本文選題：推薦系統(tǒng) + 關(guān)聯(lián)規(guī)則��； 參考：《杭州電子科技大學(xué)》2017年碩士論文

【摘要】：隨著電商的迅速發(fā)展,推薦系統(tǒng)已經(jīng)成為各大電商網(wǎng)站的標(biāo)配。推薦系統(tǒng)不但給使用者提供了個性化的推薦服務(wù),同時增加了使用者對該網(wǎng)站的忠誠度。推薦系統(tǒng)已經(jīng)成為電商網(wǎng)站之間競爭的重要手段,所以推薦系統(tǒng)逐漸成為大型電子商務(wù)公司的核心研究部分。推薦系統(tǒng)的最重要部分是推薦算法,關(guān)聯(lián)規(guī)則與機(jī)器學(xué)習(xí)結(jié)合是當(dāng)前最流行的推薦系統(tǒng)研究方式之一。本文的主要工作如下:1、詳細(xì)分析了傳統(tǒng)的推薦算法中的協(xié)同過濾的工作流程,分別舉例論證說明基于用戶的協(xié)同過濾與基于物品的協(xié)同過濾的優(yōu)劣。同時分析了幾種常見的推薦算法的適用場景,比如奇異值分解(SVD)分析的推薦、基于隱語義分析的推薦、基于圖分析的推薦。2、分析研究了關(guān)聯(lián)規(guī)則中的傳統(tǒng)算法Apriori算法和FP-tree算法的優(yōu)缺點(diǎn),繼承FP-tree算法只掃描兩次數(shù)據(jù)集的前提上進(jìn)行正、負(fù)項(xiàng)目的關(guān)聯(lián)規(guī)則挖掘。并通過實(shí)驗(yàn)實(shí)例證明該算法不僅在時間耗時上有了顯著的提高,同時可以自動刪除互相矛盾的關(guān)聯(lián)規(guī)則。該算法是對負(fù)關(guān)聯(lián)規(guī)則在FP-tree算法的一種增強(qiáng)擴(kuò)充。3、為了結(jié)合用戶的偏好模型,通過機(jī)器學(xué)習(xí)中的BP網(wǎng)絡(luò)進(jìn)行融合,詳細(xì)說明的用戶偏好模型建立過程,同時通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)得出的目標(biāo)用戶的偏好模型。利用標(biāo)準(zhǔn)的電影評分評測集Movieslens作為實(shí)驗(yàn)的數(shù)據(jù)集,分別從算法的有效性和魯棒性這兩個方面進(jìn)行驗(yàn)證。實(shí)驗(yàn)效果證明BP神經(jīng)網(wǎng)絡(luò)結(jié)合用戶偏好模型不僅可以提高算法的有效性,而且還可以保證了算法的穩(wěn)定性。上述研究已在科研實(shí)踐中取得良好效果,可泛化到各個領(lǐng)域中的推薦系統(tǒng)。同時為了將來更多的優(yōu)秀的機(jī)器學(xué)習(xí)算法加入推薦系統(tǒng)的研究打下了理論的基礎(chǔ)。
[Abstract]:With the rapid development of e-commerce, recommendation system has become the standard of e-commerce websites. The recommendation system not only provides users with personalized recommendation service, but also increases their loyalty to the website. Recommendation system has become an important means of competition among e-commerce websites, so recommendation system has gradually become the core research part of large e-commerce companies. Recommendation algorithm is the most important part of recommendation system. The combination of association rules and machine learning is one of the most popular research methods of recommendation system. The main work of this paper is as follows: 1. The workflow of collaborative filtering in traditional recommendation algorithm is analyzed in detail, and the advantages and disadvantages of user-based collaborative filtering and object-based collaborative filtering are illustrated by examples. At the same time, this paper analyzes the applicable scenarios of several common recommendation algorithms, such as the recommendation of singular value decomposition (SVD) analysis, the recommendation based on implicit semantic analysis, Based on the recommendation of graph analysis, the advantages and disadvantages of Apriori algorithm and FP-tree algorithm in association rules are analyzed and studied. The association rules mining of positive and negative items is carried out on the premise that FP-tree algorithm only scans the data sets twice. The experimental results show that the algorithm not only improves the time consuming, but also automatically removes the contradictory association rules. This algorithm is an extension of negative association rules in FP-tree algorithm. In order to combine user preference model with BP network in machine learning, the process of establishing user preference model is explained in detail. At the same time, the preference model of target user is obtained by BP neural network. The standard film score evaluation set (Movieslens) is used as the experimental data set to verify the effectiveness and robustness of the algorithm. Experimental results show that BP neural network combined with user preference model can not only improve the effectiveness of the algorithm, but also ensure the stability of the algorithm. These studies have achieved good results in scientific research practice and can be generalized to recommendation systems in various fields. At the same time, it lays a theoretical foundation for more excellent machine learning algorithms to join recommendation system in the future.
【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.3

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李彥冬;郝宗波;雷航;;卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J];計(jì)算機(jī)應(yīng)用;2016年09期

2 羅頻捷;溫荷;;基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的個性化推薦算法研究[J];四川理工學(xué)院學(xué)報(bào)(自然科學(xué)版);2016年01期

3 陳澤;王國胤;胡峰;;基于加權(quán)兩層圖的混合推薦方法[J];計(jì)算機(jī)科學(xué);2012年12期

4 朱郁筱;呂琳媛;;推薦系統(tǒng)評價指標(biāo)綜述[J];電子科技大學(xué)學(xué)報(bào);2012年02期

5 王國霞;劉賀平;;個性化推薦系統(tǒng)綜述[J];計(jì)算機(jī)工程與應(yīng)用;2012年07期

6 毛宇星;陳彤兵;施伯樂;;一種高效的多層和概化關(guān)聯(lián)規(guī)則挖掘方法[J];軟件學(xué)報(bào);2011年12期

7 劉建國;周濤;郭強(qiáng);汪秉宏;;個性化推薦系統(tǒng)評價方法綜述[J];復(fù)雜系統(tǒng)與復(fù)雜性科學(xué);2009年03期

8 王寧;;一種基于BP神經(jīng)網(wǎng)絡(luò)的即時在線推薦系統(tǒng)[J];計(jì)算機(jī)技術(shù)與發(fā)展;2009年07期

9 劉建國;周濤;汪秉宏;;個性化推薦系統(tǒng)的研究進(jìn)展[J];自然科學(xué)進(jìn)展;2009年01期

10 王倫文;張鈴;;構(gòu)造型神經(jīng)網(wǎng)絡(luò)綜述[J];模式識別與人工智能;2008年01期

相關(guān)博士學(xué)位論文 前2條

1 張磊;個性化推薦和搜索中若干關(guān)鍵問題的研究[D];北京郵電大學(xué);2009年

2 沈斌;關(guān)聯(lián)規(guī)則相關(guān)技術(shù)研究[D];浙江大學(xué);2007年

相關(guān)碩士學(xué)位論文 前2條

1 張璽;數(shù)據(jù)挖掘中關(guān)聯(lián)規(guī)則算法的研究與改進(jìn)[D];北京郵電大學(xué);2015年

2 李彥釗;基于正負(fù)項(xiàng)目及多支持度的關(guān)聯(lián)規(guī)則挖掘算法研究[D];西南交通大學(xué);2010年

，

本文編號：1933849