基于Web數(shù)據(jù)挖掘的推薦系統(tǒng)算法研究.pdf

1、伴隨著互聯(lián)網(wǎng)的飛速發(fā)展，互聯(lián)網(wǎng)的信息愈來愈多，呈指數(shù)級(jí)別增長。如何在這些海量信息中發(fā)現(xiàn)有價(jià)值的知識(shí)信息，是每個(gè)電子商務(wù)商家面對(duì)的重要問題之一。Web數(shù)據(jù)挖掘作為一門涉及多個(gè)領(lǐng)域的綜合技術(shù)，旨在從海量的、不規(guī)則的、含噪聲的數(shù)據(jù)中，提取出隱含于數(shù)據(jù)中的、人們事先未知的而又潛在有用的知識(shí)信息。只有將Web數(shù)據(jù)挖掘的結(jié)果應(yīng)用于實(shí)際中，才能最終使用戶受益，這便涉及到Web數(shù)據(jù)挖掘的一個(gè)重要應(yīng)用——推薦。
　　推薦系統(tǒng)根據(jù)Web數(shù)據(jù)挖掘的結(jié)果

2、，分析用戶的行為喜好，然后將用戶需要的物品推薦給用戶。推薦系統(tǒng)的核心是算法，本文對(duì)推薦算法中的關(guān)聯(lián)規(guī)則和聚類進(jìn)行了詳細(xì)的分析與研究，并對(duì)關(guān)聯(lián)規(guī)則算法中的Apriori算法和聚類分析中的K-means算法提出了對(duì)應(yīng)的改進(jìn)方法。關(guān)聯(lián)規(guī)則和聚類分析是推薦系統(tǒng)中應(yīng)用較為廣泛的兩種方法。Apriori算法是關(guān)聯(lián)規(guī)則分析的一個(gè)經(jīng)典算法，本文針對(duì)關(guān)聯(lián)規(guī)則生成的兩個(gè)過程，提出了改進(jìn)方法。在生成頻繁項(xiàng)集過程引入數(shù)組的概念;在生成關(guān)聯(lián)規(guī)則過程中引入樹的概念

3、。針對(duì)聚類算法中的K-means算法對(duì)初始聚類中心依賴較大的問題，本文提出兩種新的初始聚類中心選擇方法，并對(duì)改進(jìn)后的算法同原有算法進(jìn)行了對(duì)比。論文最后對(duì)關(guān)聯(lián)規(guī)則和聚類算法在推薦系統(tǒng)中的應(yīng)用進(jìn)行了分析，兩種算法相互結(jié)合能夠提高推薦準(zhǔn)確率，進(jìn)而提高推薦系統(tǒng)的性能。
　　通過對(duì)Apriori算法進(jìn)行改進(jìn)，有效降低了數(shù)據(jù)庫的掃描次數(shù)、減少了冗余規(guī)則的產(chǎn)生;通過對(duì)K-means算法的改進(jìn)，優(yōu)化了初始聚類中心的選擇方法，從而提高了聚類準(zhǔn)確率。