造价值的信息主动推送给消费者，这是目前提高商业效率的一项重要举措。在这样的背景下，推荐系统孕育而生。推荐系统是利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。

随着信息技术和互联网技术的高速发展，推荐算法也得到了广泛的关注，目前已经有了许多的研究和应用。然而，当前的推荐算法往往在稀疏数据的情形下表现不够理想，甚至出现无法正常工作的现象。面对这些问题，需要将不确定理论与传统推荐算法相关理论相结合，改进算法在更广泛应用场景下的可用性和准确度，提升推荐效率。

随着不确定理论的加入，推荐算法将可以自适应的选择预测目标，并结合感情分析模型进行进一步的个性化推荐，这样的算法对于稀疏数据尤其是涉及到自然语义理解的稀疏数据处理起来会更加高效，将一定程度上解决传统协同过滤算法上存在的局限性，并且平衡不同群体不同类型数据对于推荐结果精度的影响，避免给推荐算法带来计算时间过长或结果不精确的问题。

针对在线中文评论中用户主观意见的不确定性,孙丽华提出了一种基于不确定理论的情感分析模型,采用分词工具预处理在线中文评论,应用不确定变量与不确定集设计情感分析模型;最后,根据情感分析模型设计搜索K最近邻居的新方法,并产生推荐。该方法能够有效提高推荐的准确率,缓解数据稀疏问题[基于在线评论情感分析的改进协同过滤推荐算法]。

围绕传统的协同过滤推荐算法存在的局限性展开研究,郑智高提出一种时间加权不确定近邻协同过滤推荐算法TWUNCF。根据推荐系统应用的实际情况,首先对用户和产品相似度进行时间加权以保证数据有效性,在此基础上改进相似度的计算方法[时间加权不确定近邻协同过滤算法]。

王少兵通过对旅游网站的景点评论进行情感分析，综合利用自然语言处理技术和领域本体构建技术，准确把握游客对旅游目的地的满意度和需求；将群体智慧和个人偏好有效地结合，为游客出行制定合理的个性化推荐策略[采用在线评论的景点个性化推荐]。

先前的研究对于不确定性理论和推荐算法尤其是协同过滤算法及其优化实现进行了较多的研究，但是尚未有完善的将二者结合起来解决稀疏数据和不确定语义问题的研究，需要进一步补充。

{title}

2. 研究的基本内容与方案

{title}

依据任务书的要求，本设计拟完成以下任务：

（1） 针对选题完成相关国内外研究现状的分析；