改进的关联规则挖掘算法在个性化推荐系统中应用

摘要

数据挖掘是数据库系统和新的数据库应用的一个有希望的、欣欣向荣的学科前沿。数据挖掘，通常又称数据库中的知识发现，是自动的模式提取。关联规则挖掘是数据挖掘的重要研究方向之一，它是发现大量数据中项集之间有趣的关联或相互联系。可以辅助许多商务经营者做决策，如分类设计、交叉购物和购物篮分析等。 本研究以辽宁省信息产业厅项目“嵌入式网上智能教学平台”为背景，主要通过对数据挖掘技术的相关分析与比较，提出改进的关联规则挖掘算法，并将此算法用于挖掘用户购买模式，从海量的购买记录中提取出隐藏于其中的用户感兴趣的信息。开发了嵌入式网上智能教学平台的个性化推荐系统，该系统能自动向用户推荐其可能感兴趣的信息，为用户提供个性化服务。针对传统的Apriori算法需要产生大量的候选项目集和多次扫描数据库的不足，提出了一种新的基于向量内积的生成频繁项集的算法，称为VipApriori算法。该算法通过对事务数据库的布尔化表示，搜寻布尔矩阵的行向量，通过内积运算规则直接生成频繁项集。VipApriori算法只需扫描一次数据库，无需生成候选项集。此外，VIPApriori从最大项集开始查找，当频繁项集可能是大项集时，可以缩短查找时间。使用Java语言进行了传统的Apriori算法与本文改进的VipApriori算法的对比实验。理论分析与实验表明，改进的VipApriori算法具有很高的效率，因为它只扫描事务数据库一次。K－项频繁集通过扫描事务扩展矩阵的行来直接生成，不需要对（K－1）-项频繁集进行连接，也不需要对K－项候选集进行剪枝和模式匹配的操作。在计算过程中对事务矩阵进行了两次有效的剪裁，这些操作都大大降低了时间复杂度。将改进的VipApriori算法应用到个性化推荐系统中，并成功整合到网上教学中，根据客户的爱好，向用户推荐可能感兴趣的商品，可使用户在面对教学平台提供的上万甚至上百万种产品时，能够更好地选择到自己满意的商品。从而提高了网站的智能性。

目录

文摘

英文文摘

声明

绪 论

第一章数据挖掘理论研究

1.1数据挖掘的定义

1.2数据挖掘的数据来源

1.3数据挖掘的分类与方法

1.3.1数据挖掘的分类

1.3.2数据挖掘的方法

1.4数据挖掘的过程

1.5数据挖掘的应用研究

1.5.1数据挖掘在行业中的应用

1.5.2数据挖掘带来的效益

本章小结

第二章关联规则研究

2.1关联规则的基本概念

2.1.1问题描述和基本概念

2.1.2关联规则的种类

2.1.3关联规则的主要任务

2.2关联规则挖掘典型算法

2.3关联规则挖掘的研究现状

2.4进一步研究的方向

本章小结

第三章一种新的挖掘算法VipApriori

3.1FSC问题研究

3.2.Apriori算法的研究

3.2.1Apriori算法基本思想

3.2.2 Apriori算法描述

3.2.3 Apriori算法存在的缺陷

3.2.4 Apriori算法现有的改进

3.3一种改进的VipApriori算法

3.3.1最大频繁项集

3.3.2改进VipApriori算法的思想

3.3.3改进VipApriori算法的描述

3.3.4 VipApriori算法的步骤

3.3.5改进算法流程图

3.3.6改进算法实现

3.4VipApriori算法实例分析与性能比较

3.4.1VipApriori算法实例分析

3.4.2空间占用情况分析

3.4.3时间复杂度分析

3.4.4试验结果对比

3.5改进的算法总结

3.5.1VipApriori算法的优点

3.5.2算法在实际应用中的作用

3.5.3算法在理论上需要改进的方面

3.5.4算法在实际应用中需要改进的方面

本章小结

第四章个性化推荐系统分析与总体设计

4.1系统背景介绍

4.1.1推荐系统依附的教学平台说明

4.1.2个性化推荐系统研究现状

4.1.3关联规规则在推荐系统中的应用

4.2开发环境、工具以及相关技术

4.2.1开发环境与工具

4.2.2相关技术

4.3个性化推荐系统总体设计

4.4.1个性化推荐技术

4.4.2推荐系统需求分析

4.4.4推荐系统开发模型设计

4.4.3推荐系统功能模块设计

本章小结

第五章VipApriori算法在推荐系统中的应用

5.1个性化智能推荐系统的设计

5.1.1基本思想

5.1.2基本流程描述

5.1.3个性化推荐系统流程图

5.2个性化智能推荐系统的实现

5.2.1数据准备

5.2.2挖掘关联规则

5.2.3规则理解

5.3改进算法在推荐系统中的性能评价

5.4推荐系统进一步的改进方向

5.4.1面临的主要挑战

5.4.2进一步研究方向

本章小结

结 论

参考文献

攻读硕士学位期间发表的学术论文

致谢