基于web使用挖掘的个性化技术研究

摘要

web个性化是web应用研究的重要领域之一。web个性化就是以用户为中心，根据用户的不同访问特性为用户提供个性化的服务。目前实现web个性化的方法有基于内容的推荐，协同过滤等方法。这些方法在实现web个性化时存在这样一些问题：其一是用于规则定制的数据源多来自于用户的注册信息，很难保证数据的准确性，从而导致规则的不准确；其二是用于预测的数据多是静态的，很难实时更新，随着时间推移，系统的预测准确性也会降低。 web使用挖掘是web挖掘的一种，它以发现用户的访问模式为核心。这些模式通常用一系列网页或其他网站元素来表示。基于web使用挖掘的个性化及时把挖掘出的用户访问模式和当前用户的访问行为作比较，找出符合条件的推荐集合，向用户在线推荐。基于web使用挖掘的个性化可分为3个阶段：数据预处理，模式发现和基于模式的个性化推荐。在这些过程中，前两个阶段均可离线完成，故基于web使用挖掘的个性化技术具有灵活性和伸缩性，克服了协同过滤算法可扩展性不好等缺陷，更适合实现web个性化服务。 本文详细阐述了使用FIG(frequentitemsgraph)存储频繁项目集的web个性化推荐系统原型。重点介绍了FIG的生成算法、更新算法和在线推荐算法。分析了关联规则的稀有问题(rareitems)对系统性能的影响，并结合关联规则的相关性分析提出了改进算法。其基本思想是利用相关性分析，删除负相关的频繁项目集，从而实现更低支持度下的个性化推荐。从推荐的准确率、覆盖率等性能指标对算法的有效性进行了验证。实验结果表明改进的算法在损失了较小覆盖率的情况下，使推荐系统在线推荐的准确率得到了较明显的提高，因此算法的改进是可行的。

目录

文摘

英文文摘

独创性声明及学位论文版权使用授权书

第一章绪论

第二章web使用挖掘概述

第三章关联规则挖掘

第四章基于FIG的web个性化系统

第五章基于关联规则相关性分析的改进推荐算法

第六章算法的性能评价

第七章结论及未来的工作

致谢

攻读硕士学位期间从事的科研工作

参考文献