基于Web數據挖掘的推薦系統(tǒng)算法研究.pdf

1、伴隨著互聯網的飛速發(fā)展，互聯網的信息愈來愈多，呈指數級別增長。如何在這些海量信息中發(fā)現有價值的知識信息，是每個電子商務商家面對的重要問題之一。Web數據挖掘作為一門涉及多個領域的綜合技術，旨在從海量的、不規(guī)則的、含噪聲的數據中，提取出隱含于數據中的、人們事先未知的而又潛在有用的知識信息。只有將Web數據挖掘的結果應用于實際中，才能最終使用戶受益，這便涉及到Web數據挖掘的一個重要應用——推薦。
　　推薦系統(tǒng)根據Web數據挖掘的結果

2、，分析用戶的行為喜好，然后將用戶需要的物品推薦給用戶。推薦系統(tǒng)的核心是算法，本文對推薦算法中的關聯規(guī)則和聚類進行了詳細的分析與研究，并對關聯規(guī)則算法中的Apriori算法和聚類分析中的K-means算法提出了對應的改進方法。關聯規(guī)則和聚類分析是推薦系統(tǒng)中應用較為廣泛的兩種方法。Apriori算法是關聯規(guī)則分析的一個經典算法，本文針對關聯規(guī)則生成的兩個過程，提出了改進方法。在生成頻繁項集過程引入數組的概念;在生成關聯規(guī)則過程中引入樹的概念

3、。針對聚類算法中的K-means算法對初始聚類中心依賴較大的問題，本文提出兩種新的初始聚類中心選擇方法，并對改進后的算法同原有算法進行了對比。論文最后對關聯規(guī)則和聚類算法在推薦系統(tǒng)中的應用進行了分析，兩種算法相互結合能夠提高推薦準確率，進而提高推薦系統(tǒng)的性能。
　　通過對Apriori算法進行改進，有效降低了數據庫的掃描次數、減少了冗余規(guī)則的產生;通過對K-means算法的改進，優(yōu)化了初始聚類中心的選擇方法，從而提高了聚類準確率。