基于增强关联规则挖掘的大型网站推荐系统

doi:doi: 10.3969/j.issn.1006-2475.2016.10.007

计算机与现代化

基于增强关联规则挖掘的大型网站推荐系统

东莞理工学院计算机学院，广东东莞523808

收稿日期:2016-03-29 出版日期:2016-10-15 发布日期:2016-10-14
作者简介:邹裕(1983-)，男，广东河源人，东莞理工学院计算机学院实验师，硕士，研究方向：计算机应用，移动互联网；肖倩(1973-)，女，湖南桃江人，高级实验师，硕士，研究方向：智能算法，计算机应用；吴树荣(1977-)，男，广东东莞人，实验师，硕士，研究方向：网络安全，智能算法。
基金资助:
广东省高校优秀青年创新人才培养计划项目(2012LYM0125)

Recommendation System for Large Website Based on Enhanced Association Rules Mining

College of Computer Science and Technology, Dongguan University of Technology, Dongguan 523808, China

Received:2016-03-29 Online:2016-10-15 Published:2016-10-14

摘要/Abstract

摘要：

针对大型网络中基于内容的推荐系统延迟较高、推荐满意度较低的问题，提出一种基于增强关联规则挖掘算法的高性能推荐系统。首先，通过消除会话中出现频率较低的内容将数据库最小化处理

；然后，为每个会话引入相关的计数器，使用该计数器统计相应会话的重复次数，代替传统推荐系统对重复会话的直接聚类，该改进策略不仅提高了推荐的时间效率，而且增强了推荐引擎的扩展能力。

基于真实数据的实验结果表明，本推荐系统具有较高的实时性与较高的推荐准确率。

关键词: 关联规则, 推荐系统, 实时性, 会话计数器, 推荐引擎

Abstract:

Aiming at the problem that the content based recommendation system has high delay and low degree of satisfaction of recommendation in the large web site, an enhanced

association rules mining based recommendation system for large web site is presented. Firstly, the items with low frequency occurrence are eliminated so that the database is

minimized; Then, a counter is introduced to each transaction, and the counter is used to count the number of replication of the transaction instead of the directly clustering

process of repeated transactions in the traditional recommendation system, this improved strategy not only improves the efficiency of recommendation but also the scalability of

the recommendation engine. Real data based experiments results show that the proposed system is real time and has high recommendation accuracy.

Key words: association rules, recommendation system, real time, transaction counter, recommendation engine

中图分类号:

TP301

邹裕，肖倩，吴树荣. 基于增强关联规则挖掘的大型网站推荐系统[J]. 计算机与现代化, doi: doi: 10.3969/j.issn.1006-2475.2016.10.007.

ZOU Yu， XIAO Qian， WU Shurong. Recommendation System for Large Website Based on Enhanced Association Rules Mining[J]. Computer and Modernization, doi: doi: 10.3969/j.issn.1006-2475.2016.10.007.

［1］危世民,戴牡红. 多Agent协同的电子商务推荐系统模型［J］. 计算机应用, 2014,34(4):1118-1121.
［2］王国霞,刘贺平. 个性化推荐系统综述［J］. 计算机工程与应用, 2012,48(7):66-76.
［3］余文喆,张蓉,王立. 电子商务中的商品推荐系统［J］. 华东师范大学学报(自然科学版), 2013(3):46-53.
［4］Yin Hongzhi, Sun Yizhou, Cui Bin, et al. LCARS: A locationcontentaware recommender system［C］// Proceedings of the 19th ACM SIGKDD International Conference on

Knowledge (KDD’13). 2013:221-229.

［5］吴颜,沈洁,顾天竺,等. 协同过滤推荐系统中数据稀疏问题的解决［J］. 计算机应用研究, 2007,24(6):94-97.
［6］李文海,许舒人. 基于Hadoop的电子商务推荐系统的设计与实现［J］. 计算机工程与设计, 2014,35(1):130-136.
［7］Yuan N J, Zheng Yu, Zhang Liuhang, et al. TFinder: A recommender system for finding passengers and vacant taxis［J］. IEEE Transactions on Knowledge & Data Engineering,

2013,25(10):2390-2403.
［8］张瑶,陈维斌,傅顺开. 基于大数据的高校图书馆推荐系统仿真研究［J］. 计算机工程与设计, 2013,34(7):2533-2541.
［9］王太雷. 基于相似模式聚类的电子商务网站个性化推荐系统研究［J］. 计算机工程与应用, 2005,41(6):152-157.
［10］许海玲,吴潇,李晓东,等. 互联网推荐系统比较研究［J］. 软件学报, 2009,20(2):350-362.
［11］王国霞,刘贺平. 个性化推荐系统综述［J］. 计算机工程与应用, 2012,48(7):66-76.
［12］陈耿,朱玉全,杨鹤标,等. 关联规则挖掘中若干关键技术的研究［J］. 计算机研究与发展, 2005,42(10):1785-1789.
［13］黄名选,严小卫,张师超. 基于矩阵加权关联规则挖掘的伪相关反馈查询扩展［J］. 软件学报, 2009,20(7):1854-1865.
［14］崔贯勋,李梁,王柯柯,等. 关联规则挖掘中Apriori算法的研究与改进［J］. 计算机应用, 2010,30(11):2952-2955.
［15］Tsay Y J, Chiang J Y. CBAR:An efficient method for mining association rules［J］. KnowledgeBased Systems, 2005,18(s2-3):99-105.
［16］Lucchese C, Orlando S, Perego R, et al. WebDocs:A reallife huge transactional dataset［C］// Proceedings of the IEEE ICDM Workshop on Frequent Itemset Mining

Implementations (Fimi’04). 2004.
［17］Kardan A A, Ebrahimi M. A novel approach to hybrid recommendation systems based on association rules mining for content recommendation in asynchronous discussion groups

［J］. Information Sciences, 2013,219(1):93-110.

[1]	钟松影. 基于关联规则Apriori算法的纺织原料成本预警[J]. 计算机与现代化, 2023, 0(07): 43-43.
[2]	王劭华, 欧阳会丹, 孙丹, 王康, 吴鸿萍, 钟询, 褚兴平, 杨松涛. 基于Apriori算法的大学生体测项目关联规则挖掘[J]. 计算机与现代化, 2023, 0(03): 66-70.
[3]	张宗海, 於跃成, 冯申. 融合三重注意力和评论评分的深度推荐算法[J]. 计算机与现代化, 2022, 0(05): 1-9.
[4]	刘亦欣, 王家伟, 李自力. 融合注意力与深度因子分解机的时间上下文推荐模型[J]. 计算机与现代化, 2021, 0(11): 22-27.
[5]	陈卓, 袁玺明, 杜军威. 在线问答社区——海川化工论坛的回答者推荐算法[J]. 计算机与现代化, 2021, 0(10): 29-34.
[6]	王杉文, 欧鸥, 马万民, 陈建林. 基于用户信息向量聚类和改进SAMME的推荐算法[J]. 计算机与现代化, 2021, 0(07): 23-28.
[7]	郭欣, 陈瑛, 章鸣嬛, 张璇, 潘曙明, 汤璐佳. 利用机器学习方法对灾难生命支持课程NDLS培训效果进行分析预测#br#[J]. 计算机与现代化, 2020, 0(12): 61-66.
[8]	冯云霞, 韩正亮, 薛蓉蓉, 宋波. 心血管疾病并发症与虚弱症关联模式研究[J]. 计算机与现代化, 2020, 0(07): 85-89.
[9]	于海洋. 快速挖掘最大频繁项集算法在图书馆管理中的应用[J]. 计算机与现代化, 2020, 0(06): 68-.
[10]	罗有志1,2，陈征明2，陈明2，梅文涛2. 一种基于自适应关联熵的关键字提取算法[J]. 计算机与现代化, 2020, 0(04): 67-.
[11]	王云，李丛. 基于改进关联规则算法的警情数据分析[J]. 计算机与现代化, 2019, 0(12): 1-.
[12]	石慧1，陈恩2. Spark平台的分布式阶段自适应关联规则挖掘算法[J]. 计算机与现代化, 2019, 0(12): 31-.
[13]	欧阳宏基１，杨铎2. 基于微服务架构的学位论文写作辅助平台[J]. 计算机与现代化, 2019, 0(10): 34-.
[14]	谢浩然1，卫巍2，杨志辉3，邓居智1，葛坤朋1. 基于TF-IDF的新型广播电视节目协同推荐流程[J]. 计算机与现代化, 2019, 0(09): 65-.
[15]	黎丹雨. 基于多特征融合的电影推荐系统[J]. 计算机与现代化, 2019, 0(08): 121-.

基于增强关联规则挖掘的大型网站推荐系统

Recommendation System for Large Website Based on Enhanced Association Rules Mining

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价