面向个性化推荐的快速关联规则挖掘算法

关联规则挖掘是解决电子商务推荐问题的重要方法之一。针对传统关联规则挖掘算法在解决移动电子商务环境个性化推荐问题时反复扫描数据库,频繁项挖掘效率低,关联规则挖掘准确率低以及规则大量冗余等不足,提出一个基于事务矩阵和用户兴趣度的关联规则挖掘算法（Matrix-and-Interestingness-based Association RulesMining,MIbARM）。该算法仅需扫描一次数据库,并在挖掘过程中不断缩小算法搜索空间以避免生成冗余候选项,同时避免了冗余规则挖掘,从而提高了挖掘效率。最后,在四组人工数据和160种参数组合的数值实验环境下,引入Apriori、CBAR及BitTableFI算法对MIbARM进行对比验证。结果表明,在不减少有趣规则的前提下,MIbARM不但可有效避免冗余候选项集的产生,而且大幅减少了冗余规则数量,极大提高了算法的搜索效率,同时提升了个性化推荐的质量,更适用于移动电子商务环境下的个性化推荐问题。

基于情境聚类和用户评级的协同过滤推荐模型

协同过滤是电子商务推荐系统中广泛应用的推荐技术,但面临着严重的用户评分数据高维化和稀疏性问题.同时,传统协同过滤中的相似度度量方法没有考虑用户评分行为对其他用户的影响,因而对评分预测的精度影响较大.此外,在移动环境下,传统协同过滤未结合情境信息,导致推荐质量下降.对此,提出一种基于情境聚类和用户评级的协同过滤模型.首先,根据情境信息对用户进行聚类,降低用户评分数据维度和稀疏性;然后,引入社会网络理论分析用户间关系,建立用户评级模型用于评价用户推荐能力,并结合评级指标进行评分预测.通过MovieLens和NetFlix数据集对基于该模型的SlopeOne算法和其它三种方法的比较验证结果表明:本模型在所有数据集上都获得了最高的预测精度,同时还具有最佳的推荐覆盖度,可显著提高预测精度,更适用于移动电子商务环境下的个性化推荐问题.

移动商务中面向客户细分的KSP混合聚类算法

数据挖掘技术中的聚类算法是解决客户细分问题的重要算法之一。为解决传统聚类算法在客户细分问题中分类精度较低、收敛速度较慢的问题,着重对比分析传统聚类算法中K-m eans、自组织映射网络和粒子群3种算法的不足,提出融合3种算法优点的混合型聚类算法,该算法利用K-m eans和自组织映射网络对初始聚类中心进行优化,结合粒子群优化和K-m eans优化聚类迭代过程,并在迭代优化过程中设计避免算法因早熟而停滞的机制。针对移动电子商务环境下的餐饮业客户细分问题,建立移动餐饮业客户细分模型,并利用混合型聚类算法、K-m eans、层级自组织映射网络和基于粒子群的K-m eans等4种算法对实际案例进行对比分析。研究结果表明,混合型聚类算法的聚类精度分别比其他3种算法高,同时还具有最快的收敛性能,更适用于客户细分问题。