隨著互聯(lián)網(wǎng)時代的到來,電子商務迅猛發(fā)展,電商平臺上的商品越來越豐富,從剛開始興起的日用百貨、食品,到現(xiàn)在生鮮水果、醫(yī)藥產(chǎn)品、保險等。對于消費者而言,如何在數(shù)以萬計的產(chǎn)品中挑選自己喜歡的產(chǎn)品?對于商家而言,如何將自己的產(chǎn)品推薦給消費者?為了解決這些問題,個性化推薦系統(tǒng)運用而生,并且隨著不斷的研究發(fā)展,個性化推薦算法的精準性得到很大的提高。本文主要以關聯(lián)規(guī)則為基礎研究推薦算法,為提高關聯(lián)規(guī)則推薦有效性,從兩個方面著手解決問題:第一,在使用關聯(lián)規(guī)則挖掘之前,用兩步聚類對數(shù)據(jù)進行預處理,針對數(shù)據(jù)的稀疏性導致項目無法出現(xiàn)在關聯(lián)規(guī)則的關聯(lián)關系中的問題,采用兩步聚類將消費行為相似的用戶聚為一類,可改善用戶行為數(shù)據(jù)稀疏的問題,提高項目出現(xiàn)在關聯(lián)關系中的可能性;第二,提出了調(diào)整加權Apriori算法,該算法根據(jù)項目的重要程度對項目加權,并在New_Apriori算法的基礎上對加權支持度和加權置信度計算公式進行調(diào)整,改善了 New_Apriori算法中加權置信度計算時權重抵消的問題。本文結合醫(yī)藥電商平臺數(shù)據(jù)實現(xiàn)了兩步聚類與關聯(lián)規(guī)則結合的個性化推薦,通過聚類分析將消費... 

【文章來源】：華中師范大學湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【部分圖文】：

圖２．２?ＣＦ插入過程??２．?２．?２聚類階段??

科學位論文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??篩選強關聯(lián)規(guī)則，關聯(lián)規(guī)則｛１０３卜＞｛１０１｝、｛１０４｝＝＞｛１０１｝、Ｕ０３，１０４｝＝＞｛１０１｝、??｛１０３｝＝＞｛１０１，１０４｝、｛１０４｝＝＞｛１０１，１０３丨滿足大于等于加權最小置信度０．?２和加權最??小支持度１／１５，成為強關聯(lián)規(guī)則。??３．?７基于關聯(lián)規(guī)則算法的推薦??３．?７．１基于關聯(lián)規(guī)則算法推薦流程??如圖３．１所示，關聯(lián)規(guī)則的推薦以用戶歷史交易數(shù)據(jù)集為基礎，用關聯(lián)規(guī)則算??法產(chǎn)生頻繁項集，根據(jù)頻繁項集生成關聯(lián)規(guī)則，最終產(chǎn)生推薦關系。在推薦過程中??采用不同的關聯(lián)規(guī)則算法，推薦的效果也不同，本文主要研宄在事務數(shù)據(jù)集中項目??重要性不等的情況，提出采用加權關聯(lián)規(guī)則進行推薦，旨提高重要的項目在關聯(lián)規(guī)??則中的出現(xiàn)的可能性。??／＊???＼?－Ｖ?，?■?１?、?Ａ??用戶交易數(shù)據(jù)集發(fā)現(xiàn)頡ｆ頂集?＿？生成關聯(lián)規(guī)則?？產(chǎn)生推薦關系???／??／??／?Ｖ?？??圖３．１關聯(lián)規(guī)則推薦流程圖??３．?７．?２推薦測評指標??測評指標可用于評價推薦系統(tǒng)各個方面的性能，通常不同類型的推薦系統(tǒng)推薦??測評指標也略有不同，在電商推薦系統(tǒng)中常用的指標有：??（１）準確率準確率是反映在所有的推薦列表中用戶實際交互的??項目所占的比例。設推薦項的集合為Ｌｔ／，用戶實際交互項的集合為加〇？的??值越接近１，代表該推薦模型的準確率越高。推薦準確率（）計算公式３．?１０??如下所示：??Ｐｒｅｃｉｓｉｏｎ?＝?＼ＬｂｎＢＵ＼．?公式?３．?１０??丨叫??（２）召回率（辦ｃａ／／）。召回率反映的是在用戶實際交互的項目中推薦列表的??推

領士學位論文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??數(shù)據(jù)和購買藥品類型數(shù)據(jù)為基礎，通過兩步聚類算法將用戶分類，最終每個用戶都??有自己的類別標簽。??在ＳＰＳＳ中對２１５８８位會員進行兩步聚類，聚類結果如圖４．?１所示，輸入１７個??特征變量，將用戶聚為６類，聚類質(zhì)量顯示聚類分析尚可，聚類結果記為ｒ義：，??７＇５〇｛７＾，＜＾｝，其中７＾?＝〈／，氣〉，／?＝?１，２，．．－，２１５８８，）＝?１，２廣－，６。４表示第／位會員，？表??示兩步聚類得到的類，ｒｃ表示兩步聚類將會員聚到哪個類別。ｃｐ＝＜ｃ７，ａ＞，??Ａ－?＝?１，２，．．．，Ｗ，表示會員購買的醫(yī)藥產(chǎn)品，ＣＰ表示每個類＆與醫(yī)藥產(chǎn)品之間的關??系。??模型概要??箅法兩歩??輸入１７??聚類６??聚類質(zhì)量???????－１．０?－０．５?０．０?０．５?１．０??凝聚和分轉(zhuǎn)的輪抱測絕??圖４．?１兩步聚類模型概要??聚類分布如表４．５所示，第一類用戶＾數(shù)量較少，僅占用戶量的２．７％，ｃ６類別??用戶量次之，占總用戶的９．?６％，其余４類用戶數(shù)量較均勻。??表４．?５兩步聚類分布??聚類分布??占組合的踩分?占Ｓ計的鋝分??個案數(shù)?比?比??１?５９０?２．７％?２．７％??２?４２６３??１９．７％?＿?１＾９．７％??３?３３５７?１５．６％?１５．６％??４?６０１?６?２７．９％?２７．９％??５?＿＿５２９４??２４．５％?２４．５％??６?＿２０６８?９．６％?９．６％??組合?＿２１５８８?１００．０％?＿＿?１００．０％??一??２１５６８?１０

【參考文獻】：
期刊論文
[1]一種多層多維的關聯(lián)規(guī)則挖掘算法在推薦系統(tǒng)中的應用[J]. 黎丹雨,陳怡華.  計算機與現(xiàn)代化. 2019(06)
[2]DBSCAN算法研究及并行化實現(xiàn)[J]. 宋董飛,徐華.  計算機工程與應用. 2018(24)
[3]基于深度學習的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機學報. 2018(07)
[4]大數(shù)據(jù)挖掘在高校圖書館個性化服務中應用研究[J]. 柳益君,何勝,馮新翎,武群輝,熊太純.  圖書館工作與研究. 2017(05)
[5]基于改進的SOM聚類連續(xù)屬性離散化算法[J]. 陶剛,閆永剛,劉俊,鄒嬌.  計算機應用. 2015(S1)
[6]混合屬性數(shù)據(jù)k-prototypes聚類算法[J]. 余文利,余建軍,方建文.  計算機系統(tǒng)應用. 2015(06)
[7]協(xié)同過濾推薦技術綜述[J]. 冷亞軍,陸青,梁昌勇.  模式識別與人工智能. 2014(08)
[8]基于用戶相似度的協(xié)同過濾推薦算法[J]. 榮輝桂,火生旭,胡春華,莫進俠.  通信學報. 2014(02)
[9]基于Apriori算法的水平加權關聯(lián)規(guī)則挖掘[J]. 張智軍,方穎,許云濤.  計算機工程與應用. 2003(14)
[10]加權關聯(lián)規(guī)則挖掘算法的研究[J]. 陸建江.  計算機研究與發(fā)展. 2002(10)

博士論文
[1]協(xié)同過濾推薦算法的關鍵性問題研究[D]. 黃山山.山東大學 2016
[2]模糊聚類算法研究[D]. 曾山.華中科技大學 2012

碩士論文
[1]基于鏈接改進的BIRCH算法的研究與應用[D]. 陳婧文.吉林大學 2019
[2]基于關聯(lián)規(guī)則和聚類分析的個性化推薦系統(tǒng)的研究與實現(xiàn)[D]. 孫世文.吉林大學 2015
[3]基于數(shù)據(jù)挖掘的視頻推薦系統(tǒng)建模研究[D]. 謝發(fā)川.電子科技大學 2012



本文編號：3075224