关联规则在推荐系统中的应用(共8页).doc

精选优质文档-倾情为你奉上关联规则在推荐系统中的应用 摘要：推荐系统从网站数据中提取用户感兴趣的信息，为用户提供个性化服务。推荐算法应尽可能地利用各种有用的资料信息，提供更加精确有效的推荐。文章对目前推荐系统所使用的技术进行了分析针对推荐系统面临的问题，提出一种基于关联规则挖掘的推荐算法，该算法结合用户访问数据和商品层次结构数据，快速选择最优匹配粒度，进行在线推荐。 关键词：数据挖掘关联规则推荐系统 1引言 随着商场信息化的建设，商场积累了大量的销售数据。面对海量销售数据和大量繁杂信息，如何从数据海洋中提取有价值的知识，为商场的管理提供决策支持，提高商场的竞争力，已经成为商场管理者关注的热点。在这一背景下，数据挖掘技术应运而生。数据挖掘技术就是从大量的数据中挖掘出有效的、新颖的和潜在有用的知识，目的是为企业的管理决策提供支持。在数据挖掘的知识模式中，关联规则挖掘是非常重要的一种，也是非常活跃的一个分支。关联规则挖掘能发现大量数据中项目集之间有趣的关联或相关关系。随着大量数据不断地收集和存储，许多业界人士对于从他们的数据库中挖掘关联规则越来越感兴趣。从大量商务事务记录中发现有趣的关联关系，可以帮助许多商务决策的制定，如分类设计、交叉购物和促销分析。关联规则可以广泛应用到商场、金融、政府、通信等各个领域。推荐系统就是根据用户个人的喜好、习惯来向其推荐商品信息的程序。最初的研究动机来自于Internet带来的信息爆炸。通常人们借助于搜索引擎来寻找所需的内容，但大多数用户很难用几个简短的关键字来准确地描述自己的需要，其结果是要么得不到任何结果，要么不得不在返回的一长串列表中逐个查看。于是设想让一个程序来揣摩用户的心意，观察什么是用户喜欢的，什么是用户不喜欢的，然后自动地为用户筛选出与喜欢的模式匹配的内容，过滤掉那些与不喜欢的模式匹配的内容。要解决这一问题，传统的数据库技术已经很难满足商场管理者的需求。 2推荐系统介绍 电子商务网站可以使用推荐系统分析客户的消费偏好，向每个客户具有针对性地推荐的产品，帮助用户从庞大的商品目录中挑选真正适合自己需要的商品。推荐系统在帮助了客户的同时也提高了顾客对商务活动的满意度，换来对商务网站的进一步支持。一般说来，推荐系统在电子商务活动中的作用可以归纳为以下几点： 2.1帮助用户检索有用信息 已有明确购物目标的客户也许可以借助检索系统找到自己需要的东西，但对于大多数只是四处逛逛看一看的冲浪者，或是对自己的需要比较模糊的购买者。很难有耐心在几十页长的商品目录逐项查找是否有自己感兴趣的东西。而推荐系统通过合适的推荐，可以将一个浏览者变为购买者。 2.2促进销售。在用户购买过程中，推荐系统根据购物车中已有的东西向用户提供其它有价值的商品推荐，用户能够从提供的推荐列表中购买自己确实需要但在购买过程中没有想到的商品，可以有效地提高电子商务系统的交叉销售和向上销售提供客户正追求的更好的商品或服务。 2.3个性化的服务 一个成功的推荐系统实际为每个顾客建立了一个自己的商店，网站的内容根据每个客户的特点进行调整。 2.4提高客户忠诚度 个性化的服务在商家与顾客之间建立起了一条牢固的纽带，顾客越多地使用推荐系统推荐系统可以更适合顾客的需要。将顾客更多地吸引到自己的网站，与顾客建立长期稳定的关系。从而能有效保留用户，防止用户流失。 作为电子商务站点来说，获得了用户的频繁查找路径信息只是电子商务站点走向成功的第一步。即浏览用户可能正在查找一些商品信息，还需要进一步分析有多少查找用户最终会转换为购买者，以赢得电子商务站点的最终目标即查找用户转换为购买者。因此，需要对这些数据集商品信息，用户对商品的评价信息进行有效地分析，发现用户感兴趣的商品，并向合适的用户提供合适的推荐项，使用户尽可能转换为客户。对于一些经常购买商品的客户，也要通过数据挖掘技术发现他们的潜在需要。以保持他们的忠诚度，从而增加电子商务站点的成功。如何使查找者转为购买者，并成为一些有吸引力的优势项的忠实客户，实时地推荐最具吸引力的项就成为推荐系统的关键部分。在这里提出了一个基于关联规则算法的推荐系统，如下面图1所示： 用户资料库存储了大量拥护的统计信息以及用户对某些商品的评价信息。其数据组织形式如表1所示： 在挖掘之前，可以将用户对这些对象的评价信息映射为多个(0，1)之间的值，依评价信息的不同程度如好，较好，一般，差，较差分为5个档次，分别对应一个不同的兴趣度值(1.0，0.8，0.6，0.4，0.2)。如果用户没有对某对象做出评价，一种简单的办法是将其兴趣值处理为0。 用户的资料信息可以从用户登录页面时要求选择或输入有关项的评价信息中获取，它与用户的爱好、观念是紧密相联的，并且这些数据要不断保持更新。在实践中，若能得到大量的用户信息的数量质量。并定期维护用户数据库，则推荐的效果更明显。偏好信息库存储了诸如客户的购买历史等信息，以平面文件的形式表示成表2所示，由于大多数的销售资料是匿名的、汇总过的数据，不利于描述个别的消费行为。比如，表中列举了ID为001的客户在A上的消费金额为230，在C上没有消费，这些信息没有包含个别商品价格信息，需要使用外部资料描述重要客户群的消费行为。 被推荐项的兴趣的度量主要通过用户对这些项的点击次数或购买次数来衡量，将次数分别累计并各自保存在基本的代理中。作为决策代理，它要根据2个基本代理在各个推荐项上的累计次数来更新推荐代理的权值(各推荐项来自哪个代理已经被标记)，因此，若推荐项被点击的次数越多则该推荐代理的权重相应增加即可信度增加，意味着这些项的被推荐率更大。整个过程在用户的评价及反馈，以及系统的监视之中。最后，决策代理从中选出前项进行推荐，并增加其它一些URL生成推荐页面。 各个代理承担着不同的职责，不同代理的描述如下： 内容代理：根据用于描述这些项的文本信息的关键字进行分析并建立一个用户配置，当用户提出推荐请求时，内容代理抽取用户配置并计算已知项与其它项之间的相似性。由于这些项以关键字向量的形式表示，因此这些新的相似项的预测值可以由余弦函数计算得到，所以适合推荐内容丰富的页面。 联合代理：基于相似用户的偏好数据进行分析，并预测在某些项上用户的偏好。因为这种方法不必分析文本信息，所以适合对包含多媒体信息的项进行推荐，比如电影，音乐主题等。 决策代理：根据2个基本代理的推荐项进行协调处理，包括对它们的权重的更新。 3关联规则推荐算法 基于关联规则的推荐算法可以分为离线的关联规则推荐模型建立阶段和在线的关联规则推荐模型应用阶段。离线阶段使用各种关联规则挖掘算法建立关联规则推荐模型，这一步比较费时，但可以离线周期进行在线阶段根据建立的关联规则推荐模型和用户的购买行为向用户提供实时的推荐服务。 使用关联规则推荐算法产生最值得推荐的N种商品算法步骤如下： 1根据交易数据库中每个用户购买过的所有商品的历史交易数据创建每个用户的事务记录，构造事务数据库。 2使用各种关联规则挖掘算法对构造的事务数据库进行关联规则挖掘，得到满足最小支持度Minsupport和最小置信度Minconfidence所有关联规则，记为关联规则集合R。 3对每个当前用户USER，设置一个候选推荐集PU，并将候选推荐集PU初始化为空。 4对每个当前用户USER，搜索关联规则集合R找出该用户支持的所有关联规则集合RI，即关联规则左部的所有商品出现在用户USER的当前购买数据和历史交易记录中。 5将关联规则集合RI右部的所有商品加入候选推荐集PU。 6从候选推荐集PU中，删除用户已经购买过的商品。 7根据关联规则集合RI的置信度对候选推荐集PU中所有候选项进行排序，如果一个项在多条关联规则中出现，则选择置信度最高的关联规则作为排序标准。 8从候选推荐集PU中选择置信度最高的前N个项作为推荐结果返回给当前用户USER。 4小结 本文提出了基于关联规则的推荐系统，描述了它的特点和体系结构和功能结构，并对推荐系统的实现做了说明，以及关联规则算法的描叙，该算法提高了在线推荐信息匹配的质量和性能，可成功应用到大型电子商务网站的个性化服务中。专心-专注-专业