基于用戶訪問(wèn)矩陣的網(wǎng)頁(yè)推薦模型研究.pdf

1、Web挖掘是將傳統(tǒng)數(shù)據(jù)挖掘與Web結(jié)合起來(lái)的技術(shù)，其中Web使用挖掘的挖掘?qū)ο笫怯脩艉途W(wǎng)絡(luò)交互過(guò)程中抽取的Web日志數(shù)據(jù)。對(duì)這些數(shù)據(jù)挖掘可以幫助理解用戶的行為，從而改進(jìn)站點(diǎn)的結(jié)構(gòu)，或?yàn)閬?lái)訪者提供網(wǎng)頁(yè)推薦服務(wù)。當(dāng)前基于使用挖掘的推薦模型中，通過(guò)關(guān)聯(lián)規(guī)則來(lái)預(yù)測(cè)用戶瀏覽模式在網(wǎng)頁(yè)推薦領(lǐng)域引起了很多關(guān)注，但許多關(guān)聯(lián)規(guī)則算法本身存在的缺陷，再加上預(yù)測(cè)的結(jié)果和用戶實(shí)際瀏覽行為之間的匹配率較低，推薦算法執(zhí)行結(jié)果必然難以讓用戶滿意。因此本文的工作主要圍

2、繞以上存在的問(wèn)題展開，主要分為以下幾個(gè)方面：
　　 首先，Web日志數(shù)據(jù)預(yù)處理。本文將粗糙集理論中屬性信息量的概念引入到預(yù)處理階段，給出了屬性重要性量化值的概念，提出了一種基于屬性重要性的數(shù)據(jù)預(yù)處理方式，該方法有效地剔除了噪音數(shù)據(jù)，從而為后期處理提供了規(guī)模更小的數(shù)據(jù)集，減小了日志數(shù)據(jù)挖掘的復(fù)雜度。
　　 接著，本文對(duì)可重復(fù)連續(xù)頻繁訪問(wèn)路徑挖掘算法進(jìn)行了研究。首先介紹了最具代表性的兩種頻繁訪問(wèn)路徑挖掘算法，接著文章對(duì)可重復(fù)

3、連續(xù)頻繁訪問(wèn)路徑挖掘算法進(jìn)行了詳細(xì)地分析，提出了一種CA-Mining算法，并通過(guò)實(shí)驗(yàn)驗(yàn)證了該算法的有效性和正確性。最后在第五章網(wǎng)頁(yè)推薦部分，采用CA-Mining算法進(jìn)行可重復(fù)連續(xù)頻繁訪問(wèn)路徑的挖掘。
　　 其次，分析了矩陣聚類的方法。文章在宋擒豹等學(xué)者提出的矩陣聚類的基礎(chǔ)上進(jìn)行了改進(jìn)，將頁(yè)面訪問(wèn)順序引入到向量相似性計(jì)算中來(lái)，給出了一種改進(jìn)的向量相似性計(jì)算方法，提高了矩陣聚類的精度。
　　 最后，對(duì)網(wǎng)頁(yè)推薦模型進(jìn)行了探