随着“物联网”(WoT)的Swift发展,迫切需要开发有效的机制来智能发现和选择这些物(项目)。 推荐系统是解决WoT发现和选择问题的可行解决方案。 然而,传统的推荐系统在处理稀疏的推荐空间方面是很弱的,这些空间是大多数WoT推荐的特征。 此外,传统的推荐器系统可能无法扩展以有效地处理Web上的大量内容,但是这些系统可能会产生大错误建议,从而削弱用户对使用WoT的信任。 我们研究的主要贡献是设计和开发了一种新颖的推荐方法,该方法以认知心理学领域验证的对象典型性原则为基础,以解决与WoT建议相关的上述问题。 基于MovieLens基准数据集,我们的实验结果表明,所提出的推荐方法是有效的,并且产生的错误最少。 由于所提出的方法通过在推荐时间内在项目组和用户组级别进行操作来利用数据概括,因此与其他稀疏训练数据的基线方法相比,该方法更为有效。 基于模拟大型WoT推荐空间的Netflix基准数据集,该方法在平均绝对误差(MAE)方面也明显优于最新的推荐方法。 我们研究的业务意义在于,所提出的推荐方法可以增强WoT应用程序的态势感知能力,从而促进企业资源的重用和企业之间的互操作性。