基于数据挖掘的自动化推荐系统算法

结合人工神经网络中的自适应共振理论(ART)及数据挖掘(Data Mining)技术来建构一个可自动聚类族群特征且能挖掘出关联特质的自动化在线推荐系统。探讨如何有效地运用数据挖掘技术从大量的数据库中挖掘出完整知识,以推荐适当的信息给使用者,帮助他们在浩大的信息流中找到真正需要、有用的文件或信息。整合ART及数据挖掘技术,并针对推荐系统的特性提出一种改进的ART算法(MART算法)。实例验证了算法的有效性。

自动化推荐系统改进ART算法分析

建构一个可以挖掘出关联特质的自动化推荐系统改进ART算法——MART算法.MART算法在推荐系统特性基础上,实现聚类和判断用户属性的重要性,使推荐系统可以设置每一个属性节点的权重,实现用户的分组,进而达到数据挖掘的目的.

基于数据挖掘的自动化推荐系统改进ART算法探究

随着网络的深度普及,人们对于互联网的使用越来越频繁,随之而来的是庞大且分散的各式各样的数据。面对海量的数据,用户在查询时往往难以高效地获取到对自己有价值的信息。为了向用户提供更精准的信息,提高用户获取有效信息的效率,自动化推荐系统适时而生。不管是通信领域还是其他领域,繁杂的数据都需要一种优异的处理算法或者机制来进行处理,本文通过把自适应共振理论(ART)和数据挖掘技术两者结合,形成一个自动化在线推荐系统,并对用于用户聚类的ART算法进行改进,提升了通信领域中推荐系统推荐的合理性与有效性。

采用数据挖掘的自动化推荐技术的研究

随着网络的迅速发展,各种数据量变得庞大且分散,利用关键词检索数据的传统方式变得相当费时。为了减少用户在网络上的搜寻时间,提供用户更确切的内容信息,自动化推荐系统(Automatic Recommender System)应运而生。该研究将人工神经网络中的自适应共振理论(Adaptive Resonance Theory,ART)和数据挖掘技术结合起来,建构了一个可自动聚类族群特征且能挖掘出关联规则的自动化在线推荐机制。同时将用于用户聚类的ART算法进行了改进,提出了MART聚类算法,使由推荐系统得出的结果变得更加合理和灵活。