一种适合于保险产品的个性化推荐算法

随着保险电子商务的不断发展,保险网站的用户越来越多样化,需求差异越来越大,为不同类型的用户推荐个性化定制化的产品以提高网站销量已经成为行业趋势。针对该问题,提出基于保险行业电子商务网站的个性化推荐系统。系统采用了基于内容的推荐和基于关联规则的推荐,分别利用保险产品本身的分类特点和用户访问网站的历史记录来推荐产品,最后将两种算法进行组合推荐。实验结果表明,算法性能高,平均推荐准确率在8%左右。由此得出结论,所提算法可用于网站的线上预测推荐。     

基于情境感知的个性化推荐算法

随着互联网的快速发展,只涉及用户和项目的传统个性化推荐已不能满足推荐要求的效率和准确率.因此,情景感知个性化推荐服务引起了广泛关注,成为新的研究热点.本文分析了情境的定义、情景感知个性化推荐模型,并提出了一种基于情境信息降低维度的关联规则推荐模型.最后,以视频网站的web日志为数据源,融合时间情境因素,实现了基于时间情境划分的关联规则推荐算法,并和传统推荐算法进行对比分析,实验证明,情境感知推荐算法具有更高的准确率和召回率.     

基于Web日志的煤矿企业网站个性化推荐服务研究

为了解决煤矿企业网站用户查找信息难的问题,提出了一种基于Web日志的煤矿企业网站个性化推荐服务模型。该模型应用关联规则对新用户进行页面推荐,应用聚类算法对老用户进行页面推荐;并结合点击网页的次数、网页的浏览时间、雅可系数与最长公共路径系数来度量用户兴趣度的方法,可为用户准确地推荐其感兴趣的页面。测试结果表明,该模型能够有效地对网页资源进行分类并进行个性化推荐。     

电子商务网站个性化推荐技术研究

电子商务打破了传统的销售方法和渠道,在互联网这个广阔的空间里,用户与商家即使相隔万里,也可以快速直观地选购商品。但是,在数以亿计的商品海洋里,用户如何快速找到需要的商品,商家如何将可能符合用户要求的商品推荐给用户,成为现在研究热门。本文介绍了一种基于商品关键词的个性化推荐方法,使用聚类和关联规则相结合的方法,得出一套推荐系统。经测试,推荐系统性能良好。     

改进的关联规则挖掘算法在Web个性化服务中的应用

文章重点研究了Web日志挖掘以及关联分析中的关联规则挖掘算法FP_Growth算法,提出了一种改进的关联规则挖掘算法,并将该算法应用于某高校图书馆个性化服务系统My Library的设计过程中,从服务器日志中得到用户感兴趣的隐式模式,并将该隐式兴趣集推荐给用户,从而在一定程度上实现了个性化服务。     

关联规则算法在Web个性化服务中的研究与应用

重点研究了Web日志挖掘,提出了一个Web个性化信息挖掘模型,设计了某高校图书馆个性化服务系统My Library。系统采用关联规则挖掘算法,从服务器日志中得到用户感兴趣的隐式模式,并将该隐式兴趣集推荐给用户,从而在一定程度上实现了个性化服务。     

基于加权关联规则的个性化推荐研究

关联规则是个性化推荐系统中最重要的技术手段之一.传统的基于关联规则的个性化推荐认为,每个项目都具有相同的重要性,在实际应用中缺乏一定的针对性.在New-Apriori算法的加权支持度基础上结合Fp-growth算法思想,提出了基于Fp-树的加权关联规则算法.在实验中采用网页被用户选择的频率作为权重值,在个性化推荐系统中对该算法进行了实现.实验结果表明该算法具有较高的准确性和效率.     

基于关联规则挖掘的个性化智能推荐服务

为了解决WWW上的“信息过载”和“资源迷向”问题,该文提出了基于关联规则挖掘的个性化智能推荐服务。个性化智能推荐服务系统包括两个主要部分:离线部分和在线部分,在离线方式下,执行对WEB服务器的访问log文件的分析挖掘,获取用户事务模式,再采用支持度过滤方法获取频繁的用户事务模式,然后,生成聚集树。在在线方式下,针对当前滑窗的用户访问操作路径,采用基于聚集树的关联规则挖掘,获取匹配当前滑窗的用户访问操作路径的关联规则集,生成推荐的候选集。实现在线个性化智能推荐服务。试验结果显示,该文提出的方法是有效的和可行的。     

基于概念格的用户关联挖掘

1引言 向用户提供个化的推荐,已经成为电子商务最为关注的问题之一.能够为人们做出推荐的系统称为推荐系统[1].随着数据挖掘的兴起,关联规则被应用于推荐系统,形成了一种新的推荐技术--基于规则的推荐技术.基于规则的推荐技术在评价表上挖掘项目间的关联规则(简称为项目关联)和用户间的关联规则(简称为用户关联)为当前用户进行推荐.     

基于K均值聚类算法的图书商品推荐仿真系统

研究推荐仿真系统是电子商务个性化服务中的重要技术,基于内容的推荐和协同过滤是推荐系统的重要方法.在实际应用中存在着特征提取困难、计算量大的难题.为了准确提取信息,增加可信度,提出了一种基于K均值聚类和关联规则的推荐方法.可以根据每个用户的购买记录采用改进的K均值算法进行客户细分,将具有相似购买倾向的用户划分为一类;对每个类的用户的购买记录进行关联规则挖掘,建立个性化知识库.依据个性化知识库和用户的购买记录,生成推荐结果.以某电子商务网站中的图书商品为例进行了仿真实验.仿真结果表明,方法具有较高的运算效率而且推荐结果具有合理性和准确性.     

一种基于遗传算法的保险方案智能推荐方法

保险方案的智能推荐是辅助保险产品推荐的重要组成部分,它利用计算机自动生成符合不同用户需求的最佳保险方案。本文利用遗传算法构造保险方案的智能推荐方法,该方法可依据保险方案的重要性指标对保险方案进行个性化推荐,在遗传算法中设计适应于保险方案的适应度函数,同时采用分组自然数的复合编码方式,提出带约束条件的染色体交叉变异策略;实验仿真结果表明,该方法在保险方案推荐中是有效可行的。     

基于Web挖掘的个性化算法及其在网络教学平台的应用

在Web挖掘的基础上设计针对Web服务的Web访问事务模型WTM和个性化推荐算法。算法以WTM为基础,旨在根据用户的访问模式向用户推荐个性化的Web资源。其利用关联规则得到的频繁项集实时地匹配用户的当前访问序列,对不同的用户提供不同的推荐资源。在此过程中不需产生所有的关联规则,提高了推荐的效率。最后,将该模型和算法应用于网络教学实践得出了个性化的网络教学环境。     

基于协同过滤的水果推荐系统设计与实现

随着大数据技术的飞速发展,从大量的信息中如何让用户发现和挖掘出有价值的信息,一直是人们研究的热点问题。推荐系统的发展起到了关键作用,主要是发现用户和商品之间的信息,一方面为用户找到有价值的信息,另一方面为用户推荐感兴趣的商品,从而实现了用户和信息生成者的共赢。基于协同过滤的水果推荐系统通过分析用户的历史行为了解用户的喜好,在为用户提供其感兴趣的信息的同时,也能够实现个性化的推荐。     

一个基于关联规则的个性化方法DPARM

针对当前个性化中关联规则挖掘的一些问题,尤其是无法及时更新使用数据这一缺点,提出了一种有效的基于关联规则挖掘的个性化方法DPARM,它将用户兴趣模型的更新和在线推荐紧密结合,及时使用新的用户会话更新用户兴趣模型,从而使个性化系统能够更好反映用户访问模式的变换。使用http://www.cs.depaul.edu上的数据进行了实验,结果表明,该方法是有效可行的。     

基于兴趣度的Web页面关联规则的研究

随着互联网上的信息迅速增长,如何快速准确地寻找到信息越来越受到人们的重视。文中给出了几种计算用户兴趣度的方法,并利用其中一种计算用户兴趣度的方法,论述了基于兴趣度的Web页面关联规则。论述了关联规则和一般的Apriori算法,并利用了"壹支持数下K—关联规则",对一般的Apriori进行了改进,主要是将兴趣度用于Apriori算法中。实验结果证明,该方法用于在网上寻找用户感兴趣的信息具有较好的准确率。     

用户访问模式聚类分析在网页推荐中的应用

在基于Web使用挖掘的推荐系统中，仅采用关联规则挖掘技术的Web推荐系统在预测用户未来浏览模式时很难取得令人满意的结果。该文将聚类分析方法结合关联规则推荐算法，应用于Web日志文件的挖掘，以改进个性化的推荐方法。实验表明，该算法能够显著地改进推荐测度的精确率指标和综合评价指标。     

基于兴趣度的Web页面关联规则的研究

随着互联网上的信息迅速增长,如何快速准确地寻找到信息越来越受到人们的重视.文中给出了几种计算用户兴趣度的方法,并利用其中一种计算用户兴趣度的方法,论述了基于兴趣度的Wed页面关联规则.论述了关联规则和一般的Apriori算法,并利用了"壹支持数下K-关联规则",对一般的apriori进行了改进,主要是将兴趣度用于Apriori算法中.实验结果证明,该方法用于在网上寻找用户感兴趣的信息具有较好的准确率.     

一种支持个性化Web推荐的聚类分析

提出基于关联的聚类分析方法,挖掘具有相似访问兴趣的用户访问模式,分离不相关的用户模式,并提出基于关联的聚类算法。实验证明,该算法大量减少不相关的用户访问模式,提高个性化推荐质量。为进一步研究个性化推荐技术奠定基础。     

模糊关联规则挖掘和推理系统

为了准确对用户的消费提供个性化建议,智能推荐系统应运而生.对智能推荐系统体系结构及实现方法进行了有益的探索,将模糊聚类、模糊关联规则挖掘与模糊推理相结合,设计并实现了一个原型智能推荐系统.该系统在经过实际数据运行后,经过模糊聚类、模糊关联规则挖掘和规则筛选,并经过模糊推理,系统可以给出一些符合实际背景的结论.     

基于混合型的Web实时推荐模型研究

针对以往个性化网站实时推荐系统存在很难预测用户未来浏览页面的不足,提出了一个混合型的实时推荐模型。该模型将动态模糊聚类技术和改进的关联规则相结合,既挖掘用户与页面的相似度权值形成知识库,又考虑用户的访问事务集增量构造访问模式树,通过修剪其相关分枝,快速生成候选推荐集,由推荐引擎附加在请求页面的底部,在不干扰用户的访问同时,又将用户感兴趣的内容推荐给用户。实验结果表明,该方法能有效地提高推荐的精确率和覆盖率以及综合评价指标。