计算机应用

作者：陈昕, 刘忠慧, 闵帆

单位：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

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

基金：国家自然科学基金资助项目(61772002);中央引导地方科技发展专项(2021ZYD0003);南充市校科技战略合作项目(23XNSYSX0062)

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。

来源：2025年第5期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第5期