近邻的关联加权SlopeOne协同过滤算法

协同过滤是目前电子商务推荐系统中应用最为广泛的一类推荐算法。随着系统用户和项目数量的急剧增加,传统的协同过滤算法已经很难满足各类系统的需求。为提高算法处理大规模数据的能力,重点研究SlopeOne协同过滤推荐算法。将其与关联规则挖掘相结合,并选择近邻用户数据对目标用户的未知评分项进行评分预测,在movielens数据集上的测试结果表明,改进后的算法能够较为显著的提高推荐质量,适用于处理大规模数据。     

基于贝叶斯网络的个性化关联推荐模型研究

针对关联规则挖掘不能有效进行个性化推荐问题,研究了关联规则挖掘与贝叶斯网络相融合的个性化关联推荐模型,采用历史记录剪枝与贝叶斯网络校验相结合的办法,对关联规则挖掘算法进行改进。在关联规则挖掘过程中,结合用户历史记录,对关联规则中的频繁项集进行筛选,低于给定阈值项集被剪枝,并把剪枝后的项集输入贝叶斯校验网络进行个性化校验,对校验结果排序后按排名先后进行推荐,实现把读者真正喜欢的图书优先推荐给读者,该推荐模型在一定程度上解决了现有推荐系统中个性化较弱的问题。实验表明,贝叶斯网络可以提高关联推荐的个性化程度。     

关联规则评分预测的协同过滤推荐算法

协同过滤算法是目前应用于电子商务个性化推荐系统中的一种最成功的推荐算法。为缓解因数据稀疏性问题导致的算法推荐质量下降,将关联规则分析引入协同过滤算法中,预测部分未评分项目的评分值,再运用传统的基于用户的协同过滤算法实施推荐。实验结果表明:与传统的协同过滤算法相比,采用关联规则预测评分可以一定程度提高算法推荐质量。     

基于用户兴趣和项目周期的协同过滤推荐算法

协同过滤推荐算法以没有限定推荐对象类型、无需用户反馈信息等优势在众多个性化推荐算法中脱颖而出。但是现有算法缺乏对用户之间的差异和用户自身的兴趣考虑,对用户和项目之间的潜在关联考虑不充分,这些问题均会影响推荐精度。该文提出一种基于用户兴趣和项目周期的协同过滤推荐算法,该算法在计算相似度时引入用户兴趣权重UI、项目时间等因素,并采用融合因子将改进后所得用户和项目信息进行综合,获得推荐列表。对比实验得出:该算法在推荐精确度上提高了11.034%,研究结果表明:该算法可有效提高推荐精确度。     

一种解决稀疏数据和冷启动问题的组合推荐方法

针对传统推荐算法所面临的冷启动与稀疏数据问题以及现有ARM(association rule mining)算法大多用于购物篮顾客行为分析,并不适用于特定用户推荐业务且效率较低等现象,提出一种基于相似度的关联推荐模式,实现一种新的结合关联规则推荐与协同过滤推荐方法.采用基于指定后件项的关联规则推荐,直接对目标用户和目标项目进行关联规则挖掘,并利用兴趣因子对活跃用户(或项目)与非活跃用户(或项目)进行权值均衡,以加权方法推荐最优解(规则).同时,采用相似度测量方法,过滤低相似度的项目,为用户推荐既有高评分又具有较高相似度的项目集合.最后,结合规则推荐与CF(collaborative filter)推荐形成最终推荐结果,实现基于用户(或项目)的协同过滤推荐.在MovieLens数据集上的实验结果表明,同已有成果相比本文方法能够更好地处理稀疏数据和冷启动问题,推荐质量明显提高.     

基于贝叶斯网络的个性化关联推荐模型研究

针对关联规则挖掘不能有效进行个性化推荐问题,研究了关联规则挖掘与贝叶斯网络相融合的个性化关联推荐模型,采用历史记录剪枝与贝叶斯网络校验相结合的办法,对关联规则挖掘算法进行改进。在关联规则挖掘过程中,结合用户历史记录,对关联规则中的频繁项集进行筛选,低于给定阈值项集被剪枝,并把剪枝后的项集输入贝叶斯校验网络进行个性化校验,对校验结果排序后按排名先后进行推荐,实现把读者真正喜欢的图书优先推荐给读者,该推荐模型在一定程度上解决了现有推荐系统中个性化较弱的问题。实验表明,贝叶斯网络可以提高关联推荐的个性化程度。
     

基于两阶段计数的用户关联挖掘

基于规则的推荐技术在数据集上挖掘项目关联和用户关联为当前用户做推荐．用户关联挖掘是使用用户关联进行推荐的关键．首先证明在整个数据集上挖掘到的关于当前用户的用户关联集是只在包含当前用户评价的数据集上挖掘到的关于当前用户的用户关联集的子集,提出基于两阶段计数的用户关联挖掘框架,然后应用概念格技术实现了基于两阶段计数的用户关联挖掘算法,并通过实验表明该算法具有更好的性能．     

关联规则挖掘算法及其在冷轧生产中的应用

针对Apriori算法在实际应用中无法发现关联规则变化趋势的问题,该文根据增量挖掘算法的优点对Apriori算法进行了改进。改进的Apriori算法能够在原算法的基础上,通过关联规则统计量的变化确定强规则与候选规则之间的转换,从而进一步发现关联规则的变化趋势,提高了依靠Apriori算法得到的关联规则对决策分析支持的可靠性。将改进算法应用于冷轧生产过程预测中,试验结果表明,改进算法相对于传统的Apriori算法对产量预测的精度提高了30%。     

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.     

用户聚类和多最小支持度关联规则的推荐系统

在几种流行的推荐算法的基础上,本文提出了一种新的融合用户聚类和关联规则的算法来改善推荐效果。该算法在经典的关联规则算法Apriori基础上引入多最小支持度的概念,并在关联规则算法之前进行用户聚类,在聚类算法中使用了包含字符属性的混合属性距离函数,提高聚类效果。在此算法的基础上,设计并实现了一种新的基于图书馆的推荐系统。实验证明该算法改善了数字图书馆中新书的推荐质量,去除了部分只含高浏览量图书的无意义规则,并趋向于发现相近种类图书的关联性。     

基于Apriori算法的兴趣集加权关联规则挖掘

关联规则挖掘可以发现大量数据中项集之间有趣的关联或相关联系,并已在许多领域得到了广泛的应用.目前业界已经提出了许多发现关联规则的算法,这些算法都认为每个数据对规则的重要性相同.但在实际应用中,用户会比较倾向于自己最感兴趣或认为最重要的那部分项目,因此本文提出一种基于兴趣集和权的算法,由用户提出他们感兴趣的项目并在数据库中找出与之相关的项目,通过给每个项目赋以不同权值来标识项目不同的重要性,从而可以挖掘出Apriori算法挖不出但却极具价值的规则.     

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。     

基于云平台的健康体检智能推荐系统的研究

针对单位员工体检数据利用率低、未进行深层次关联使用的问题,构建基于云平台的健康体检智能推荐系统。可以对体检数据进行深层次的挖掘,以发现疾病之间的关联规则,并根据挖掘结果为不同的职工智能推荐体检项目。服务端部署在云平台上,具有自动扩展收缩、负载匀衡、安全性高、扩展服务方便等优势,并支持移动端应用,使用户摆脱传统PC端的时空局限。     

基于上下文学习和张量分解的个性化推荐

针对目前推荐系统存在的用户评分稀疏性现象,该文提出了一种基于上下文学习和张量分解的个性化推荐算法,算法通过利用用户之间共同评价的项目的上下文信息与评价过项目的用户上下文信息分别构建两个三阶张量,并应用高阶奇异值分解充分挖掘上述两个三阶张量实体之间潜在的关联关系,并将张量分解后的两个三维张量进行组合进而得到最终的推荐列表,以响应用户个性化请求.实验结果表明,该算法可以有效地对上下文信息进行建模,可以显著提高在数据稀疏情况下的推荐质量.     

有效时间概率关联规则在商品推荐系统中的应用

在关联规则挖掘中,大量的数据是多维的,且带时间性,根据实际的应用,对传统的算法进行了改进,提出了在商品推荐系统中构建的模型,并与类似算法进行了比较.采用了本文提出的算法后,能够挖掘出小概率项目中蕴涵的关联规则,并考虑到时间的因素,去除了多余的杂质数据,而Apriori算法则无法做到这点.     

基于协作反馈的蚁群算法的自适应网站研究

提出了一种基于蚁群算法的关联网页推荐方式,针对蚁群算法中固有的缺陷以及它在自适应网站应用中所出现的问题进行相应的模型改进.引入了选择权值自适应,反馈机制和多智能体协作的思想,解决了收敛速度和停滞现象的矛盾平衡问题,实现了动态调整系统推荐和不同访问用户之间的交互,并根据用户日志进行了访问倾向性推荐.     

基于数据挖掘的智能答疑系统

根据当今答疑系统的缺点,提出了一套基于数据挖掘算法的答疑设计方案,将改进的关联规则算法应用于文本聚类中,可以将数据库中问题更加准确地分类,因此可以将用户提出的问题快速定位,提高答疑速率.将聚类后的问题库应用关联规则,可以得到更加准确的关联表,用于提取论坛数据库中的最优答案,进而形成一个快速且准确的自动答疑系统.实验结果表明该方案具有智能性、自我更新性能、节约存储空间和提高答疑效率等优点.     

应用个性化推荐的Web日志关联规则挖掘算法研究

对传统的关联规则挖掘算法FP-Growth方法进行改进,提出FP-Mine算法,并应用该算法对Web日志进行挖掘,探寻用户访问站点页面之间的关联规则,来帮助管理员改善站点的设计和企业改进市场商务决策.实验结果证明FP-Mine算法在生成频繁项集及关联规则的过程中,只需存储i-size和(i+1)-size频繁项集的节点的Freq-Set-Tree,且立即在其之上生成规则,所以缩短规则生成的时间,提高规则生成效率,同时释放i-size项集的节点,有效地节省内存空间.