支持E-Services的关联规则挖掘方法的研究与实现

摘要

该文从关联规则挖掘的定义和基本算法出发,介绍了关联规则挖掘对E-Services数据的要求与处理方法,包括对Web日志文件的预处理过程.随后又对FP-growth算法实现关联规则挖掘所用FP-tree结构、基于FP-tree的增量挖掘进行介绍,并且对FP-growth的算法中增量挖掘方法的非递归化改造以及规则生成功能的实现进行了介绍.该文又着重介绍了关联规则挖掘在Web个性化推荐技术中的应用.针对当前基于后项为1的规则进行信息推荐的方法,提出了基于规则后项不定的Web个性化推荐方法,并给出一种关联规则合并删减办法.对基于三类规则集的推荐方法给出了它们在准确率、覆盖率和综合测度上的性能比较.此外对Web个性化推荐技术中的页面加权的几种方法给出了介绍.该文最后简要介绍了关联规则挖掘技术在SCOPEMINER系统和WebTutor原型系统中的应用与实现.

目录

文摘

英文文摘

声明

第一章引言

1.1数据挖掘概述

1.1.1属性离散化方法

1.1.2分类算法

1.1.3聚类算法

1.1.4关联规则

1.1.5 Web挖掘

1.2 E-Services与数据挖掘

1.3个性化推荐技术与E-Services

1.4论文组织结构

第二章关联规则挖掘

2.1关联规则描述

2.1.1关联规则的定义

2.1.2关联规则挖掘基本实现过程

2.2关联规则典型算法分析

2.2.1 Apriori算法

2.2.2 AprioriTid算法

2.2.3 Top Down FP-Growth算法

2.2.4基于概念格的关联规则发现

2.3本章小结

第三章关联规则挖掘数据预处理

3.1问题提出

3.1.1数据源的现状

3.1.2关联规则挖掘对数据源的要求

3.2多值属性的预处理

3.2.1概念层次

3.2.2基本的面向属性的归纳方法

3.2.3分类型数据概念分层的生成

3.2.4数值型数据的离散化和概念分层

3.3 Web Log数据预处理

3.3.1数据净化

3.3.2用户识别

3.3.3会话识别

3.3.4路径补充

3.4本章小结

第四章基于FP-growth的关联规则挖掘

4.1问题的提出

4.2 FP-growth关联规则挖掘算法

4.2.1算法思想

4.2.2实现过程

4.3实例分析

4.3.1 FP-tree的构建

4.3.2利用FP-tree挖掘关联规则

4.4 FP-growth与Apriori的性能比较

4.5 FP-growth算法的改进

4.5.1由频繁模式生成关联规则

4.5.2 FP-growth挖掘算法的非递归改造

4.6本章小结

第五章支持Web个性化推荐的关联规则挖掘

5.1问题提出

5.2协同过滤技术(Collaborative Filteringtechniques)

5.3基于关联规则挖掘的Web页面个性化推荐

5.3.1 Web页面个性化推荐的基本过程

5.3.2 Web页面个性化推荐系统衡量参数

5.3.3基于关联规则挖掘的Web个性化推荐的研究

5.4基于变长后项关联规则的Web个性化推荐算法

5.4.1问题的提出

5.4.2自适应关联规则挖掘算法的实现

5.4.3关联规则的合并删减

5.4.4基于后项不定关联规则的Web个性化推荐的实现

5.4.5推荐算法的分析与评价

5.5 Web个性化推荐中的页面加权

5.5.1基于用户当前访问页面与预推荐页面间距离加权

5.5.2基于页面访问时间加权的个性化推荐

5.6本章小结

第六章关联规则挖掘应用实例

6.1关联规则挖掘在SCOPEMINER系统中的应用与实现

6.1.1 SCOPEMINER系统介绍

6.1.2输入数据源节点的设计与实现

6.1.3关联规则节点的设计与实现

6.2基于关联规则的个性化推荐在WebTutor中的实现

6.2.1 WebTutor原型系统介绍

6.2.2基于Web页面关联规则的推荐算法的设计与实现

6.3本章小结

第七章结束语

参考文献

致谢

攻读硕士学位期间所参加科研项目及发表论文情况