粒关联规则算法的研究与改进

发布时间：2023-11-03 18:35

　　互联网时代的信息过载已逐渐影响了人们日常生活的各个方面。推荐系统解决了信息过载的问题,也因此而被广泛应用。推荐系统可以提供个性化和差异性的服务,但仍存在诸如冷启动等一系列难题。粒关联规则算法可以解决推荐系统的冷启动问题。粒关联规则算法是在粒计算和粗糙集的基础上,利用四个评价指标来挖掘多元关系数据表中的隐藏模式。粒关联规则算法挖掘出来的规则比传统的关联规则语义更加丰富。粒关联规则算法利用Scaling-based方法和离散化的方法解决了挖掘过程中由于属性多值和数值型数据而导致的难以挖掘的问题。粒关联规则利用匹配用户粒方法为不同属性的用户粒推荐相应的规则。此外,根据粒置信度和显著性指标,粒关联规则算法为不同的用户提供Top-k推荐规则,提高推荐系统的有效性。粒关联规则算法虽然存在很多优点,但在构建规则时是以Apriori算法为基础的,因此难以避免由Aprioir算法导致的规则冗余的问题。本文在粒关联规则的基础上引入极大频繁项集的概念来改进规则存在冗余的问题。实验结果表明改进后的算法比原始算法在规则数量上有所减少,且运行时间更短。改进后的算法虽然在规则数量上比原始算法少,但改进后的算法存在少...

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 课题背景
    1.2 研究目的和意义
    1.3 国内外研究现状
    1.4 论文组织
    1.5 本章小结
第2章 粒关联规则算法
    2.1 粒关联规则算法相关工作
    2.2 基于粒关联规则算法的冷启动推荐算法
    2.3 基于粒关联规则的TOP-K推荐方法
    2.4 本章小结
第3章 基于极大频繁项集的粒关联规则算法改进
    3.1 研究目的与意义
    3.2 频繁项集的紧凑表示
    3.3 极大频繁粒集的相关概念
    3.4 基于极大频繁项集的粒关联规则改进算法
    3.5 实验评价指标
    3.6 实验结果及分析
    3.7 本章小结
第4章 基于数据立方体的粒关联规则TOP-K推荐
    4.1 研究目的和意义
    4.2 数据立方体相关概念
    4.3 基于数据立方体的粒关联规则
    4.4 基于数据立方体的粒关联规则TOP-K推荐算法
    4.5 实验结果及分析
    4.6 本章小结
第5章 总结与展望
    5.1 总结
    5.2 未来研究与展望
致谢
参考文献
个人简介



本文编号：3859677