User decision intuition is challenging and complex, even if the user and product are known. Thus, recommending products is a management decision with high degree of incertitude. What if we are facing also the cold-start problem, like new products or visitors? This is a hot topic in recommender systems, tackled in variously, successfully or not. This perspective adds more incertitude to the existing uncertain scenario. Our philosophy is the shift from a user-centric view, hit by uncertainty, to a company-centric one taken in certainty circumstances, later to apply win–win approaches. We propose a multi-criteria algorithm -MRS OZ- for an ecommerce site RS that tackles the cold-start differently. It uses Onicescu method, being adapted according to Zipf’s Law, very popular in internet marketing. The paper opted for an exploratory research based on primary and secondary methods, consisting in literature review, 2-step survey addressed to 110 managers splat in 2 groups, and statistical analyses. The algorithm may substitute the human expertise on the given sample item list and criteria set. This work reveals that Onicescu method is suitable for recommender systems field, but relative inner category rankings and more domain related weight ratios strengthen the algorithm. Onicescu method has a wide applicability, but not for recommender systems. Also, the mixture with Zipf’s Law is completely experimental in research area.

中文翻译：

---

MRS OZ：基于Onicescu方法和Zipf定律的电子商务管理推荐系统

即使用户和产品是已知的，用户决策的直觉也是充满挑战和复杂的。因此，推荐产品是高度确定的管理决策。如果我们还面临冷启动问题，例如新产品或访客，该怎么办？这是推荐系统中的一个热门话题，无论成功与否，它都有各种各样的解决方法。这种观点为现有的不确定情况增加了更多的不确定性。我们的理念是从以不确定性为中心的以用户为中心的观点转变为在确定的情况下采取以公司为中心的观点，然后再应用双赢方法。我们为电子商务站点RS提出了一种多准则算法-MRS OZ-，该算法以不同的方式处理冷启动。它使用Onicescu方法，并根据Zipf定律进行了修改，在互联网营销中非常流行。该论文选择了基于主要和次要方法的探索性研究，包括文献综述，针对两组的110名经理的两步调查以及统计分析。该算法可以用人类的专业知识代替给定的样本项目列表和标准集。这项工作表明，Onicescu方法适用于推荐系统领域，但是相对内部类别排名和更多与域相关的权重比加强了该算法。Onicescu方法具有广泛的适用性，但不适用于推荐系统。同样，具有齐普夫定律的混合物在研究领域中完全是实验性的。该算法可以用人类的专业知识代替给定的样本项目列表和标准集。这项工作表明，Onicescu方法适用于推荐系统领域，但是相对内部类别排名和更多与域相关的权重比加强了该算法。Onicescu方法具有广泛的适用性，但不适用于推荐系统。同样，具有齐普夫定律的混合物在研究领域中是完全实验性的。该算法可以用人类的专业知识代替给定的样本项目列表和标准集。这项工作表明，Onicescu方法适用于推荐系统领域，但是相对内部类别排名和更多与域相关的权重比加强了该算法。Onicescu方法具有广泛的适用性，但不适用于推荐系统。同样，具有齐普夫定律的混合物在研究领域中是完全实验性的。