随着信息化进程的不断扩大，人们将面对越来越多需要处理的数据。如何在这样海量的数据信息中便捷快速而又准确地获取所需是其中一个人们所关心的话题，搜索引擎也因此应运而生。然而，传统搜索引擎的工作方式是被动的，同时它要求使用者对于需求的描述是清晰的，这使得传统搜索引擎在信息爆炸的今天日渐失色，未能取得与往常一样大的效果，一种全新的主动式的个性化的信息过滤方式被提了出来，这便是推荐引擎。它可以无声无息地帮助你迅速地找到你所需要的东西，甚至可以帮助你发现过去未曾察觉的兴趣。　　 目前，推荐系统较为具有代表性的和较为成功的应用是在以豆瓣作为代表的社交网站和以Amazon作为代表的电子商务购物网站的两个领域。主流的推荐方式有基于人口统计学的推荐、基于内容的推荐和基于协同过滤的推荐等，当面对新用户或新项目时这些推荐技术各自存在诸如“冷启动”、稀疏性等常见的问题。　　 软集是解决不确定性问题的很好的数学工具，它能够帮助人们在带有一系列不确定的因素的方案下快速地找到最优解。利用软集决策的过程在某个程度上跟推荐的过程很相像，都是从所有对象中找到最接近指定要求的那一个。因此，本文针对移动通信业作为特殊的应用场合，提出了基于软集的移动套餐推荐方法。　　 本文首先交代了移动套餐推荐研究的背景，指出由于庞大的移动电话用户基数，该研究具有十分重要的现实意义和社会性。接着，本文回顾了推荐系统的研究现状，介绍了主要的推荐策略和推荐技术，并就各类方法的优缺点进行比较。其次，本文介绍了软集的相关理论，包括软集的定义、软集在决策中的应用以及软集的基本运算。再次是本文的核心内容，基于软集的移动套餐推荐。该部分首先对移动套餐推荐的现状和存在问题作一番分析和总结，然后说明移动套餐推荐研究的必要性和可行性，最后给出基于软集的移动套餐推荐的算法。在随后的章节，本文就前一章所提出的算法模拟了一些数据进行实证分析，得出以下结论:①基于软集的移动套餐推荐是有效可行的;②基于软集的移动套餐推荐的推荐好坏依赖于方案的描述;③高分段的推荐命中率很高;④可以通过设定阈值，若所有分数都低于某个水平，则说方案的覆盖并不完全，可能存在新的需求。