基于关联规则优化的个性化推荐系统
发布时间：2020-12-14 04:31
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.
【文章来源】：内蒙古师范大学学报(自然科学汉文版). 2016年04期 北大核心
【文章页数】：6 页
【部分图文】：
图１个性化推荐系统模型Ｆｉｇ．１Ｐｅｒｓｏｎａｌｉｚｅｄｒｅｃｏｍｍｅｎｄａｔｉｏｎｓｙｓｔｅｍｍｏｄｅｌ
内蒙古师范大学学报（自然科学汉文版）第４５卷提供估计和预测手段．图１个性化推荐系统模型Ｆｉｇ．１Ｐｅｒｓｏｎａｌｉｚｅｄｒｅｃｏｍｍｅｎｄａｔｉｏｎｓｙｓｔｅｍｍｏｄｅｌ图２本文推荐模块划分Ｆｉｇ．２Ｔｈｅｍｏｄｕｌｅｏｆｐｒｏｐｏｓｅｓｒｅｃｏｍｍｅｎｄ１．２在线模块功能分析在线模块的主要功能就是数据集合的建立，通过网络平台（本文主要是基于Ｗｅｂ服务器）实时记录客户访问网站信息以及浏览商品信息，并以数据列的形式形成初始化的客户数据集合，同时，将相应的网页和网址信息作为附属信息添加到相应推荐序列的低端，作为推荐系统的部分自推荐连接．根据在线模块的主要功能，可以将其划分为客户前段、网络服务器、会话对象、商品集合以及实时交互等模块，如图３所示．图３在线模块处理框图Ｆｉｇ．３Ｏｎｌｉｎｅｍｏｄｕｌｅｐｒｏｃｅｓｓｉｎｇｂｌｏｃｋｄｉａｇｒａｍ图４离线模块处理框图Ｆｉｇ．４Ｏｆｆｌｉｎｅｍｏｄｕｌｅｐｒｏｃｅｓｓｉｎｇｂｌｏｃｋｄｉａｇｒａｍ１．３离线模块功能分析与离线模块关联性最大的就是各种可行的建模分析及算法实现，在前期在线模块获取的数据集合基础上通过数据挖掘技术，进行模式分类、选择和建模，在建立客户兴趣模型的基础上，判断并实现购物习惯及兴趣的预测和估计，实现实时的在线推荐．具体的实现流程如图４所示，通过在线处理模块，将实时估计和预测的个性化结果，上传引擎实现个性化实时推荐服务．２基于关联优化规则的推荐系统实现根据图１所示的个性化推荐系统的结构组成，本文在遵循基本Ｉｎｐｕｔ－Ｐｒｏｃｅｓｓ－Ｏｕｔｐｕｔ处理过程的基础上，提出了一种如图５所示的聚类关联
ｅｌ图２本文推荐模块划分Ｆｉｇ．２Ｔｈｅｍｏｄｕｌｅｏｆｐｒｏｐｏｓｅｓｒｅｃｏｍｍｅｎｄ１．２在线模块功能分析在线模块的主要功能就是数据集合的建立，通过网络平台（本文主要是基于Ｗｅｂ服务器）实时记录客户访问网站信息以及浏览商品信息，并以数据列的形式形成初始化的客户数据集合，同时，将相应的网页和网址信息作为附属信息添加到相应推荐序列的低端，作为推荐系统的部分自推荐连接．根据在线模块的主要功能，可以将其划分为客户前段、网络服务器、会话对象、商品集合以及实时交互等模块，如图３所示．图３在线模块处理框图Ｆｉｇ．３Ｏｎｌｉｎｅｍｏｄｕｌｅｐｒｏｃｅｓｓｉｎｇｂｌｏｃｋｄｉａｇｒａｍ图４离线模块处理框图Ｆｉｇ．４Ｏｆｆｌｉｎｅｍｏｄｕｌｅｐｒｏｃｅｓｓｉｎｇｂｌｏｃｋｄｉａｇｒａｍ１．３离线模块功能分析与离线模块关联性最大的就是各种可行的建模分析及算法实现，在前期在线模块获取的数据集合基础上通过数据挖掘技术，进行模式分类、选择和建模，在建立客户兴趣模型的基础上，判断并实现购物习惯及兴趣的预测和估计，实现实时的在线推荐．具体的实现流程如图４所示，通过在线处理模块，将实时估计和预测的个性化结果，上传引擎实现个性化实时推荐服务．２基于关联优化规则的推荐系统实现根据图１所示的个性化推荐系统的结构组成，本文在遵循基本Ｉｎｐｕｔ－Ｐｒｏｃｅｓｓ－Ｏｕｔｐｕｔ处理过程的基础上，提出了一种如图５所示的聚类关联优化推荐构架模式，按照离线处理、在线引擎的实现方式，该构建组要包含聚类分析、协同过滤（主要包括聚类判断、规则分析）、个性化推荐以及网络引擎实现四个基本步骤．２．１关联初始化分析
【参考文献】：
期刊论文
[1]基于协作过滤算法的电子商务个性化推荐系统的研究[J]. 马小龙. 微型机与应用. 2014(15)
[2]基于检测响应的安全协同推荐系统研究[J]. 何发镁,王旭仁. 微计算机信息. 2010(06)
[3]基于粗糙集理论的决策树分类方法[J]. 邹瑞芝,罗可,曾正良. 计算机工程与科学. 2009(10)
[4]基于Web的数据挖掘技术研究及其应用[J]. 徐立宇. 电脑知识与技术. 2009(08)
[5]电子商务推荐系统研究[J]. 黎星星,黄小琴,朱庆生. 计算机工程与科学. 2004(05)
博士论文
[1]推荐系统的协同过滤算法与应用研究[D]. 郭艳红.大连理工大学 2008
[2]基于Web挖掘的电子商务个性化推荐机理与方法研究[D]. 易明.华中科技大学 2006
本文编号：2915819
【文章来源】：内蒙古师范大学学报(自然科学汉文版). 2016年04期 北大核心
【文章页数】：6 页
【部分图文】：
图１个性化推荐系统模型Ｆｉｇ．１Ｐｅｒｓｏｎａｌｉｚｅｄｒｅｃｏｍｍｅｎｄａｔｉｏｎｓｙｓｔｅｍｍｏｄｅｌ
内蒙古师范大学学报（自然科学汉文版）第４５卷提供估计和预测手段．图１个性化推荐系统模型Ｆｉｇ．１Ｐｅｒｓｏｎａｌｉｚｅｄｒｅｃｏｍｍｅｎｄａｔｉｏｎｓｙｓｔｅｍｍｏｄｅｌ图２本文推荐模块划分Ｆｉｇ．２Ｔｈｅｍｏｄｕｌｅｏｆｐｒｏｐｏｓｅｓｒｅｃｏｍｍｅｎｄ１．２在线模块功能分析在线模块的主要功能就是数据集合的建立，通过网络平台（本文主要是基于Ｗｅｂ服务器）实时记录客户访问网站信息以及浏览商品信息，并以数据列的形式形成初始化的客户数据集合，同时，将相应的网页和网址信息作为附属信息添加到相应推荐序列的低端，作为推荐系统的部分自推荐连接．根据在线模块的主要功能，可以将其划分为客户前段、网络服务器、会话对象、商品集合以及实时交互等模块，如图３所示．图３在线模块处理框图Ｆｉｇ．３Ｏｎｌｉｎｅｍｏｄｕｌｅｐｒｏｃｅｓｓｉｎｇｂｌｏｃｋｄｉａｇｒａｍ图４离线模块处理框图Ｆｉｇ．４Ｏｆｆｌｉｎｅｍｏｄｕｌｅｐｒｏｃｅｓｓｉｎｇｂｌｏｃｋｄｉａｇｒａｍ１．３离线模块功能分析与离线模块关联性最大的就是各种可行的建模分析及算法实现，在前期在线模块获取的数据集合基础上通过数据挖掘技术，进行模式分类、选择和建模，在建立客户兴趣模型的基础上，判断并实现购物习惯及兴趣的预测和估计，实现实时的在线推荐．具体的实现流程如图４所示，通过在线处理模块，将实时估计和预测的个性化结果，上传引擎实现个性化实时推荐服务．２基于关联优化规则的推荐系统实现根据图１所示的个性化推荐系统的结构组成，本文在遵循基本Ｉｎｐｕｔ－Ｐｒｏｃｅｓｓ－Ｏｕｔｐｕｔ处理过程的基础上，提出了一种如图５所示的聚类关联
ｅｌ图２本文推荐模块划分Ｆｉｇ．２Ｔｈｅｍｏｄｕｌｅｏｆｐｒｏｐｏｓｅｓｒｅｃｏｍｍｅｎｄ１．２在线模块功能分析在线模块的主要功能就是数据集合的建立，通过网络平台（本文主要是基于Ｗｅｂ服务器）实时记录客户访问网站信息以及浏览商品信息，并以数据列的形式形成初始化的客户数据集合，同时，将相应的网页和网址信息作为附属信息添加到相应推荐序列的低端，作为推荐系统的部分自推荐连接．根据在线模块的主要功能，可以将其划分为客户前段、网络服务器、会话对象、商品集合以及实时交互等模块，如图３所示．图３在线模块处理框图Ｆｉｇ．３Ｏｎｌｉｎｅｍｏｄｕｌｅｐｒｏｃｅｓｓｉｎｇｂｌｏｃｋｄｉａｇｒａｍ图４离线模块处理框图Ｆｉｇ．４Ｏｆｆｌｉｎｅｍｏｄｕｌｅｐｒｏｃｅｓｓｉｎｇｂｌｏｃｋｄｉａｇｒａｍ１．３离线模块功能分析与离线模块关联性最大的就是各种可行的建模分析及算法实现，在前期在线模块获取的数据集合基础上通过数据挖掘技术，进行模式分类、选择和建模，在建立客户兴趣模型的基础上，判断并实现购物习惯及兴趣的预测和估计，实现实时的在线推荐．具体的实现流程如图４所示，通过在线处理模块，将实时估计和预测的个性化结果，上传引擎实现个性化实时推荐服务．２基于关联优化规则的推荐系统实现根据图１所示的个性化推荐系统的结构组成，本文在遵循基本Ｉｎｐｕｔ－Ｐｒｏｃｅｓｓ－Ｏｕｔｐｕｔ处理过程的基础上，提出了一种如图５所示的聚类关联优化推荐构架模式，按照离线处理、在线引擎的实现方式，该构建组要包含聚类分析、协同过滤（主要包括聚类判断、规则分析）、个性化推荐以及网络引擎实现四个基本步骤．２．１关联初始化分析
【参考文献】：
期刊论文
[1]基于协作过滤算法的电子商务个性化推荐系统的研究[J]. 马小龙. 微型机与应用. 2014(15)
[2]基于检测响应的安全协同推荐系统研究[J]. 何发镁,王旭仁. 微计算机信息. 2010(06)
[3]基于粗糙集理论的决策树分类方法[J]. 邹瑞芝,罗可,曾正良. 计算机工程与科学. 2009(10)
[4]基于Web的数据挖掘技术研究及其应用[J]. 徐立宇. 电脑知识与技术. 2009(08)
[5]电子商务推荐系统研究[J]. 黎星星,黄小琴,朱庆生. 计算机工程与科学. 2004(05)
博士论文
[1]推荐系统的协同过滤算法与应用研究[D]. 郭艳红.大连理工大学 2008
[2]基于Web挖掘的电子商务个性化推荐机理与方法研究[D]. 易明.华中科技大学 2006
本文编号：2915819
本文链接：https://www.wllwen.com/jingjilunwen/dianzishangwulunwen/2915819.html
