1.1 设计（论文）的目的

推荐系统是根据用户的偏好，向用户提供个性化的信息，商品和服务的系统。推荐系统的目的是帮助用户解决信息过载的问题，例如帮助商家更有效的推广商品，实现销售额的增长。目前国内外推荐系统主要都是基于物品协同过滤和用户协同过滤实现的针对个体的推荐算法，针对群体的推荐算法研究还留有很大的空白。

现在由于云计算，大数据的快速发展，人们经济生活水平不断提高，对群体进行推荐需求越来越高。目前主流的群体推荐很少考虑到群体成员之间的相似关系和相互影响，并且在计算的过程中都会而是用到二维的评分矩阵，但却很少考虑到矩阵中的空值对推荐结果的影响。

为了试着解决此问题，本系统利用现有的个体推荐系统，借鉴国外的相关研究，基于每个成员在群体中做出的贡献，为每一位用在群体中的贡献贡献程度进行打分。利用Python开发语言，SQL Sever2017数据库为开发工具，进行开发设计，旨在为一个有着不同喜好个体组成的群体做出推荐，从而有效地决绝矩阵过于稀疏的问题，最终完成毕业论文的撰写。

1.2 设计（论文）的意义（理论或实际）

目前，绝大数学者的研究都是利用评分矩阵进行的，当矩阵非常大并且非常稀疏的时候，为了弥补稀疏矩阵中的缺省值，就会需要额外的信息，并且会建立一个非常复杂的计算系统来恢复这些缺省的值。

但是，一方面目前并没有一个统一有效的获得额外辅助信息的方法，在很多领域中，根本没有办法的到用户额外的相关信息。另一方面，即使获得了相关的信息，通过这些信息来计算矩阵中缺省值也需要耗费大量的计算，不同的方法会有不同的计算效果，这样会导致最终的结果准确性降低。

本论文通过对每个成员进行按照在群体中的重要程度进行打分，然利用曼哈顿距离公式处理长尾问题，并且利用矩阵稠密部分对稀疏部分进行补全从而避免对用户额外信息的需求，这种方法对提高群体推荐的效果和效率具有非常重要的意义。

（1） 只使用用户的评分数据，来为用户在群体中的贡献进行打分，然后构建群体肖像模型，这样做避免对额外辅助信息的需求。使用这种方法得到比传统方法更加准确的实验结果。

（2） 使用成员贡献评分模型有效的做到了对非负矩阵的分解，即使在矩阵高度不完整和稀疏的情况下，成员贡献模型也能够有效的抽象出群体模型。