综合赋权提升包推荐查询效率：实验验证有效

本文献研究了一种在包推荐系统中提高用户满意度的关键问题，即如何有效地处理推荐结果的不足。针对这一问题，提出了基于综合赋权的包推荐查询松弛方法。该方法的核心在于： 1. 综合赋权：通过引入改进的熵权法，这种方法不仅考虑用户的主观偏好（如个人历史行为、评价等），还结合客观信息（如包的流行程度、其他用户的评价）来计算属性权重。这样可以更全面地反映包的特征对于用户的吸引力。 2. 查询松弛：根据初始查询返回的结果，设计了一种动态调整机制，通过计算松弛阈值来决定推荐的灵活性。这样可以在一定程度上平衡推荐的精确性和多样性，提高推荐结果的满意度。 3. 属性相似性计算：针对数值型属性，采用了不同的数据相似性原则和隶属度方法，以适应不同属性值域大小的影响，确定出合理的松弛区间。这有助于找到在满足用户需求的同时，又能降低搜索复杂度的推荐包集合。 4. 实验验证：实验证明了所提出的综合赋权方法具有合理的权重评估结果。在多种查询条件的测试中，该方法能够在不增加显著时间成本的前提下，显著提升推荐效用，相比传统方法如QRRR，表现出更强的性能优势，从而证实了其在包推荐系统中的有效性。 该研究对于提升包推荐系统的个性化体验和用户满意度具有实际应用价值，为包推荐算法的设计提供了新的思路和技术支持。关键词包括包推荐、熵权法、查询松弛、属性权重和综合赋权，这些都反映了研究的核心内容和贡献领域。