-
公开(公告)号:CN105740444A
公开(公告)日:2016-07-06
申请号:CN201610072088.7
申请日:2016-02-02
Applicant: 桂林电子科技大学
IPC: G06F17/30
CPC classification number: G06F16/9535
Abstract: 本发明公开了一种基于用户评分的项目推荐方法,首先针对推荐系统中用户兴趣的动态性和多样性,综合时间因子对用户兴趣的全局影响,基于用户项目评分有效融入保持量函数,采用概率主题模型完成用户潜在兴趣的全局学习;然后针对其学习过程对潜在情景变化的敏感性,再次综合时间因子对用户潜在兴趣局部的影响,基于概念漂移问题的对兴趣进行面向用户个性化的二次更新学习,最后通过分析用户兴趣计算其对项目的支持度,并进行排序生成项目推荐列表。本发明能够在充分挖掘用户潜在兴趣的条件下,有效避免概念漂移问题对推荐性能的影响,提高系统的整体推荐质量。
-
公开(公告)号:CN106802936A
公开(公告)日:2017-06-06
申请号:CN201611247714.8
申请日:2016-12-29
Applicant: 桂林电子科技大学
IPC: G06F17/30
CPC classification number: G06F16/2465 , G06F2216/03
Abstract: 本发明涉及一种基于项集熵的数据挖掘方法,包括以下步骤:对采集的数据进行预处理,转化为同纬度的事务数据集存放到数据库;检索数据库,获取单项集和多项集的支持度;根据项集熵计算单项集的权值,根据单项集的权值计算单项集的加权支持度;去除加权支持度不满足支持度阈值的单项集,得到加权频繁1项集;根据单项集权值计算多项集的权值,根据多项集的权值计算多项集的加权支持度;去除加权支持度不满足支持度阈值的多项集,得到加权频繁多项集;根据满足置信度阈值的加权频繁项集的加权支持度和置信度得到改进关联规则。本发明引入了项集熵的概念对关联规则进行改进,提升了关联规则进行数据挖掘时的精度。
-