基于Web信息挖掘的关联推荐算法研究与实现

使用Web数据挖掘技术对用户需求进行分析,其中实现Web信息个性化使用的是关联规则,这一规则能够为用户提供个性化服务,目前已成为Web应用技术的研究热点。该文分析了应用于个性化推荐的Web页面关联规则的特点,对Web数据挖掘技术常用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Web的网上推荐图书系统——以北京化工大学图书馆网上推荐图书系统为例

探讨了研究开发一种比较完善的基于Web的网上推荐图书系统的必要性和可行性,介绍了北京化工大学图书馆开发的基于Web的网上推荐图书系统,利用此系统可以很好地实现读者推荐新书的个性化服务。     

加权关联规则研究及其在个性化推荐系统中的应用

传统的关联规则挖掘没有考虑各项目的重要程度,因此实际过程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,并给出了关联规则的个性化推荐的一般过程.利用Web日志文件采用网页被用户选择的频率作为权重值,实现了个性化推荐系统的算法.实验结果表明该算法具有较高的准确性和效率.     

基于Agent的Web数据挖掘模型设计

本文针对传统Web数据挖掘方法的不足,提出了一种基于Agent的Web数据挖掘模型,该模型适用于Web信息挖掘的各种应用。在信息的个性化推荐,电子商务的个性化服务,网站结构的改进等方面有良好的应用前景。     

基于Web日志挖掘的网页推荐方法

针对传统单纯聚类算法实现网页推荐精确度欠缺的问题, 提出一种基于Web日志挖掘的个性化网页推荐模型, 并实现了相应的网页推荐算法, 算法结合聚类分析和关联规则挖掘, 能有效实现网页推荐. 实验结果表明, 在保障网页页面推荐覆盖率的条件下, 该方法有较高的精确度、 有效性和实用性.     

网络教学中学生个性化信息服务研究

个性化的网络教学系统是一个智能化的系统,通过对学生学习的情况、需求、能力、进度、兴趣等进行分析,为每位学习个体提供个性化的学习方案。Web挖掘为其实现个性化的服务提供了有效地工具。本文介绍了Web数据挖掘技术及其在网络教学中的应用,提出了基于Web日志挖掘的模型,并对该系统的主要实现模块进行了分析。     

基于关联规则优化的个性化推荐系统

针对当前个性化推荐系统处理数据效率较低的问题,提出了一种混合聚类关联规则优化的个性化推荐系统实现方法.深入分析了基于Web网络服务平台的电子商务个性化推荐系统的结构组成,将数据分析与推荐算法实现分为离线和在线处理两部分,阐述了算法初始化、关联实现以及推荐数据集合生成和兴趣模型预测的具体原理,并给出了算法的实现步骤.最后,基于提出的系统构建模型,建立了一种基于混合聚类关联优化的图书网络推荐平台.实验结果表明,该方法具有较高的推荐精度和推荐效率,更适合大数据环境的推荐系统.     

搜索引擎-浏览器插件-推荐引擎模式研究

借助浏览器插件技术可以弥补主流搜索引擎无法有效利用用户搜索经验的不足,可更好地实现个性化Web搜索。为此提出一种新的个性化Web搜索模式,即搜索引擎-浏览器插件-推荐引擎模式,给出一种基于案例推理的个性化Web搜索推荐系统体系结构,探讨了搜索经验的获取、表示与组织等,介绍了案例模型的基本结构。此外,介绍了基于上述模式开发的ExpertRec原型系统。     

基于网页关键词的个性化Web推荐算法

个性化Web推荐系统是利用用户的浏览行为定制符合用户结构和内容的过程。在综合应用协作过滤和内容过滤方法的基础上,通过对网站网页关键词的评估,提出了一种新的个性化Web推荐算法,研究了基于网页关键词的个性化模型,网站页面中关键词的权重计算,基于协作过滤的新用户推荐,基于内容过滤的再次推荐方法,以及基于用户群的用户兴趣调整方法。实验证明,本算法能够以较高的效率对用户进行网页推荐。     

个性化网络学习推荐系统设计

本文针对个性化网络学习的特点,设计了基于WEB挖掘的个性化网络学习推荐系统,本系统包括离线部分和在线部分。离线部分主要采用数据挖掘技术实现,在线部分用于在线推荐资源。同时本文还给出了个性化推荐系统的推荐流程。     

基于数据挖掘技术的网页个性化推荐系统分析

介绍了＂网络迷航＂现象及WEB数据挖掘技术,讨论了网站用户浏览行为及获得用户浏览行为模式的方法,构建了模拟网页个性化推荐系统,使网站的页面设计更具个性化,节省搜索网页的时间.     

基于web数据挖掘的协同过滤推荐算法

随着电子商务的发展状大,缺乏个性化服务成为制约电子商务发展的关键问题。基于web数据挖掘的电子商务推荐系统可以满足电子商务未来发展趋势的需要。本文以一组数据为实例阐述了基于web数据挖掘的协同过滤推荐算法是如何进行数据表示、近邻查询以及推荐产生这三个阶段的有效实施的。     

基于WEB使用挖掘的个性化推荐系统的研究

通过网络学习的web日志的使用挖掘,获取学习兴趣,建立兴趣模型.采用相似性度量方法对具有相似兴趣的学生用户进行聚类,实现了学习内容的个性化推荐系统.实验结果表明,基于用户兴趣模型的个性化推荐系统具有较高的准确率、新颖率和非预期率.     

个性化借阅服务的关联规则挖掘

个性化借阅数据挖掘和推荐为提高图书馆服务的有效性和智能性提供了可能,将关联规则技术应用到个性化借阅服务中,通过对以往借阅信息的挖掘以产生借阅书目的关联规则来实现个性化信息推荐服务。同时,图书类别关联规则的发现,对于图书购买、图书排架和图书推荐都具有深刻意义。     

基于数据挖掘的网页个性化推荐系统设计与实现

介绍了网页个性化推荐系统的实验过程,讨论了网页个性化推荐系统的实验条件,分析了实验数据,得到了个性化的分析结果,综合性分析和评价了网页个性化推荐模拟系统.     

基于关联规则的Web使用挖掘系统

通过分析Web日志记录来发现用户访问行为等,进而识别电子商务中的潜在客户,提高网络信息服务的质量,优化站点结构以及得到对于个性化系统有用的信息.提出一个Web使用挖掘系统的设计方案,包括系统的体系结构、功能结构及每个功能点的详细设计.为Web使用系统开发人员提供有价值的参考信息.     

数据挖掘技术在个性化网络教学系统中的研究与实现

基于数据挖掘技术设计并实现了个性化网络教学系统。该系统添加了数据挖掘模块,模块中采用Clope算法对HTML文档进行聚类分析,找出具有相似特性的学生群体,从而帮助教师进行有针对性的教学;同时,采用Apriori算法,根据学生的访问序列,挖掘出频繁项目集和关联规则模式,从而借助于网络向学生提供个性化教学服务。研究表明:使用数据挖掘技术能在一定程度上提高网络教学系统的个性化推荐服务水平。     

基于Web内容挖掘的个性化学习系统

基于Web的个性化学习是在远程学习和个性化服务相结合的基础之上发展起来的.利用Web挖掘的方法,针对用户的兴趣变化,搭建了个性化学习系统.并且通过模拟实验,验证该系统的有效性.     

基于WEB挖掘的远程学习者特征分析

远程学习者分析在现代远程教育活动中具有重要的地位,它是教学设计活动的前提,教学成功的关键。主要介绍了WEB挖掘在远程学习者特征分析中的作用,指出了WEB挖掘的基本过程和关键技术,论述了应用WEB挖掘进行远程学习者特征分析的体系结构及其具体方法,为实现个性化网络教育提供有效支持。     

基于Web2．0用户个性化推荐系统分析

为实现用户个性化服务,理解用户兴趣爱好．通过建立用户兴趣模型和推荐库．采用用户兴趣行为描述、重排序算法以及用户反馈算法,分析基于Web2．0用户个性化推荐系统．以提高推荐结果的准确性。