本文選題：關聯(lián)規(guī)則 + 推薦系統(tǒng)��； 參考：《通信學報》2017年10期

【摘要】：現(xiàn)有的關聯(lián)規(guī)則推薦技術在數(shù)據(jù)提取時主要側(cè)重于關聯(lián)規(guī)則的提取效率,缺乏對冷、熱門數(shù)據(jù)推薦平衡性的考慮和有效處理。為了提高個性化推薦效率和推薦質(zhì)量,平衡冷門與熱門數(shù)據(jù)推薦權重,對關聯(lián)規(guī)則的Apriori算法頻繁項集挖掘問題進行了重新評估和分析,定義了新的測評指標推薦非空率以及k前項頻繁項集關聯(lián)規(guī)則的概念,設計了基于k前項頻繁項集的剪枝方法,提出了優(yōu)化Apriori算法且適合不同測評標準值的k前項頻繁項集挖掘算法,降低頻繁項集提取的時間復雜度。理論分析比較與實驗表明,k前項剪枝方法提高了頻繁項集的提取效率,擁有較高的推薦非空率、調(diào)和平均值和推薦準確率,有效地平衡了冷、熱門數(shù)據(jù)的推薦權重。
[Abstract]:The existing association rule recommendation techniques mainly focus on the efficiency of association rule extraction when data extraction, lack of cold, hot data recommendation balance consideration and effective processing. In order to improve the efficiency and quality of personalized recommendation and to balance the recommended weight between the unpopular and popular data, the frequent itemset mining problem of Apriori algorithm for association rules is reevaluated and analyzed. In this paper, we define the concepts of new evaluation index recommendation non-empty ratio and frequent itemsets association rules of k-front terms, and design a pruning method based on k-preterm frequent itemsets. An algorithm for mining k-front frequent itemsets with optimized Apriori algorithm and suitable for different evaluation standard values is proposed to reduce the time complexity of frequent itemsets extraction. The theoretical analysis and experiment show that the pruning method improves the efficiency of extracting frequent itemsets, has a high recommendation non-empty rate, harmonizes the average value and the recommendation accuracy, and effectively balances the recommended weights of cold and hot data.
【作者單位】： 北京工業(yè)大學信息學部計算機學院;國網(wǎng)英大國際控股集團有限公司信息化工作部;
【基金】：國家自然科學基金資助項目(No.91646201,No.91546111) 北京市自然科學基金資助項目(No.4153058,No.4113076) 北京市教委面上基金資助項目(No.KM201710005023)~~
【分類號】：TP391.3

【相似文獻】

相關期刊論文 前10條

1 賈磊,裴仁清;多約束下的頻繁項集挖掘[J];計算機工程與應用;2003年31期

2 肖基毅,鄒臘梅,劉豐;頻繁項集挖掘算法研究[J];情報雜志;2005年11期

3 蔡進;薛永生;張東站;;基于分區(qū)分類法快速更新頻繁項集[J];計算機工程與應用;2007年09期

4 胡學鋼;徐勇;王德興;張晶;;基于多剪枝格的頻繁項集表示與挖掘[J];合肥工業(yè)大學學報(自然科學版);2007年04期

5 胡學鋼;劉衛(wèi);王德興;;基于剪枝概念格模型的頻繁項集表示及挖掘[J];合肥工業(yè)大學學報(自然科學版);2007年09期

6 欒鸞;李云;盛艷;;多關系頻繁項集的并行獲取[J];微電子學與計算機;2008年10期

7 李彥偉;戴月明;王金鑫;;一種挖掘加權頻繁項集的改進算法[J];計算機工程與應用;2011年15期

8 陳立潮,張建華,劉玉樹;提高頻繁項集挖掘算法效率的方法研究[J];計算機工程與應用;2002年10期

9 朱玉全,孫志揮,趙傳申;快速更新頻繁項集[J];計算機研究與發(fā)展;2003年01期

10 宋寶莉;張幫華;何炎祥;朱驍峰;;帶有多個可轉(zhuǎn)化約束的頻繁項集挖掘算法[J];計算機科學;2003年12期

相關會議論文 前10條

1 欒鸞;李云;盛艷;;多關系頻繁項集的并行獲取[A];2008年全國開放式分布與并行計算機學術會議論文集(下冊)[C];2008年

2 楊曉明;王晨;汪衛(wèi);張守志;施伯樂;;頻繁項集的精簡表達與還原問題研究[A];第二十一屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2004年

3 鄧傳國;;頻繁項集挖掘與學生素質(zhì)測評應用研究[A];2007系統(tǒng)仿真技術及其應用學術會議論文集[C];2007年

4 李彤巖;李興明;;基于分布式關聯(lián)規(guī)則挖掘的告警相關性研究[A];2007通信理論與技術新發(fā)展——第十二屆全國青年通信學術會議論文集（下冊）[C];2007年

5 王洪利;馮玉強;;頻繁項集挖掘算法Apriori的改進研究[A];全國第九屆企業(yè)信息化與工業(yè)工程學術會議論文集[C];2005年

6 陳曉云;李龍杰;馬志新;白伸伸;王磊;;AFP-Miner:一種新高效的頻繁項集挖掘算法[A];2006年全國理論計算機科學學術年會論文集[C];2006年

7 李坤;王永炎;王宏安;;一種基于樂觀裁剪策略的挖掘數(shù)據(jù)流滑動窗口上閉合頻繁項集的算法[A];第二十五屆中國數(shù)據(jù)庫學術會議論文集（二）[C];2008年

8 鄒遠婭;周皓峰;王晨;汪衛(wèi);施伯樂;;FSC——利用頻繁項集挖掘估算視圖大小[A];第二十一屆中國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2004年

9 楊曉雪;衡紅軍;;一種對XML數(shù)據(jù)進行關聯(lián)規(guī)則挖掘的方法研究[A];第二十二屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2005年

10 謝志軍;陳紅;;EFIM——數(shù)據(jù)流上頻繁項集挖掘的高性能算法[A];第二十三屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2006年

相關重要報紙文章 前10條

1 □中國電信股份有限公司北京研究院 張舒博 □北京郵電大學計算機科學與技術學院 牛琨;走出數(shù)據(jù)挖掘的誤區(qū)[N];人民郵電;2006年

2 《網(wǎng)絡世界》記者 王瑩;數(shù)據(jù)挖掘保險業(yè)的新藍海[N];網(wǎng)絡世界;2012年

3 劉俊麗;基于地理化的網(wǎng)絡數(shù)據(jù)挖掘與分析提升投資有效性[N];人民郵電;2014年

4 ;數(shù)據(jù)挖掘：如何挖出效益？[N];中國計算機報;2004年

5 任中華;財務數(shù)據(jù)挖掘六步走[N];中國計算機報;2007年

6 電腦商報記者 謝濤;數(shù)據(jù)挖掘：未來政府信息化的重要環(huán)節(jié)[N];電腦商報;2007年

7 吳勇毅;軟件選型:數(shù)據(jù)挖掘是重點[N];中國冶金報;2009年

8 本報特約撰稿 許麗萍;數(shù)據(jù)挖掘:軟件應用的新境界[N];計算機世界;2009年

9 謝立宏博士;企業(yè)的“黃金眼”數(shù)據(jù)挖掘決策支持[N];中國計算機報;2002年

10 吳勇毅;危機下，數(shù)據(jù)挖掘與提供信息決策是關健[N];中國冶金報;2009年

相關博士學位論文 前10條

1 溫磊;基于有向項集圖的關聯(lián)規(guī)則挖掘算法研究與應用[D];天津大學;2004年

2 董杰;基于位表的關聯(lián)規(guī)則挖掘及關聯(lián)分類研究[D];大連理工大學;2009年

3 賈彩燕;關聯(lián)規(guī)則挖掘的取樣復雜性分析[D];中國科學院研究生院（計算技術研究所）;2004年

4 于自強;海量流數(shù)據(jù)挖掘相關問題研究[D];山東大學;2015年

5 張馨;全基因組SNP芯片應用于CNV和L0H分析的軟件比對與數(shù)據(jù)挖掘[D];復旦大學;2011年

6 李秋虹;基于MapReduce的大規(guī)模數(shù)據(jù)挖掘技術研究[D];復旦大學;2013年

7 白曉明;基于數(shù)據(jù)挖掘的復合材料宏—細觀力學模型研究[D];哈爾濱工業(yè)大學;2016年

8 吳賢;社會化數(shù)據(jù)挖掘中的若干問題研究[D];上海交通大學;2015年

9 楊博;基于GPU異構(gòu)體系結(jié)構(gòu)的大規(guī)模圖數(shù)據(jù)挖掘關鍵技術研究[D];國防科學技術大學;2015年

10 馮驥;自然鄰居思想概念及其在數(shù)據(jù)挖掘領域的應用[D];重慶大學;2016年

相關碩士學位論文 前10條

1 王立俊;基于多重最小支持度的氋效用頻繁項集挖掘算法研究[D];廣西大學;2015年

2 陳國俊;基于Hadoop的云存儲系統(tǒng)的研究與應用[D];電子科技大學;2014年

3 尹艷紅;基于Apriori算法的增量式關聯(lián)規(guī)則控制研究[D];大連理工大學;2015年

4 田苗鳳;大數(shù)據(jù)背景下并行動態(tài)關聯(lián)規(guī)則挖掘研究[D];蘭州交通大學;2015年

5 李雪迪;基于本體論的精細化數(shù)據(jù)分析[D];南京郵電大學;2015年

6 許靜文;基于模糊等價類的頻繁項集精簡表示算法研究[D];合肥工業(yè)大學;2015年

7 王大偉;大數(shù)據(jù)環(huán)境下的關聯(lián)規(guī)則提取算法研究[D];遼寧工業(yè)大學;2016年

8 廖友金;基于有向圖的關聯(lián)規(guī)則挖掘研究與改進[D];東南大學;2015年

9 王蘇琦;基于Hadoop的不確定頻繁項集并行挖掘方法研究[D];南京大學;2013年

10 韓宏瑩;并行數(shù)據(jù)挖掘技術在電信網(wǎng)管告警中的應用研究[D];長春工業(yè)大學;2016年

，

本文編號：1830663