基于興趣度和聚類的動(dòng)態(tài)加權(quán)關(guān)聯(lián)規(guī)則挖掘的研究.pdf

1、關(guān)聯(lián)規(guī)則的挖掘是數(shù)據(jù)挖掘領(lǐng)域和個(gè)性化推薦領(lǐng)域的重要分支，用于發(fā)現(xiàn)數(shù)據(jù)庫項(xiàng)目間有意義的聯(lián)系，其中加權(quán)關(guān)聯(lián)規(guī)則的挖掘因更有利于解決數(shù)據(jù)庫中項(xiàng)目重要程度不同等問題成為主要研究熱點(diǎn)。本文首先介紹了現(xiàn)有加權(quán)關(guān)聯(lián)規(guī)則挖掘算法，在深入分析研究部分常用算法后，發(fā)現(xiàn)常用加權(quán)關(guān)聯(lián)規(guī)則挖掘算法存在權(quán)值固定且破壞關(guān)聯(lián)規(guī)則挖掘的向下封閉性、挖掘效率低等問題。
　　本文針對(duì)以上問題結(jié)合電子商務(wù)平臺(tái)的實(shí)際應(yīng)用場景進(jìn)行了深入的研究，主要工作內(nèi)容如下:
　　

2、1.通過構(gòu)建用戶的興趣度模型和引入興趣度模型的更新機(jī)制，解決權(quán)值設(shè)定主觀且固定不變的問題。將用戶對(duì)商品的興趣度作為該商品的權(quán)值，使得項(xiàng)目的權(quán)值能動(dòng)態(tài)反映用戶對(duì)各個(gè)商品項(xiàng)的興趣度。
　　2.基于數(shù)據(jù)樣本特征改進(jìn)clique聚類算法，將其與加權(quán)關(guān)聯(lián)規(guī)則相結(jié)合，解決傳統(tǒng)加權(quán)關(guān)聯(lián)規(guī)則挖掘算法的挖掘過程會(huì)產(chǎn)生大量的頻繁項(xiàng)集而導(dǎo)致挖掘效率低下的問題。改進(jìn)的算法對(duì)于高維度的興趣模型更高效，使得具有相似興趣的用戶在同一個(gè)簇內(nèi)，在各個(gè)聚類簇內(nèi)部進(jìn)行

3、加權(quán)關(guān)聯(lián)規(guī)則的挖掘，可以使挖掘的數(shù)據(jù)量大幅度減少，提高算法的效率。
　　3.針對(duì)權(quán)值破壞傳統(tǒng)關(guān)聯(lián)規(guī)則挖掘的向下封閉性的問題，引入事務(wù)集權(quán)值方法。將一個(gè)用戶的興趣度記錄看作一條事務(wù)，使得加權(quán)關(guān)聯(lián)規(guī)則滿足傳統(tǒng)Apriori算法的向下封閉性，最后在各個(gè)簇內(nèi)采用加權(quán)FP-Growth算法進(jìn)行挖掘。
　　相比于現(xiàn)有加權(quán)關(guān)聯(lián)規(guī)則，改進(jìn)算法使得權(quán)值的設(shè)定更加合理，且能動(dòng)態(tài)反映用戶的興趣變化，滿足關(guān)聯(lián)規(guī)則向下封閉的先驗(yàn)知識(shí)，即頻繁項(xiàng)集的子集