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．     

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。     

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.     

基于关联规则的购物篮分析

关联规则研究有助于发现数据库中不同商品之间的联系。其分析结果可以应用于制定营销策略,寻求最佳的商品货架布局。从关联规则挖掘算法和关联模式的评估两方面对购物篮数据进行关联分析。     

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.     

个性化旅游景点推荐中考虑约束的关联规则挖掘算法

在约束子集定义的基础上,提出面向旅游景点推荐的约束关联规则挖掘算法,将最为耗时的目标项集搜索限定在约束子集中,降低了数据集搜索的规模. 同时通过约束条件提升了最终规则生成的针对性,避免大量无趣规则的生成,使得挖掘算法效率更高、挖掘结果更符合用户需求. 最后在望路者文化旅游服务数据集中开展了示范应用研究,验证了所提出的算法可为旅游景点推荐提供更为合理的信息.     

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。     

基于系统动力学的资讯个性化推荐研究

手机等移动智能终端在全社会的普及,使得数字内容的生产能力下沉到社会各个层面,形成了多源、自主、原生的互联网媒体内容制造格局;而以社交媒体、自媒体为代表的各类新兴媒体的蓬勃发展,使得数字内容的传播能力极大增强,大量衍生内容在敏感、热点、重要事件的报道传播中产生。互联网资讯具有海量、内容质量参差不齐、观点多极等特点。如何将价值导向对正确的、信息披露准确的资讯进行精准推荐,维护和促进社会公平正义,成为司法领域的新问题和新挑战。推荐系统有效解决了用户在海量信息中难以高效获得信息的问题。基于内容的推荐技术通过分析用户以往感兴趣的项目,经计算得到相似的项目,再将相似度最高的若干项目推送给用户。推荐系统中应用最广泛的是协同过滤推荐算法(collaborative filtering,CF),该概念最早于1992年由GOLDBERG等在开发Tapestry邮件过滤系统时首次提出,其核心思想是运用算法对用户的历史行为数据进行分析,挖掘出用户的兴趣偏好,根据不同的兴趣偏好对用户进行类别划分并推荐相似偏好的物品。当前,个性化推荐已经在电子商务、影视作品、餐饮美食、新闻资讯等领域获得了较为广泛的应用。"京东"的推荐起步于2012年,当时的产品推荐是基于规则匹配进行的,整个推荐产品线组合就像一个个松散的原始部落,部落与部落之间没有任何工程、算法的交集。"淘宝"从2013年推出了"个性化推荐"即"千人千面"的推荐引擎,利用用户的一些行为,通过算法推测出用户可能喜欢的东西。"美团"构建了世界上最大的菜品知识库,为200多万商家、3亿多件商品绘制了知识图谱,并为2.5亿用户画像,构建了世界上用户规模最大的O2O智能推荐平台。"豆瓣"利用社交行为分析解决推荐问题,如基于用户相同行为的协同过滤技术、友邻推荐等,也是个性化推荐的一个补充。社交化推荐的引入,可以解决因单纯产品内容推荐导致推荐范围越来越窄的问题。"今日头条"的个性化推荐算法基于投票方法,其核心理念就是投票,每个用户一票,喜欢哪篇文章就把票投给哪篇文章,经过统计,最后得到的结果很可能是此类人群里最好的文章,并把这篇文章推荐给同类人群用户。该方法看起来似乎很简单,但实际上需要基于对海量用户行为的数据挖掘与分析。系统动力学是一门基于系统论、控制论与信息论,并借助计算机模拟技术的交叉学科,其通过系统的视角,进行结构化动态分析和模型模拟,擅长分析高阶、非线性时变和复杂系统,采用定性与定量相结合的方法,适合对资讯个性化推荐这种动态复杂过程进行分析。针对司法工作相关资讯的个性化推荐问题,应用系统动力学理论,对影响资讯推荐效果的重要因素在Vensim软件中进行建模仿真,构建包括用户量、文章量、标签数量和各子系统之间影响的因果反馈模型和存量流量模型,建立系统动力学方程模型,经仿真对相关因素进行敏感性分析。结果表明,文章量、设置的特征化标签和对文章的兴趣点因子等都对推荐效果有重要影响,这是在设计推荐系统时需要重点考虑的因素,也是解决推荐系统冷启动、实时性和"信息茧房"等关键问题的重要途径。基于系统动力学进行资讯个性化推荐研究,可以积极有效地应对司法领域资讯披露面临的挑战,提高精准推荐效果。     

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.     

基于混合协同过滤的个性化推荐方法研究

针对传统协同过滤算法存在的数据稀疏性和推荐范围问题,提出一种混合协同过滤推荐方法.该方法将两种传统算法结合,并综合考虑了项目标签属性等信息.首先利用基于项目的协同过滤算法生成预测评分,并替换原始用户-项目评分矩阵中的零值.其次利用基于用户的协同过滤算法计算填充后矩阵的用户相似度,以及预测评分并产生最终推荐.最后基于MovieLens数据集实验证明,该方法能够有效提高推荐精度,扩大推荐范围.