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。     

基于关联规则优化的个性化推荐系统

针对当前个性化推荐系统处理数据效率较低的问题,提出了一种混合聚类关联规则优化的个性化推荐系统实现方法.深入分析了基于Web网络服务平台的电子商务个性化推荐系统的结构组成,将数据分析与推荐算法实现分为离线和在线处理两部分,阐述了算法初始化、关联实现以及推荐数据集合生成和兴趣模型预测的具体原理,并给出了算法的实现步骤.最后,基于提出的系统构建模型,建立了一种基于混合聚类关联优化的图书网络推荐平台.实验结果表明,该方法具有较高的推荐精度和推荐效率,更适合大数据环境的推荐系统.     

基于关联规则的Web使用挖掘系统

通过分析Web日志记录来发现用户访问行为等,进而识别电子商务中的潜在客户,提高网络信息服务的质量,优化站点结构以及得到对于个性化系统有用的信息.提出一个Web使用挖掘系统的设计方案,包括系统的体系结构、功能结构及每个功能点的详细设计.为Web使用系统开发人员提供有价值的参考信息.     

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.     

基于关联图的改进关联规则在推荐系统中的应用

提出了推荐模型中的关联规则挖掘方法的改进,给出了自定义的页面权值的定义,并改进了基于关联图的关联规则挖掘算法,将页面权值应用于关联规则的挖掘中。此算法是利用Web日志中经过预处理后得到的数据进行规则挖掘,将处理后的数据应用正态分布函数来得到页面权值。用页面权值重新计算支持度,最后将得到的支持度应用于改进的规则挖掘算法中,形成一种基于权值的关联图的关联规则算法。     

基于Markov链和关联规则的Web访问预测模型

用户访问预测是根据用户的历史访问信息和当前的访问路径预测用户下一步或将来可能访问的页面.因此可以利用预测结果提高服务器的性能,提高缓存的利用率和为用户提供个性化服务.提出了基于Markov链和关联规则的预测模型MAPM(Markov chain and association rule prediction model),该模型首先使用二阶Markov链找到用户下一步或将来可能访问的页面集,生成预测候选集;然后再使用二项关联规则从正向和反向两个角度修正Markov的预测结果,从而生成最后的预测页面.     

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.     

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。     

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。     

数字化图书馆个性化推荐研究与实例

基于关联规则算法,分析馆藏借阅数据而得出具有关联关系的数据集,并结合在线推荐算法将数据集推荐给具有相同属性的读者,从而达到最优最快的读者个性化服务。     

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.     

数据挖掘在课程与图书个性化推荐中的应用

数据挖掘技术在商业、工业等领域中的应用已相对成熟,而在高校中的应用仍处于起步阶段。参考数据挖掘在商业领域的应用,针对高校用户特点,从体系建设、算法使用、相关建议等方面,论述了基于数据挖掘的推荐算法在高校课程与图书个性化推荐中的应用。     

基于关联规则的课程信息推荐应用研究

网络教学系统中的课程资源丰富而繁多,借助数据挖掘技术,可以对这些资源进行有效挖掘,以期达到更充分、合理的使用.借助关联规则数据挖据方法,构建课程信息推荐模型,研究网络教学系统中的课程关联,为学生网络学习提供课程信息推荐.     

基于数据挖掘的个性化推荐

为了将网站访问者转化为消费者,设计一种电子商务网站个性化推荐方法.该方法采用数据挖掘技术获取客户的个性化特性,从而产生个性化产品推荐建议或决策.实验表明,提出的方法是有效可行的.     

Web挖掘在个性化推荐系统中数据预处理的研究

个性化推荐系统能够根据用户的兴趣偏好主动推荐他所需的资料。它的出现解决了人们寻找信息难的问题。数据预处理将原始的真实数据库转换成适于数据挖掘的挖掘数据库,为提高挖掘算法的效率,改善挖掘结果的效果打下了良好的基础。[1]     

一种混合推荐系统的设计与应用

针对B2C网上购物的实际背景和要求,设计了一个运用多种技术相结合的个性化推荐系统模型,这种推荐模型既能有效解决单独关联规则推荐不适合同类产品推荐问题,又能有效解决协同过滤算法不适合异类产品推荐问题;既能有效处理电子商务中产品种类和类别层次繁多的产品推荐问题,又能加快推荐速度,在电子商务系统中具有良好的推荐效果和应用价值.     

基于二次聚类的新闻推荐方法

由于新闻更新快,对用户进行新闻推荐往往需要进行聚类预处理,而传统方法要么复杂度过高,要么依赖于迭代初值,都不能准确而高效地应用于新闻推荐中.针对以上问题,文中提出了一个基于二次聚类的新闻推荐方法,对随机抽样数据进行密度聚类,基于该样本密度聚类的簇数和初始簇心进行所有待推荐新闻的二次快速聚类,并结合时新性、新闻热度等因素实现新闻推荐.文中方法可以将相关新闻聚集在一起,同时又不导致过高的运算开销,并通过参数估计方法计算各因素参数.实验结果表明,与其他新闻推荐方法相比,文中方法具有较好的推荐多样性和推荐准确度.