没有合适的资源?快使用搜索试试~ 我知道了~
基于改进FP-growth的用户兴趣推荐算法的设计与实现.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 55 浏览量
2022-12-15
14:16:26
上传
评论
收藏 209KB DOCX 举报
温馨提示
试读
9页
基于改进FP-growth的用户兴趣推荐算法的设计与实现.docx
资源推荐
资源详情
资源评论
1. 引言
互联网服务的发展为人们的日常交流和兴趣发现提供了前所未有的便利
[1]
.然而,信息
过载增加了在众多数据源中选择最佳项目的困难
[2]
.推荐系统作为解决用户个性化需求和信
息超载之间矛盾的解决方案,得到了广泛的研究和开发
[3-5]
.
本文的研究重点是针对没有用户评级的系统挖掘用户兴趣.主流的基于矩阵的协同过滤
(CF)算法存在矩阵稀疏性的问题,文献[2][3][6][7]关于改进的矩阵分解 CF 算法可以缓解矩
阵稀疏性带来的计算代价,但是对于用户数据更新会带来大量计算
[8]
,同时对于非兴趣项
目的处理能力不理想
[9]
.FP-growth 算法的理想挖掘效率和对矩阵稀疏性的不敏感性促使我们
采用基于改进 FP-growth 的 CF 来解决研究.
传统 FP-growth 算法因其算法步骤简单、内存要求低、运行效率高等优点在关联规则
挖掘中占据重要地位
[10-11]
.过去十年里,由于硬件设备的限制,关于 FP-growth 算法的研究
主要为了提高算法的效率和降低计算复杂度.文献[10]提出了一种新颖的 FP 阵列技术,以减
少 CPU 遍历 FP 树的时间.为了提高挖掘效率,文献[11],同时构建增量 HUP 词典图形树,
IHUP 事务频率树和 IHUP 事务加权利用树,协同工作以进行有效的数据挖掘.近十年来关
于 FP-growth 算法的研究,更关注系统应用.文献[12]通过修剪树来克服维度的爆炸并支持
快速在线推荐.文献[13]巧妙地应用 FP-growth 算法生成一组候选模糊关联规则,以提高分
类精度.
本文的主要工作为对文献[14][15]提出 FP-growth 算法进行改进,使其能够根据用户访
问记录反映用户兴趣特征,引进动态支持度实现精确推荐,并提供冷启动解决方案.
2. 提出的改进
传统 FP-growth 算法根据用户数据挖掘项目频繁项集,再通过项目频繁项集建立用户
与项目之间的联系,以此实现关联规则挖掘,并用于推荐系统.本节根据传统 FP-growth 算
法步骤提出相应的改进和扩展,以解决本文的研究问题.
2.1 相关说明
为了方便接下来的叙述和推导,这里给出研究问题的数据特征和相关符号的描述.
本文研究的用户数据经统计稀疏度为 96%,为极度稀疏系统.I={i
1
,i
2
,…,i
n
}表示项
目的集合,U={u
1
,u
2
,…,u
m
}表示用户的集合,其中 n 表示总项目数,m 表示总用户量.
表 1 中列出了关键的符号,以便下文使用.随机截取一个用户从 2018.08-2018.12 期间的浏
览记录如表 2 所示,从表 2 中可以看出用户浏览记录特点以及数据稀疏性.
表 1 符号说明
资源评论
罗伯特之技术屋
- 粉丝: 3649
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功