一种基于后项不定长关联规则的Web个性化推荐方法

Web usage mining plays an important part in supporting personalized recommendation on Web and association rule uncovers the interesting relations among items hidden in data. The paper gives an idea of association rule merging-deleting based on the analysis of association rule characteristics and implements it in the rule preparation before the Web personalized recommendation. Furthermore, based on the comparisons in precision, coverage and F1 of recommendation system and the rule numbers used in three kinds of association rules, a Web personalized recommendation method based on uncertain consequent is put forward. After integrative analysis of several recommendation methods, the method given in the paper can be thought as a good selection. At last several pageweighted techniques are introduced in the paper.     

一种改进的关联规则个性化推荐方法

针对传统的关联规则推荐方法中可能出现的关联规则数量较少的缺点,提出了一种改进的关联规则个性化推荐方法。该方法首先利用商品的属性信息从历史销售数据库中挖掘商品属性间的关联规则作为规则库,然后利用规则库中的规则计算不同商品的推荐价值,最后得到若干推荐价值靠前的最优商品推荐给顾客。     

基于关联规则挖掘的个性化智能推荐服务

为了解决WWW上的“信息过载”和“资源迷向”问题,该文提出了基于关联规则挖掘的个性化智能推荐服务。个性化智能推荐服务系统包括两个主要部分:离线部分和在线部分,在离线方式下,执行对WEB服务器的访问log文件的分析挖掘,获取用户事务模式,再采用支持度过滤方法获取频繁的用户事务模式,然后,生成聚集树。在在线方式下,针对当前滑窗的用户访问操作路径,采用基于聚集树的关联规则挖掘,获取匹配当前滑窗的用户访问操作路径的关联规则集,生成推荐的候选集。实现在线个性化智能推荐服务。试验结果显示,该文提出的方法是有效的和可行的。     

基于关联规则挖掘的个性化智能推荐服务

1 概述随着WWW上的信息的爆炸性增长,用户的“信息过载”和“资源迷向”问题越来越突出。为了解决用户的信息过载和资源迷向问题,人们发展了许多智能推荐服务系统以及相关技术,帮助用户在WWW上快速定位、检索感兴趣的信息。其中,WebWatcher系统采用跟踪用户浏览Web站点的行为或者访问路径方法,学习用户的访问模式,将用户可能感兴趣的Web页在线推荐给用户。SiteHelper系统采用分析每一个用户已经访问的Web页,学习用户的兴趣模式,从用户感兴趣的Web页(浏览时间超过规定门限或者访问频次超过     

基于关联规则个性化推荐的改进算法

关联规则推荐具有良好的推荐效果并被用于实践,但随着规则数目的增多,系统会变得复杂和低效.针对这一问题,提出了一种改进方法.首先从日志文件中识别较准确的用户会话集合,在此基础上生成频繁项集,然后用IS兴趣度过滤无价值规则从而形成最终规则集并存入规则库,最后,推荐引擎根据当前部分用户浏览路径并结合网络拓扑结构从规则库中生成推荐集.实验建立在真实的数据上,结果表明,这种算法提高了系统性能,有更好的推荐能力.     

关联规则数据挖掘在图书馆个性化服务中的应用

本文通过关联规则挖掘技术来探究读者的读书倾向,提供个性化服务,向读者进行借阅推荐。     

基于加权关联规则的个性化推荐研究

关联规则是个性化推荐系统中最重要的技术手段之一.传统的基于关联规则的个性化推荐认为,每个项目都具有相同的重要性,在实际应用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.在实验中采用网页被用户选择的频率作为权重值,在个性化推荐系统中对该算法进行了实现.实验结果表明该算法具有较高的准确性和效率.     

支持个性化推荐的Web面关联规则挖掘算法

分析了应用于个性化推荐的Web页面关联规则的特点，提出了“壹支持数下k关联规则”的思想，根据这一思想设计、实现了一种应用于个性化推荐的Web页面关联规则挖掘算法——PARM(Pageview Association Rule Mining)及频繁项集的Freq-Sdt-Tree存储结构，在产生频繁项的同时挖掘关联规则，因而能提高效率。实验证明在个性化推荐系统中PARM算法的效率明显高于FP-Growth算法。     

Web行为下的正向关联规则挖掘研究

Web关联规则挖掘研究用户对Web站点上不同页面之间的访问规律,为智能Web站点的个性化服务提供知识依据。文中讨论在Web使用挖掘中如何实现关联规则挖掘与访问序列相结合,挖掘切实有效的关联规则;具体阐述如何构造最大向前路径,并将关联规则与最大向前路径匹配、过虑的过程。试验证明得到的关联规则可作为智能Web站点的有效知识依据。     

基于Web挖掘的个性化算法及其在网络教学平台的应用

在Web挖掘的基础上设计针对Web服务的Web访问事务模型WTM和个性化推荐算法。算法以WTM为基础,旨在根据用户的访问模式向用户推荐个性化的Web资源。其利用关联规则得到的频繁项集实时地匹配用户的当前访问序列,对不同的用户提供不同的推荐资源。在此过程中不需产生所有的关联规则,提高了推荐的效率。最后,将该模型和算法应用于网络教学实践得出了个性化的网络教学环境。     

决策表连续属性离散化的一种方法

提出了一种基于区间数据分布特征的决策表连续属性离散化的方法。方法在断点的选择上考虑了属性值的出现频率,在区间内的一致性和区间之间的差异性基础上,利用条件信息量作为反馈信息合并区间。通过实验分析表明了算法的有效性,能保持决策表较高的分类能力,提高约简效率。     

连续属性决策表离散化的图论方法

通过研究粗糙集与图论的关系,提出了以集合为权的加权多重完全多部图的概念,得到了加权完全多部图与连续属性决策表的映射关系,给出了断点重要性和断点效率的一种新的量化定义并得到了相关性质;提出了连续属性决策表信息系统的图论形式和连续属性决策表离散化的图论方法。编程实验结果证明,应用此方法可以确保在离散化后决策表相容的前提下得到无剩余属性值的较小的断点集合。     

基于改进遗传算法的连续属性离散化方法

粗糙集中的离散化要求在保持原有决策系统的不可分辩关系情况下,用尽量少的断点进行离散化,而求取连续属性值的最优断点集合是一个NP难题.把连续属性值离散化问题作为一种约束优化问题,采用一种改进的遗传算法来获得最优解,并针对离散化问题设计了相应的编码方式和交叉方法.实验结果表明,采用改进的遗传算法求解连续属性值最优断点集合是可行的.     

一种具有最大推荐非空率的关联规则挖掘方法

为了提高个性化推荐的质量,简化推荐规则生成过程中相关参数的设置,讨论了应用于个性化推荐中的关联规则的性质,定义了"推荐非空率"这一新的推荐测度以及"1-支持频繁项集"和"k最大关联规则"的概念,提出了"在1-支持频繁项集中生成k最大关联规则"的思想,设计了满足该思想且适合于不同滑动窗口深度下推荐的关联规则挖掘算法.理论分析及实验结果表明,该算法具有最大的推荐非空率、较高的推荐准确率和F-测度,并有效地简化了规则挖掘过程中阈值的设置.     

一种改进的连续属性离散化方法

连续属性离散化在数据分析的数据预处理中非常重要。本文提出一种基于类信息熵的有监督连续属性离散化方法。该方法运用了粗集理论中决策表的一致性水平的概念。算法分成两部分:首先根据决策表的一致性水平动态调整聚类类别数目,运用分级聚类形成初始聚类。然后,基于类信息熵合并相邻区域,减少区间数目。实践证明该方法是可行的。     

多维关联规则推荐在商务站点中的应用

提出了一种多维关联规则推荐系统,为客户提供更加准确的个性化推荐。该系统利用了客户购物信息、注册信息数据和经过评估的客户消费能力信息,通过多维、多层次的关联规则挖掘生成推荐集。针对不同的客户提供不同的商品,从而改善了个性化推荐的效果。     

一种结合用户适合度和课程搭配度的在线课程推荐方法

在线学习由于不受时空限制而愈来愈流行.如何从成千上万的在线课程中选择合适课程是在线学习者面临的极大挑战,在线课程推荐应运而生.但现有课程推荐系统仍面临2个主要问题：1)不同用户具有不同的学习能力和需求.因此,需要仔细考虑用户对不同课程的适合度,否则可能会导致推荐的课程难度太大.2)目前的课程推荐方法忽略了推荐课程与用户已学课程之间存在的可搭配关系,可能导致不合适的推荐.针对以上2个问题,首先深入分析了用户的学习特征、类型及其对不同课程的学习适合度;同时,利用课程的共同被选频率,对不同课程之间的可搭配关系进行探究.基于以上2个方面,提出了一种结合用户适合度和课程搭配度的课程推荐模型(user-suitability and course-matching aware course recommendation model, SMCR).在CN(canvas network)数据集和MOOC(massive open online courses)数据集上进行的对比实验结果表明,该方法可以达到更高的推荐准确性,而且SMCR模型能够向用户推荐既适合其学习又与其已学课程可以进行搭配的课程.     

.连续属性离散化算法比较研究*

探讨了贪心及其改进算法、基于属性重要性、基于信息熵和基于聚类四类连续属性离散化算法,并通过实验验证这四类算法的离散化效果.实验结果表明,数据集离散化的效果不仅取决于使用算法,而且与数据集连续属性的分布和决策数据值的分类也有密切关系.