群体推荐新算法：基于成员接受度与相似度的混合模型

"该论文研究了一种新的群体推荐算法，该算法综合考虑了群成员的接受度和成员之间的相似度，以解决群体推荐系统在处理成员意见冲突时的准确性问题。通过采用Thomas-Kilmann行为冲突模式分析方法（TKI）来评估群成员在冲突情境下的偏好接受度，并将此接受度与成员-群体相似度结合，提出了一种混合群体推荐算法。实验证明，新算法在推荐精度上优于传统方法。该研究由国家自然科学基金等多个项目资助，由中山大学和香港城市大学的研究人员共同完成，主要研究方向包括电子商务、管理信息决策支持、数据挖掘和推荐系统等。" 论文的核心内容集中在解决群体推荐中的关键问题，即如何在群体成员个性差异和意见冲突的情况下提供准确的推荐。传统的群体推荐算法可能忽视了个体在冲突情境下的行为特征，而这正是新算法着重考虑的方面。Thomas-Kilmann行为冲突模式分析（TKI）是一种心理学工具，用于理解和解决人际冲突，它被用来量化群体成员对于不同偏好的接受程度。这种接受度的量化有助于更好地理解每个成员在群体决策中的角色和影响力。 新算法的独特之处在于它将成员接受度与成员-群体相似度结合，形成一个混合模型。成员-群体相似度是指每个成员的偏好与其他群体成员的偏好之间的相似性，这种相似性可以反映群体内的共识程度。通过融合这两个因素，算法能更精确地识别和利用群体内的信息，从而提高推荐的准确性。 实验部分，研究人员对比了新算法和传统群体推荐算法的性能，结果显示新算法的推荐精度有显著提升。这表明，考虑成员接受度和相似度对于提升群体推荐系统的性能至关重要。此外，该研究还强调了在推荐系统设计中考虑个体行为和冲突解决策略的重要性，这对于未来群体决策支持系统的发展具有指导意义。 这篇论文为群体推荐系统提供了一个新的视角，引入了冲突解决策略和个体行为的考虑，这不仅提高了推荐的准确性和效率，也为理解和优化复杂社会网络环境中的决策过程提供了理论基础。