关联规则在电子商务推荐系统中的应用

以数据挖掘中的关联规则为基础,深入研究了基于关联规则的个性化推荐技术在电子商务中的应用,提出了电子商务推荐系统的体系结构,并对系统涉及到的关键技术进行了详细的描述.系统采用FP-Growth算法进行关联规则的挖掘,紧紧结合了数据库技术的优势,对当前电子商务系统中大量复杂的数据具有很好的适应性.     

基于WEB挖掘的关联推荐算法

通过Web挖掘分析用户需求,利用关联规则实现Web个性化,向用户提供个性化服务已经成为当今Web技术的研究热点.文中根据网络教学系统的个性化需求,针对Web个性化推荐算法及其改进算法中存在的问题,提出一种结合网站结构和内容挖掘的个性化关联规则的推荐算法.离线生成频繁访问路径聚集图,在线结合网站结构,动态地向用户进行在线推荐.并对改进后的算法进行仿真测试,实验表明改进算法可以更加节约存储空间,提高推荐准确率和覆盖率.     

OTA系统中的个性化应用推荐系统研究

本文首先提出了OTA全新的个性化应用推荐系统模型,然后对移动用户下载使用与兴趣之间的关联作了讨论与分析,并给出了算法,最后对个性化推荐的两种常见实现方法,即聚类分析与关联规则进行了讨论,给出了OTA系统中的个性化应用推荐引擎的设计思路与实现算法.     

基于Web挖掘的关联推荐算法研究

对用户需求的分析中使用Web挖掘,其中Web个性化的实现使用的是关联规则,这一规则能够为用户提供个性化服务,并且成为Web技术的研究热点。本文以网络教学系统为案例,来对Web挖掘的关联推荐算法进行探讨。内容主要涉及到Web数据挖掘技术、关联推荐算法的思路、算法分析。     

基于加权关联规则挖掘算法的电子商务商品推荐系统研究

为了解决电子购物者和商家直接的商品快速、准确匹配问题,进行基于加权关联规则挖掘算法的电子商务商品推荐系统研究。首先指出了经典Apriori算法的缺点和不足,并提出一种新的加权模糊关联挖掘模型算法,以保证频繁项集的向下封闭性;通过对电子商务推荐系统的结构化设计、数据预处理模块设计、推荐模块设计,完成了推荐系统的工作流程测试;最后选取命中率作为不同推荐模型的评价标准,通过五折交叉试验法对实际采集数据进行了对比分析,试验结果表明关联规则集的Top-N产品命中率要明显高于兴趣推荐和畅销推荐法。     

基于数据挖掘技术的图书馆个性化快速推荐算法研究

随着高校图书管理系统建设的不断发展,广大师生的图书借阅活动产生了大量的浏览数据。为了对以上借阅信息进行数据挖掘以便为读者提供更高水平的服务,提出一种基于数据挖掘技术的图书馆个性化快速推荐算法。首先对数据挖掘的主要方法和组织结构进行了介绍;然后对经典关联规则挖掘算法中的Apriori算法进行改进,提高了关联规则的运算效率;最后采用改进的Apriori算法对图书借阅历史数据进行关联分析,从而对读者做出个性化的推荐。实验结果表明,提出的图书馆个性化快速推荐算法具有较高的准确度和运行效率。     

基于Apriori数据挖掘算法的信息推荐图书管理系统设计

传统应用于图书管理系统的Apriori算法因数据库扫描次数过多,以及候选项集数量过大导致系统运行缓慢,为解决此问题,设计基于改进Apriori数据挖掘算法的信息推荐图书管理系统。系统结合C/S架构与B/S架构,分别向图书馆工作人员和借阅者开放图书信息。系统功能模块中数据预处理子模块从读者借阅数据库中提取借阅者以及图书相关信息数据,对数据进行清洗、转换以及集成处理后,关联规则挖掘子模块利用改进Apriori算法依据处理后的数据,挖掘出支持度大于最小支持度阈值以及置信度大于最小置信度阈值的强关联规则,生成关联规则数据库。个性化信息推荐子模块依据关联规则数据库中的借阅者同借阅者所选图书进行关联匹配,向借阅者推送与所读图书相关联图书信息,实现图书信息的个性化推荐。实验结果表明,该系统可有效推荐图书关联信息,且在50个客户端同时运行的情况下CPU占有率仅为6.58%,运行性能佳。     

基于用户兴趣模型的三维室内家居风格推荐方法研究

为了更好地辅助完成家居风格的推荐工作,提出一种基于用户兴趣模型的三维室内家居风格推荐方法。该方法包括三维模型数据采集、家居风格特征定义和风格关联挖掘。通过用户行为数据分析建立用户兴趣模型,结合关联规则挖掘算法中的Apriori算法对三维模型数据集进行关联分析,从而得到家居风格的推荐结果。实验结果表明,提出的方法可以有效完成三维室内家居风格分析,并且推荐结果得到了较好的用户满意度。     

一种新的增量更新多层关联规则算法研究

提出了一个快速有效的增量更新挖掘多层关联规则算法MLARU,其基本思想是通过数据库和Web日志构建概念层次树,采用区间支持度的方法表示交叉层次的项集支持度,并采用根据层次树剪枝和增量更新的方法来挖掘多层关联规则。实验结果表明,该算法的效率得到了很好的改善,能在线为用户动态提供多层次个性化推荐。     

基于读者个性化特征数据挖掘的图书馆书目推荐

传统图书馆服务缺乏个性化设置,无法充分利用资源进行准确书目推荐,为了改善这一问题,提出基于读者个性化特征数据挖掘的图书馆书目推荐系统。根据读者类聚特点与数据关联规则,设计节目个性化推荐系统,并将挖掘出的关联规则应用到推荐服务当中;根据挖掘流程可得到大量数据,并对多余数据进行清理,不完整数据进行补充,计算支持度和置信度;采用基于读者个性化特征数据挖掘图书馆书目并进行推荐,由此完成图书馆书目推荐。通过实验分析可知,该推荐方法可充分利用图书馆资源,快速、准确完成书目推荐。     

基于用户群组行为分析的视频推荐方法研究

该文采用权重增量及相似聚集的用户行为分析算法,为用户推荐个性化视频提供了一个有效的解决方案。方法包含3个主要部分,首先利用RFM(Recentness, Frequency, Monetary amount)模型分析用户的行为,将相同行为的用户归为一组;然后结合用户的最近习惯,使用基于权重增量的Apriori算法挖掘用户之间的关联规则,并用向量空间模型进行相似度计算从而实现用户相似聚集;最后进行协同过滤式推荐,完成整体个性化视频推荐过程。该方法的特点是行为数据自动收集获取,避免了直接对视频大数据的处理;另外,视频推荐随着用户行为的改变而动态变化,更加符合实际情况。实验结果表明,该方法有效并且稳定,相比于单一推荐方法,在准确率、召回率等综合指标上均有明显提升。     

E-Learning系统的个性化推荐方法研究

以E-Learning系统建设为背景,通过采用文献查找、调查研究等方法探讨个性化推荐理论的内涵,并结合当前建设中的E-Learning系统,分析了目前常用的个性化推荐策略,并进行介绍比较和分析以后,总结经验,以应用于E-Learning系统的建设。提出适合于E-learning系统建设的个性化推荐策略:采用关联规则推荐策略和协同过滤技术,基于WEB技术建立一个虚拟学习系统,利用推荐算法,结合用户需求,将学习的资源、学习活动和学习策略进行整合,向用户推荐完整的满足用户需求的E-Learning学习方案。     

Association rules recommendation algorithm supporting recommendation nonempty

Existing association rule recommendation technologies were focus on extraction efficiency of association rule in data mining.However,it lacked consideration of recommendation balance between popular and unusual data and efficient processing.In order to improve the quality and efficiency of personalized recommendation and balance the recommendation weight of cold and hot data,the problem of mining frequent itemset based on association rule was revaluated and analyzed,a new evaluation metric called recommendation RecNon and a notion of k-pre association rule were defined,and the pruning strategy based on k-pre frequent itemset was designed.Moreover,an association rule mining algorithm based on the idea was proposed,which optimized the Apriori algorithm and was suitable for different evaluation criteria,reduced the time complexity of mining frequent itemset.The theoretic analysis and experiment results on the algorithm show that the method improved the efficiency of data mining and has higher RecNon,F-measure and precision of recommendation,and efficiently balance the recommendation weight of cold data and popular one.     

基于上下文相似度和社会网络的移动服务推荐方法

针对传统的基于协同过滤的移动服务推荐方法存在的数据稀疏性和用户冷启动问题,提出一种基于上下文相似度和社会网络的移动服务推荐方法(Context-similarity and Social-network based Mobile Service Recommendation,CSMSR).该方法将基于用户的上下文相似度引入个性化服务推荐过程,并挖掘由移动用户虚拟交互构成的社会关系网络,按照信任度选取信任用户;然后结合基于用户评分相似度计算发现的近邻,分别从相似用户和信任用户中选择相应的邻居用户,对目标用户进行偏好预测和推荐.实验表明,与已有的服务推荐方法TNCF、SRMTC及CF-DNC相比,CSMSR方法有效地缓解数据稀疏性并提高推荐准确率,有利于发现用户感兴趣的服务,提升用户个性化服务体验.     

基于MDPI的多维关联规则算法的研究

多维关联规则是数据挖掘中的一个重要研究方向,由此提出了一种高效的多维关联规则挖掘算法,该方法通过引入MDPI-tree(多维谓词索引树)结构,有效地将数据立方体技术和频繁项集挖掘算法FP-Growth结合起来,能用于挖掘维间和混合维关联规则.最后将此算法应用于移动通信交叉销售模型,通过实验验证算法的有效性和实用性.     

浅析电子商务中关联推荐算法的应用

如今这个时代可以称作大数据时代,任何行业都需要依靠网络以及数据,其中电子商务更是离不开数据.关联推荐算法则是电子商务系统中近几年来常用的数据挖掘方法.本文将了解关联规则相关概念,探讨关联推荐算法在电子商务中的应用.     

Mining Mobile Sequential Patterns in a Mobile Commerce Environment

In this paper, we explore a new data mining capability for a mobile commerce environment. To better reflect the customer usage patterns in the mobile commerce environment, we propose an innovative mining model, called mining mobile sequential patterns, which takes both the moving patterns and purchase patterns of customers into consideration. How to strike a compromise among the use of various knowledge to solve the mining on mobile sequential patterns is a challenging issue. We devise three algorithms (algorithm TJ_LS, algorithm TJ_PT, and algorithm TJ_PF) for determining the frequent sequential patterns, which are termed large sequential patterns in this paper, from the mobile transaction sequences. Algorithm TJ_LS is devised in light of the concept of association rules and is used as the basic scheme. Algorithm TJ_PT is devised by taking both the concepts of association rules and path traversal patterns into consideration and gains performance improvement by path trimming. Algorithm TJ_PF is devised by utilizing the pattern family technique which is developed to exploit the relationship between moving and purchase behaviors, and thus is able to generate the large sequential patterns very efficiently. A simulation model for the mobile commerce environment is developed, and a synthetic workload is generated for performance studies. In mining mobile sequential patterns, it is shown by our experimental results that algorithm TJ_PF significantly outperforms others in both execution efficiency and memory saving, indicating the usefulness of the pattern family technique devised in this paper. It is shown by our results that by taking both moving and purchase patterns into consideration, one can have a better model for a mobile commerce system and is thus able to exploit the intrinsic relationship between these two important factors for the efficient mining of mobile sequential patterns     

关联规则数据挖掘在图书馆个性化服务中的应用研究

随着计算机技术、网络技术以及现代通信技术的蓬勃发展,数据挖掘作为信息技术飞速发展的衍生物,为数字知识资源的有效管理提供了技术保障。文章通过对关联规则数据挖掘技术以及图书馆个性化服务相关内容的介绍,探讨了关联规则数据挖掘在数字化图书馆中的应用,说明关联规则挖掘技术在数字图书馆应用的必要性,以及在提升图书馆服务质量和服务水平方面的发挥的重要作用。     

基于移动用户上下文相似度的协同过滤推荐算法

该文面向移动通信网络领域的个性化服务推荐问题,通过将移动用户上下文信息引入协同过滤推荐过程,提出一种基于移动用户上下文相似度的改进协同过滤推荐算法。该算法首先计算基于移动用户的上下文相似度,以构造目标用户当前上下文的相似上下文集合,然后采用上下文预过滤推荐方法对移动用户-移动服务-上下文3维模型进行降维得到移动用户-移动服务2维模型,最后结合传统2维协同过滤算法进行偏好预测和推荐。仿真数据集和公开数据集实验表明,该算法能够用于移动网络服务环境下的用户偏好预测,并且与传统协同过滤相比具有更高的推荐精确度。