基于興趣度和聚類的動態(tài)加權關聯規(guī)則挖掘的研究.pdf

1、關聯規(guī)則的挖掘是數據挖掘領域和個性化推薦領域的重要分支，用于發(fā)現數據庫項目間有意義的聯系，其中加權關聯規(guī)則的挖掘因更有利于解決數據庫中項目重要程度不同等問題成為主要研究熱點。本文首先介紹了現有加權關聯規(guī)則挖掘算法，在深入分析研究部分常用算法后，發(fā)現常用加權關聯規(guī)則挖掘算法存在權值固定且破壞關聯規(guī)則挖掘的向下封閉性、挖掘效率低等問題。
　　本文針對以上問題結合電子商務平臺的實際應用場景進行了深入的研究，主要工作內容如下:
　　

2、1.通過構建用戶的興趣度模型和引入興趣度模型的更新機制，解決權值設定主觀且固定不變的問題。將用戶對商品的興趣度作為該商品的權值，使得項目的權值能動態(tài)反映用戶對各個商品項的興趣度。
　　2.基于數據樣本特征改進clique聚類算法，將其與加權關聯規(guī)則相結合，解決傳統(tǒng)加權關聯規(guī)則挖掘算法的挖掘過程會產生大量的頻繁項集而導致挖掘效率低下的問題。改進的算法對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簇內，在各個聚類簇內部進行

3、加權關聯規(guī)則的挖掘，可以使挖掘的數據量大幅度減少，提高算法的效率。
　　3.針對權值破壞傳統(tǒng)關聯規(guī)則挖掘的向下封閉性的問題，引入事務集權值方法。將一個用戶的興趣度記錄看作一條事務，使得加權關聯規(guī)則滿足傳統(tǒng)Apriori算法的向下封閉性，最后在各個簇內采用加權FP-Growth算法進行挖掘。
　　相比于現有加權關聯規(guī)則，改進算法使得權值的設定更加合理，且能動態(tài)反映用戶的興趣變化，滿足關聯規(guī)則向下封閉的先驗知識，即頻繁項集的子集