目前的个性化推荐系统主要是针对用户的历史行为来评价用户或项目之间的相似性,为用户推荐相应的项目。该类方法虽然精确性很高,但是缺少探索性,不能在人们认知过程中为用户提供探索性的推荐,还面临着冷启动及推荐解释模糊等问题。因此,本文结合关联规则和形式概念分析,提出了一种基于模糊对象语言概念格的个性化推荐方法。主要研究成果如下:1、形式概念分析已被广泛作为数据处理和知识发现的重要工具。针对经典的形式背景无法处理语言值的问题,提出语言概念形式背景,构建语言概念格。为了进行知识约简,在粒计算的基础上定义语言概念间的多粒度相似性关系,将语言概念集分为三个部分(即核心语言概念,不必要语言概念和相对必要语言概念)。以差别矩阵为基础,体现出模糊对象间的差异,并提出不完备语言概念形式背景的语言概念约简算法,用于解决推荐系统数据稀疏的问题。2、针对语言概念形式背景中信息缺失的问题,提出了一种基于模糊对象之间的贴近度来补全不完备语言概念形式背景的新算法。基于布尔矩阵和布尔因子分析的方法,提出语言概念形式背景的语言概念知识约简算法,通过计算强制性语言概念知识的相似度,以达到提取语言概念知识基,减小语言概念格规模的目的。3、基于模糊对象语言概念格,描述了对象与语言概念之间的关系,表现了概念与概念间的泛化和例化关系,实现了对模糊数据的可视化,从而有效缓解了个性化推荐系统中推荐解释模糊的缺陷。进一步考虑了每个用户的认知过程,克服了个性化推荐系统中的冷启动问题,将语言值引入到关联规则中去,更能体现人类的思维习惯。4、通过调查问卷的方式收集用户与物品之间的行为数据,设计并实现基于模糊对象语言概念格的推荐方法,说明了该推荐方法的正确性与有效性。通过数值分析,比较得出本文所提推荐方法的优势。