两步聚类和关联规则结合的推荐算法在医药电商中的应用
这是一篇关于医药电商,推荐算法,两步聚类,加权关联规则的论文, 主要内容为随着互联网时代的到来,电子商务迅猛发展,电商平台上的商品越来越丰富,从刚开始兴起的日用百货、食品,到现在生鲜水果、医药产品、保险等。对于消费者而言,如何在数以万计的产品中挑选自己喜欢的产品?对于商家而言,如何将自己的产品推荐给消费者?为了解决这些问题,个性化推荐系统运用而生,并且随着不断的研究发展,个性化推荐算法的精准性得到很大的提高。本文主要以关联规则为基础研究推荐算法,为提高关联规则推荐有效性,从两个方面着手解决问题:第一,在使用关联规则挖掘之前,用两步聚类对数据进行预处理,针对数据的稀疏性导致项目无法出现在关联规则的关联关系中的问题,采用两步聚类将消费行为相似的用户聚为一类,可改善用户行为数据稀疏的问题,提高项目出现在关联关系中的可能性;第二,提出了调整加权Apriori算法,该算法根据项目的重要程度对项目加权,并在NewApriori算法的基础上对加权支持度和加权置信度计算公式进行调整,改善了 NewApriori算法中加权置信度计算时权重抵消的问题。本文结合医药电商平台数据实现了两步聚类与关联规则结合的个性化推荐,通过聚类分析将消费行为类似的用户聚为一类,利用关联规则算法挖掘同一类用户中购买的各类药品之间的关联性,以强关联性为指导为用户推荐可能需求的医药产品。最后通过两组对比分析,第一组比较仅使用关联规则的推荐系统和基于两步聚类与关联规则结合的推荐系统性能,第二组比较仅使用调整加权关联规则的推荐系统和基于两步聚类与调整加权关联规则结合的推荐系统性能,旨在分析两步聚类与关联规则结合的推荐系统性能,及调整加权关联规则推荐性能。
旅游推荐系统的研究与设计
这是一篇关于推荐系统,用户兴趣模型,加权关联规则,Android的论文, 主要内容为随着社会的快速发展和人们生活水平的不断提高,旅游已逐渐成为人们生活的重要组成部分,用户能够获取旅游信息的渠道也随信息技术的广泛应用而增加。大量未经过滤的信息在展示给用户的同时,也淹没了用户真正感兴趣的信息。为了方便用户快速定位自己感兴趣的信息,个性化旅游推荐系统应运而生。本文依据用户兴趣偏好,提出了基于自然遗忘规律的用户兴趣模型。首先,根据用户个人信息和短期浏览行为,分别构建长期用户兴趣模型与短期用户兴趣模型。然后,合并两个模型建立实时用户兴趣模型,并采用加权平均的方法来计算用户兴趣项的兴趣度。最后,采用基于自然遗忘规律的方法更新用户兴趣度,使模型能够更准确的体现用户的兴趣。在深入研究加权关联规则的基础上,对项集权值的设定提出了改进,并优化了频繁项集的挖掘过程。首先,将用户兴趣模型输出的用户兴趣度和数据项在数据库中出现的概率乘积作为项集的权值,使权值的设置更合理;其次,在频繁项集挖掘过程中,采用划分数据库的方法和矩阵向量存储结构,进一步提高了算法的性能;最后,将所有局部数据库中的频繁项集合并成全局候选项集,从中筛选出全局频繁项集,并生成强关联规则。实验结果表明,改进后的算法与MINWAL算法相比,性能有较大提高。最后,将改进的算法应用到基于Android的旅游景点推荐系统中,实现了个性化的旅游景点推荐。
两步聚类和关联规则结合的推荐算法在医药电商中的应用
这是一篇关于医药电商,推荐算法,两步聚类,加权关联规则的论文, 主要内容为随着互联网时代的到来,电子商务迅猛发展,电商平台上的商品越来越丰富,从刚开始兴起的日用百货、食品,到现在生鲜水果、医药产品、保险等。对于消费者而言,如何在数以万计的产品中挑选自己喜欢的产品?对于商家而言,如何将自己的产品推荐给消费者?为了解决这些问题,个性化推荐系统运用而生,并且随着不断的研究发展,个性化推荐算法的精准性得到很大的提高。本文主要以关联规则为基础研究推荐算法,为提高关联规则推荐有效性,从两个方面着手解决问题:第一,在使用关联规则挖掘之前,用两步聚类对数据进行预处理,针对数据的稀疏性导致项目无法出现在关联规则的关联关系中的问题,采用两步聚类将消费行为相似的用户聚为一类,可改善用户行为数据稀疏的问题,提高项目出现在关联关系中的可能性;第二,提出了调整加权Apriori算法,该算法根据项目的重要程度对项目加权,并在NewApriori算法的基础上对加权支持度和加权置信度计算公式进行调整,改善了 NewApriori算法中加权置信度计算时权重抵消的问题。本文结合医药电商平台数据实现了两步聚类与关联规则结合的个性化推荐,通过聚类分析将消费行为类似的用户聚为一类,利用关联规则算法挖掘同一类用户中购买的各类药品之间的关联性,以强关联性为指导为用户推荐可能需求的医药产品。最后通过两组对比分析,第一组比较仅使用关联规则的推荐系统和基于两步聚类与关联规则结合的推荐系统性能,第二组比较仅使用调整加权关联规则的推荐系统和基于两步聚类与调整加权关联规则结合的推荐系统性能,旨在分析两步聚类与关联规则结合的推荐系统性能,及调整加权关联规则推荐性能。
两步聚类和关联规则结合的推荐算法在医药电商中的应用
这是一篇关于医药电商,推荐算法,两步聚类,加权关联规则的论文, 主要内容为随着互联网时代的到来,电子商务迅猛发展,电商平台上的商品越来越丰富,从刚开始兴起的日用百货、食品,到现在生鲜水果、医药产品、保险等。对于消费者而言,如何在数以万计的产品中挑选自己喜欢的产品?对于商家而言,如何将自己的产品推荐给消费者?为了解决这些问题,个性化推荐系统运用而生,并且随着不断的研究发展,个性化推荐算法的精准性得到很大的提高。本文主要以关联规则为基础研究推荐算法,为提高关联规则推荐有效性,从两个方面着手解决问题:第一,在使用关联规则挖掘之前,用两步聚类对数据进行预处理,针对数据的稀疏性导致项目无法出现在关联规则的关联关系中的问题,采用两步聚类将消费行为相似的用户聚为一类,可改善用户行为数据稀疏的问题,提高项目出现在关联关系中的可能性;第二,提出了调整加权Apriori算法,该算法根据项目的重要程度对项目加权,并在NewApriori算法的基础上对加权支持度和加权置信度计算公式进行调整,改善了 NewApriori算法中加权置信度计算时权重抵消的问题。本文结合医药电商平台数据实现了两步聚类与关联规则结合的个性化推荐,通过聚类分析将消费行为类似的用户聚为一类,利用关联规则算法挖掘同一类用户中购买的各类药品之间的关联性,以强关联性为指导为用户推荐可能需求的医药产品。最后通过两组对比分析,第一组比较仅使用关联规则的推荐系统和基于两步聚类与关联规则结合的推荐系统性能,第二组比较仅使用调整加权关联规则的推荐系统和基于两步聚类与调整加权关联规则结合的推荐系统性能,旨在分析两步聚类与关联规则结合的推荐系统性能,及调整加权关联规则推荐性能。
个性化推荐系统中的推荐算法研究
这是一篇关于推荐系统,K-means算法,加权关联规则,协同过滤算法的论文, 主要内容为随着电子商务的发展,电商网站的规模在不断增大,网上商品的种类越来越多。推荐系统的出现可以帮助用户在面对如此繁多的商品信息时做出选择。但目前推荐算法依然在发展中,其精确性还不能满足人们的需求,所以有很多关于此方面的研究。如何根据用户的特定喜好进行更准确、更便捷的推荐服务成为了越来越多专家学者致力研究的内容。关联规则和协同过滤是两种重要的推荐算法。但是由于事物数据库中项目分布的不均匀性以及协同过滤算法中的数据稀疏性造成的冷启动问题,这些算法的精确性还有待提高。本文针对这些问题,对关联规则和协同过滤算法提出了改进,并将改进后的算法应用在个性化web商城推荐系统中。论文的研究工作得到了国家自然科学基金项目(No.61172072、61271308)、北京市自然科学基金项目(No.4112045)和高等学校博士学科点专项科研基金(No.20100009110002)的支持。本论文的主要研究工作包括:(1)根据Apriori算法及Partition算法的问题,改进了关联规则。针对事物数据库中具有强规律性的项目,设计了一种权重公式给予其相应加权,以此来提高事务数据库中具有稳定时间间隔规律项的支持度;(2)为了解决协同过滤算法中的数据稀疏性问题,本文根据后台数据库中的数据记录,获取其中的隐式信息,并结合MapReduce技术将其应用在个性化推荐系统中来优化稀疏矩阵;(3)为了寻找用户的邻居集合,本文提出了一种基于二进制循环指数的多重K-means协同过滤算法来发掘目标用户的最近邻居集合并为其进行商品推荐服务。将提出的算法应用在web商城推荐系统中,在个性化的推荐系统中优化根据用户个人喜好的推荐以及根据最近邻居集合预测目标用户感兴趣项的推荐模式;(4)将改进的加权关联规则和优化的协同过滤算法进行有机的结合,本文设计出了一个推荐系统原型,并通过实验对此系统的性能效果进行了分析。实验结果表明:改进后的关联规在精确度上得到了提高;采用MapReduce技术挖掘用户隐式信息可以弥补web商城单一使用用户的显示信息造成的缺陷;改进的协同过滤算法在发掘最近邻居的效率及精确度上得到了提高;融合上述两种算法的推荐系统的性能得到了优化。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计驿站 ，原文地址：https://m.bishedaima.com/lunwen/55934.html
