基于关联规则的电子商务推荐系统研究

电子商务网站可以使用推荐系统分析客户的消费偏好,向每个客户具有针对性地推荐商品．推荐系统在帮助了客户的同时也提高了顾客对商务活动的满意度．本文首先对基于关联规则的推荐系统的相关知识进行了讨论,提出基于项目支持度的关联规则推荐算法,并通过实验验证该算法的可行性．在此基础上对基于关联规则推荐系统的结构进行了研究．     

智能算法推荐的版权侵权风险及其防范

【目的】针对智能算法推荐产生的版权侵权风险，探究其背后成因，在此基础上按照平衡原则、平等原则和效能原则为防范这一风险提供科学的对策建议。【方法】探究平台使用算法编辑向用户推荐高适配性内容带来的算法技术不确定、认知不确定的侵权风险与规则的制度掣肘，剖析其在传播过程中的作用与地位，分析侵权风险的原因。【结果】算法推荐平台具有反“技术中立”立场与可责难性，其具有对算法推荐机制规制的前提和基础。【结论】我国需要在法律层面与社会层面形成合力，着力提升算法推荐平台的协同治理能力，以防范其使用算法推荐带来的版权侵权风险，促进相关制度规则在多元主体利益的动态平衡中与时俱进。     

关联规则算法的研究及应用

本文重点研究了关联规则经典算法Apriori算法的基本思想,并通过实例说明发现频繁项集的方法,提出了Apriori算法的不足,并结合spss clementine软件将关联挖掘应用于某超市的销售数据,从大类及二级类商品之间两个方面进行挖掘,针对挖掘结果进行了分析,同时提出建议,为超市提供辅助决策信息.     

关联规则挖掘Apriori算法研究

随着收集和存储在数据库中的数据规模越来越大,人们对从这些数据中挖掘出相应的联知识愈来愈感兴趣,关联规则一个典型的应用实例就是市场购物分析．本文介绍了关联分析的概念Apriori算法及其改进技术,对Apfiori算法地优缺点进行了评价．     

经典关联规则挖掘算法

数据的挖掘是一门综合的学科,涵盖计算机数据库以及高等数学等诸多学科,对于如何更好地利用分析数据库,学者一直在探索。本文从关联规则基本理论入手,进一步对关联规则挖掘的经典算法Apriori算法和FP-growth(频繁模式增长)算法进行了详尽描述,并提出了两个算法不同的针对点,有助于使用者在应用时根据环境做出适当选择。     

基于CF面向对象的电子商务推荐系统

在关联规则、协同过滤的基础上提出了面向对象的推荐系统.根据客户特点进行分类,采取不同模式挖掘算法,提出面向对象的协同过滤算法,为客户提供个性化的服务,从而提高电子商务推荐系统的推荐质量.通过设计实验,对算法质量进行度量和分析.     

基于机器学习预测的隧道监测缺失数据插补研究

【目的】通过修复隧道监测数据的缺失值，为后续对隧道健康状态的分析提供更接近于现实的完整数据。【方法】本研究提出基于回归和分类思想的机器学习插补法，通过建立特征与缺失数据之间的关联规则，根据缺失个数和置换特征的重要度来设计插补顺序，并对缺失数据进行迭代插补。【结果】根据不同的缺失率、缺失类型和特征重要度对UCI数据和实际隧道监测数据进行实例分析，对比统计方法和机器学习方法的特点。【结论】机器学习方法适用于离散缺失和后段连续缺失的数据，传统的统计方法适用于监测数据前段、中段和前中后段连续缺失的情况，RF集成模型能达到最优的插补性能。根据缺失个数或将其与置换特征重要度加权求和得到插补顺序时，机器学习方法的插补性能更好。     

一种基于本体的关联规则挖掘方法

针对当前关联规则挖掘存在的不足,在充分利用本体特点的基础上,对关联规则挖掘方法进行了改进。提出了一种面向领域的噪音清除算法,结合Apriori算法优点,又提出了一种改进的关联规则挖掘算法,采用领域本体技术来优化规则,从而去除冗余规则。通过实验验证所提方法的有效性。     

关于数据关联规则挖掘理论与数据算法的研究

在数据挖掘研究领域中,数据的关联规则占有重要研究地位和突出现实作用。本文论述了关联规则产生的背景,描述了关联规则的相关概念,并对Apriori挖掘算法进行了详细分析。     

一种结合关联与FOIL算法的分类方法

针对如何减少关联分类方法中冗余规则,增加FOIL算法的规则数,以提高分类准确率,提出了一种结合关联与FOIL算法的分类方法,并称之为ACFA．首先,以类支持度和自信度为度量提取长度为1和2的规则,其次,利用Apriori算法挖掘出频繁2-项集F2,然后在频繁2-项集F2申挑选满足条件的频繁项建立候选集,最后在候选集上运用FOIL算法来产生分类规则．实验表明算法ACFA不但有效减少了关联分类方法中冗余的规则,并大大增加了FOIL算法的规则数,提高了分类的准确率．     

基于感知器的图卷积推荐系统

互联网信息陡增，导致信息过载，为客户更加精准地推荐商品变得越来越困难．与传统推荐算法相比，基于图神经网络的推荐算法可以更好地提取客户与商品之间的关联关系．但是，在此类算法中潜在特征的乘法内积的简单线性组合无法准确捕获客户交互数据的复杂结构．针对这类问题，提出了基于感知器的图卷积推荐算法，即在利用图神经网络提取关联关系时，使用感知器分别对客户和商品的特征进行提取．使用召回率和归一化折损累计增益作为评价指标，在3组公共数据集中进行了对比实验．实验结果表明，该方法比已有相关算法的效果有所提升.     

用Visual Foxpro实现Apriori算法的研究

采掘关联规则是数据采掘领域的一个重要问题,探讨了Apriori算法,基于该算法,提出了1种用Visual Foxpro求频繁项目集的方法,并编写了求频繁项目集的程序。     

数据挖掘在教务管理中的应用研究

为了全面了解学生在校的学习情况,更客观地了解学校教学对学生学习状况的影响,本文对学生的成绩进行分析,采用了关联规则的Apriori算法挖掘出了学生的前期课程和后续课程之间的关系、理论课程和实验课程的关系、教师对学生学习情况的影响以及高中知识学习情况对大学学习情况的影响。     

一种基于事件的海洋关联规则挖掘方法

在Apriori算法的递归链接-剪枝概念上,设计了面向海洋异常事件的关联规则挖掘算法.首先给出事件的相关概念与定义、事件的规则表达及评价指标.根据事件的定义和支持度阈值,生成事件频繁1-项集,并设计面向事件的链接-剪枝算法,实现频繁k-项集到(k+1)-项集的产生.根据事件强关联规则评价指标,提取海洋事件强关联规则.通过太平洋海洋异常事件的关联规则挖掘和典型异常事件间的关联规则分析,验证了该方法的正确性和可行性.     

基于Adaboost回归算法的安徽省物流需求短期预测研究

【目的】物流需求预测有助于调整物流资源的分配,对促进物流业发展具有重要意义。【方法】选取安徽省1995—2022年与物流需求相关的指标数据为原始样本数据,用货运量来表征物流需求。通过XGBoost特征选择算法筛选出6个用于预测的指标。在此基础上,使用3种方法分别构建模型,并对这些模型进行对比分析。最终,选择精度最高的Adaboost回归算法来预测安徽省短期物流需求。【结果】2023—2026年,安徽省的物流需求预测值分别为402 942.428万t、369 877.222万t、380 884.375万t、382 319.5万t。【结论】未来四年,安徽省物流的货运量呈不稳定发展态势。根据安徽省的区位优势及疫情的全面开放,安徽省物流业表现出较大的发展潜力。     

意见挖掘结合图分类器的图书个性化推荐系统

针对目标用户所感兴趣的图书具体特征,开发了一种基于意见挖掘技术结合图分类器的图书推荐系统.首先,基于图的分类器技术对图书条目进行分类;然后,挖掘出图书条目的评价信息,并根据评价内容判定评价的正反面;最后,结合两组技术实现图书的个性化推荐.通过实际案例的数据进行计算,以精确率和召回率评价依据进行综合评价,结果证明了提出的推荐系统的可行性和实用性.     

激光雷达在地下矿井障碍物检测中的应用

【目的】地下矿井是自动驾驶技术实现落地应用的一个重要场景，障碍物检测是自动驾驶感知算法的重要组成部分，现有的检测算法多存在准确性不高、实时性不够等问题。【方法】针对检测算法中存在的问题，本研究提出一种适用于地下矿井障碍物检测的算法，使用该算法对激光雷达点云进行处理。首先，对地下矿井中的路面存在坡度的场景，提出多平面拟合的地面分割方法，准确地提取高程障碍物点云。其次，优化密度聚类算法，采用自适应阈值的组合参数，实现对障碍物的检测。【结果】本研究基于公开数据集和地下矿井实际采集数据集进行验证。【结论】本研究提出的算法具有良好的障碍物检测效果。     

图像去运动模糊仿真研究

【目的】在多媒体时代，人们对拍照的要求越来越高。图像去模糊一直是一个具有挑战性的问题，有着很高的研究价值。【方法】阐述模糊图像中的运动模糊，使用约束最小二乘法和Richardson-Lucy算法来去除运动模糊，采用峰值信噪比和平均结构相似度两类指标对去模糊图像质量进行分析。【结果】仿真结果表明：采用约束最小二乘法去除运动模糊的数据评价值均大于Richardson-Lucy算法，约束最小二乘法在复原运动模糊方面表现得更加稳定。但在模糊长度和模糊角度增大后，各类算法的性能均会受到不同程度的影响。【结论】去模糊算法有待继续研究，以提高去模糊后的图像质量。     

基于Relief-PGS优化算法的数据分类

【目的】在选取图像特征对图像进行分类时,选取的特征属性是否冗余会影响到图像分类的正确率。为提高分类的准确率,使用Relief-PGS优化算法对特征子集和支持向量机参数同步进行优化。【方法】首先使用Relief算法对特征数据集进行筛选,其次将筛选出的特征子集数目和支持向量机参数一起编码到粒子群-遗传算法中进行同步优化,最后对处理后的数据集进行分类,能有效提高分类的准确率。【结果】选取UCI数据库中的5种数据集进行分类,与传统的SVM算法、PGS算法和Relief-SVM算法相比,Relief-PGS优化算法对图像分类的准确率分别提高了22.53%、6.05%和11.16%。【结论】研究结果表明,Relief-PGS算法在去掉不重要特征的同时,对支持向量机参数进行优化,能有效提高分类的准确率。     

KNN-GWD推荐模型及其应用

为解决传统推荐存在精准性差的问题，构建了一个融合K-最近邻算法（K-nearest neighbor，KNN）、图神经网络（graph neural network，GNN）和深度宽度（Wide&Deep）网络的推荐模型。融入KNN分类方法对数据进行噪声过滤，以提高数据质量；利用GNN提取用户会话图的节点嵌入表示，基于注意力机制加权用户全局特征以捕获用户短期兴趣；调用Wide&Deep以解决稀疏数据时的模型过度泛化问题。为了验证模型的有效性，分别在MovieLens-1M、Bing-News、Book-Crossing数据集与6种传统推荐方法进行对比实验，结果表明所提模型的各项评价指标更佳。为了进一步验证该模型在实际应用领域中的可行性，面向农业领域搭建了农业一体管理App化肥推荐系统，得到推荐结果的准确率为0.721，曲线下面积为0.784，满足了预期的应用需求。