基于关联规则的网站个性化服务

从大量顾客在线购买历史记录中挖掘出有用的关联规则,是一种及时有效的向顾客推出个性化服务的重要技术．对网上书店的顾客在线购买行为进行挖掘分析,采用Apriori算法找到其中的关联规则,采用支持度过滤方法获取频繁的顾客购买行为模式,提出根据用户的兴趣度和规则的置信度产生相应的推荐候选集,实现网上书店的个性化推荐服务。     

关联规则挖掘算法研究

详细研究了关联规则数据挖掘,分析了存在的问题和不足,提出了一种频繁项集增量算法,用于对Apriori算法进行改进.实验表明,改进算法在运行效率上要比Apriori算法快一个数量级.     

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。     

基于简单双矩阵的关联规则算法研究

针对关联规则挖掘中传统Apriori算法需要通过多次扫描数据库来发现频繁项集的问题,提出一种基于简单双矩阵的方法来实现频繁项集的发现．该方法仅需要扫描数据库一次,并充分利用项集的出现次数和是否出现逻辑值来获取频繁项集．实验表明,该方法比Apriori算法更高效．     

基于注意力机制的高效关联规则算法

目的 针对事务间相似度高且频繁出现的数据集,在频繁项集挖掘过程中产生的大量冗余,分析部分已有关联规则算法在挖掘频繁项集方面的不足,提出一种使用注意力机制进行剪枝的关联规则挖掘算法。 方法 该算法结合垂直数据格式和注意力机制的优点,依次求出频繁 k 项集中的注意力权重,利用注意力权重过滤掉交集计算中的冗余,生成精简频繁项集,最后将精简频繁项集和注意力权重进行合并,得到频繁项集。 结果 实验结果表明:在Data 数据集上该算法比 Eclat、 Apriori、 FP-Growth 的时间最大提升 94. 6%、73%、95. 5%,比 FP -Growth 最多节省空间 61. 991MB;在 Accident 数据集上,该算法比 Eclat、 Apriori、 FP-Growth 的时间最大提升 93. 4%、69%、85. 7%,比 FP-Growth 最多节省空间 58. 786 MB。 结论 通过引入注意力机制增强了算法的泛化能力和稳定性,减少了挖掘频繁项集产生的冗余,提高了算法速度,降低了挖掘过程中内存的开销,尤其是在 AFI 指数较大、支持度较低的数据集上,该算法在时间和空间开销上更具备优势。     

基于关联规则的频繁路径挖掘算法

传统的关联规则Apriori算法中,只要两个k-1维的频繁项集有k-2个元素相同就可以生成维数为k的候选集,但在利用Web访问信息挖掘用户浏览模式发现频繁路径时,效率比较低下,本文利用Apriori算法的思想,对其进行了改进,进行频繁路径挖掘。     

关联规则挖掘研究综述

介绍了关联规则挖掘的一般概念,并对一些典型算法进行了介绍,展望了关联规则挖掘的未来研究方向.     

基于关联规则挖掘的商品品类管理

基于关联规则挖掘技术,结合销售数据特征,提出了一个基于SQL的多层关联规则挖掘算法,允许用户自定义概念层次.实验结果表明,该算法可行且有效,有良好的用户交互性,能够支持品类管理中高效陈列和促销的应用.     

关联规则数据挖掘算法浅析

简要介绍了关联规则的概念及其基本思想,重点分析和讨论了两个挖掘关联规则的经典算法,即Apriori算法和分段算法。     

基于数组的关联规则挖掘算法

提出了基于数组的关联规则挖掘算法,该算法只扫描一次数据库,将数据库中的数据存于数组中,提高了内存的利用效率,同时也提高了算法效率.     

A personalized recommendation model based on evolving association rule mining

关联分析是一种非常有效的数据挖掘方法,它能帮助人们发现隐藏在大型数据集中的令人感兴趣的联系,在电子商务等应用领域取得了广泛的应用.但实际运用中,它仍存在着关联规则挖掘困难以及得到的静态结果不易及时反映情况变化等问题.为此,人们提出演化关联规则的概念,本文设计了一个基于演化规则集的推荐模型.实际测试表明:它可挖掘出有用的关联规则并及时反映情况的变化,为客户提供更到位的个性化推荐服务,具有简单和计算效率高等特点.     

基于关联规则的社交网络好友推荐算法简

提出了一种基于关联规则的社交网络好友推荐算法,在进行好友推荐时,考虑现实社交活动中“志趣相投”的好友常常会关注相同的人和事,网络社交中的好友也常常会关注相同的“人”和“事”,将“关注”看成一条交易记录,把关注的用户看成交易项,所有交易项的集合看成交易数据库,生成二阶候选项集,并按支持数降序排序,推荐前犖个用户作为好友。以新浪微博993950条用户关注数据及552600条微博关注数据作为实验的对象,实验结果表明,算法具有良好的性能,可实现较高的召回率与准确率。     

基于关联规则相关性分析的Web个性化推荐研究

通过分析关联规则在Web个性化推荐中存在的问题,对Web个性化推荐的关联规则相关性分析算法进行改进,并进行了详细的论证和仿真实验。实验结果表明改进的算法能实现更低支持度的推荐,能提高推荐的准确率和速度。     

基于页面聚类的个性化推荐算法研究

聚类分析算法作为一种主要的Web使用挖掘技术，在个性化推荐系统中得到了广泛应用，然而面对Web动态性所引起的网页的更新以及用户行为方式的改变，已有的聚类算法并不能很好地解决这一问题。针对这一问题，本文以一种无向图的形式表示用户对网站的访问，提出一种可实时反映网站及用户行为变化情况的增量式页面聚类算法，并在页面聚类的基础上提出相应的推荐决策算法动态生成页面推荐。     

基于用户兴趣的个性化推荐技术综述

网络时代下,个性化推荐系统是解决"信息爆炸"现象的重要技术.介绍了个性化推荐系统的研究现状并分别对个性化推荐系统的几项关键技术进行了阐述及推荐评价.最后提出了推荐系统未来的发展趋势.     

基于社交网络的个性化旅游景点推荐方法

个性化旅游景点推荐是推荐系统的一个重要应用,已被广泛的关注.现有的景点推荐方法聚集在给用户的偏好建模,大都忽略了用户与用户之间的关系以及用户与景点之间的关系.本文提出一种基于社交网络的个性化景点推荐方法,该方法首先使用k-means和DBSCAN算法分别对用户和景点进行聚类;然后将聚类后的用户与景点进行融合,构建个性化旅游景点推荐模型.为了验证本文提出方法的性能,进行了广泛的实验,实验结果显示本文提出的方法在召回率、准确率和平均绝对误差值都明显高于传统推荐方法.     

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。     

基于万有引力的个性化推荐算法

本文把物理学中的万有引力定律引入推荐系统,提出一种个性化推荐算法,即基于万有引力的个性化推荐算法。算法把用户使用的标签看作用户喜欢物体的组成颗粒,标注项目的标签被看作项目物体的组成颗粒,社会标签的类型就是颗粒的类型,由此构建了用户喜好物体模型和项目物体模型。喜好物体和项目物体间存在着万有引力,并且引力大小遵循万有引力定律。计算喜好物体和项目物体间的万有引力,并把该引力大小作为二者的相似度度量,引力越大,二者的相似度就越高,对应的项目物体就越有可能被用户喜欢。实验结果证明本文提出的算法可以获得好的推荐性能。     

基于产品属性及用户偏好的个性化产品推荐方法

个性化推荐系统中应用得最广泛的是协同过滤算法,而相似度的计算是协同过滤算法的核心。针对传统相似性度量方法中将用户对单个产品与单类产品的喜好未加以区分的不足,提出了一种基于用户兴趣与喜好的相似性计算方法。该方法根据用户兴趣与喜好,将对某个产品与某类产品的喜好程度区分开来,再通过加权的方式形成最终计算同类产品不同用户间的相似性。最后,采用Movie Lens数据集进行算法测试,测试实验结果表明,该计算方法的计算质量有明显提高。     

一种基于关联规则的缺省规则挖掘算法

传统的基于Rough集的缺省规则挖掘算法须计算差别矩阵并生成大量的条件属性类,挖掘效率低．为此,本文引入相容关联规则和决策关联规则的概念,提出基于关联规则的缺省规则挖掘算法——DRMBAR,该算法借助FP-tree存储结构挖掘出决策关联规则,并用相容关联规则性质对决策关联规则进行有效修剪后生成相应的缺省规则,DRMBAR可有效地过滤噪声、提高缺省规则挖掘效率,且克服了传统算法依赖于主存的限制,为缺省规则的挖掘提供了一种新的框架。实验结果表明该算法是有效且可行的。