面向个性化推荐的强关联规则挖掘

提出了适用于个性化推荐的强关联规则的概念,并给出一种基于矩阵的强关联规则挖掘算法.强关联规则集合能够以较少数量的规则表示全部有效关联信息,便于管理和应用.给出的强关联规则挖掘算法只需对交易数据库进行一次扫描,在挖掘过程中不断删除非频繁项使矩阵规模逐渐减小,并且避免了对冗余规则的挖掘, 从而提高了挖掘效率.通过对三组数据的实验表明:强关联规则集合包括的规则数量平均仅为规则总数的26.2{\%},有效解决了规则数量过多的问题.     

模糊C均值算法参数仿真研究

通过对制造单元构建领域的20组文献数据的仿真实验,研究了不同参数对FCM聚类性能的影响,得出了面向制造单元构建的FCM最佳参数组合。实验结果表明:(1)随着模糊度指数m的增加,成组效果降低,聚类时间减少;(2)随着停止参数ξ的减小,不可行方案数量增加,聚类时间增加;(3)FCM的最佳参数选取为模糊度指数等于2,停止参数等于0.01。