一种高效的Apriori算法优化方法

通过对关联规则挖掘中的Apriori算法进行深入的分析与研究,为减少算法中对数据库的大量扫描操作、节省挖掘时间,提出了一种改进的Apriori算法。该算法可以提前判断算法是否应该结束,也使得算法省去了不必要的操作,节省了挖掘时间。最后通过实例分析,证明了其高效性。     

基于关联规则的高校图书信息数据挖掘

随着教学水平的提高和科学技术的不断发展,高校图书馆的书本存储量越来越多,学生对书本的需求量和使用量也急剧增高.这些现实因素给高校图书管理系统带来很大压力,在图书管理系统中使用数据挖掘技术变得迫在眉睫.本文以高校学生借阅图书为研究对象,针对高校图书管理系统提出Apriori算法,对图书的摆放方式提出相关建议,从而达到方便图书管理、便捷学生借阅的目的.     

基于Apriori算法的关联规则及其应用研究

基于Apriori算法的关联规则,在高校图书馆,对学生的借阅数据进行深度的挖掘和分析,得出相关联的书籍,从而为学生提供潜在需求的服务,打造个性化图书馆服务,为学生提供了便利的同时,也提高了图书馆资源的利用率。     

关联规则挖掘在图书馆中的应用

利用数据挖掘中的关联规则技术,从大量数据中发现有价值的规则。文章用改进Apriori算法对安徽省图书馆的借阅数据进行挖掘,从中发现了一些有价值的规则,为图书馆读者服务提供指导信息。     

基于关联规则的图书借阅服务推荐方法

本文将关联规则应用于图书借阅的服务推荐方法,首先对读者借阅历史记录进行预处理,然后进行关联规则挖掘和分析,利用挖掘出的频繁项集进行服务推荐。该方法与传统推荐技术相比,能更全面、准确、清晰地进行图书借阅推荐。     

关联规则算法在图书自动推荐系统中的应用

针对传统图书自动推荐系统准确性不高的缺点,提出利用数据挖掘中的关联规则算法技术将读者借阅的图书、性别、年龄、职称、职业、受教育程度、爱好等多维关系生成关联规则,再将读者基本信息与这些规则进行比较,把匹配的关联规则推荐给读者,就能解决传统推荐系统的不足,提供更加灵活的个性化图书推荐服务。文章以湖南图书馆2011年读者借阅数据为例,利用Microsoft SQL Server 2008为工具进行了关联规则算法的数据挖掘分析。     

DARVM及其在图书推荐系统中的应用

指出现有关联规则可视化模型在数字图书馆的书籍量多时会造成界面紊乱、难于显示整体信息等问题,通过对现有关联规则可视化模型的改进,提出基于菱形图的关联规则可视化模型。根据空间认知能力提高读者整体把握信息能力,根据规则概率高低分配屏幕资源,以此增强信息容纳量,解决读者易迷失于书海以及难于解读挖掘结果的问题,减少读者借阅时间,提高图书推荐质量,并在该模型基础上建立图书借阅推荐系统,以期为读者提供决策支持。     

基于Disconnected Apriori算法的图书馆书目推荐服务

介绍一种Apriori的改进算法,该算法通过寻找大于最小支持计数的最大频繁项集,可以直接得到最终频繁项集,将改进算法应用到图书馆书目推荐服务中,并对改进算法与Apriori算法进行算法的性能分析及实验数据的运行时间对比,实验证明改进算法在运行速度和挖掘性能上较经典Apriori算法有显著提高。     

CARMA算法挖掘技术在图书流通中的实证研究

将CARMA算法这一新式数据挖掘算法应用于图书借阅流通领域。在概述CARMA算法的基础上,文章完整、详尽地阐述了将CARMA挖掘算法应用于图书流通领域从数据预处理到建立模型再到数据挖掘结果分析的整个流程,并基于上海交通大学图书馆2009-2010年的借阅数据进行了实证研究,得出了各类图书间的借阅关联性。本研究意在为图书馆图书资源采购和馆藏资源空间布置提供可资借鉴的依据。最后,文章还给出了图书馆在图书采购工作和馆藏资源空间布置等方面的建议。     

关联规则挖掘技术在学生选课系统中的应用

文章运用数据挖掘的关联分析理论,对学生成绩数据库进行了挖掘,得到了一些合理、可靠的课程关联规则．从而为学分制体系下的学生选课提供指导以及为今后的教学课程设置提供参考。     

基于关联规则的计算机等级考试答卷分析

阐述了数据挖掘的概念,介绍了Apriori算法,对计算机等级考试答卷数据进行关联规则挖掘,分析影响计算机等级考试成绩的因素,并找出课程知识点之间潜在的关联规则,指导教师对教学过程进行决策和研究,为提高教学质量奠定了基础。     

图书流通关联规则分析

关联规则是数据挖掘领域一个重要的研究任务。文章首先介绍关联规则的基本概念和常用的关联规则算法。接着以上海交通大学两年的图书流通数据为研究对象,利用关联规则和Apriori算法,分别对图书的类别和特定图书的借阅关联性做出分析,得出图书大类和一些单本图书的借阅关联性特点,最后在此基础上为图书馆工作和个性化服务提出合理建议。     

一种改进的协同过滤方法在高校图书馆图书推荐中的应用

[目的/意义] 为解决高校图书推荐过程中面临的“数据稀疏”和“冷启动”问题,研究表明：优化读者评价矩阵和相似度模型是提高图书推荐质量的关键。[方法/过程] 提出一种协同过滤改进方法,以图书分类为项目生成用户评价矩阵,并考虑借阅方式、借阅时间和图书相似度对用户兴趣度的影响,优化矩阵中的样本数据;同时,在计算读者相似度时融入读者特征和图书特征。[结果/结论] 实验结果表明,该方法可有效解决“数据稀疏”和“冷启动”问题,显著降低计算量。与基本协同过滤和聚类改进的协同过滤方法相比,无论是在推荐准确率还是在用户满意率上都有较大的提高,综合推荐效果更好。     

基于协同过滤的图书推荐模型

针对目前传统数字图书馆无法为用户提供准确个性的图书推荐服务的问题,提出构建基于协同过滤的图书智能推荐系统。首先对图书进行聚类,构建无缺失的图书评价矩阵,在此基础上根据读者对相似图书的评分预测读者的兴趣爱好,为读者提供个性化的图书推荐。该方法在评分数据极端稀疏的情况下也可以为读者作出准确的图书推荐。最后通过实验验证该推荐方法的有效性和实用性。     

基于GRI模型和C5．0规则集的图书推荐模式研究

通过应Clementine12．0中关联规则的GRI模型和C5．0推理规则集,对问卷涉及的205位青少年用户基本信息和图书购买信息进行数据建模和分析。研究结果表明,单个用户购买的多类图书之间,具有相同购买特征（如性别、年龄、教育背景等）的用户群和某类图书之间均存在一定的关联规律。在此基础上,提出了基于GRI模型和C5．0规则集的图书推荐模式,即跨类型和相同用户兴趣的图书推荐,试图为图书馆和图书零售市场开展图书推荐服务提供参考。     

关于高校图书馆图书推荐的心理学研究

要使高校图书馆的图书推荐工作取得良好效果，必须深入研究心理学。从注意、晕轮效应和群体心理三个问题，并从理论和方法上，对图书推荐作了心理学研究     

基于混合推荐的学术资源推荐系统的服务模式与数据挖掘

图书馆学术资源推荐系统是一种为了解决信息过载、提高搜索效率而提出的基于信息过滤机制的知识服务系统。系统的改进,可以从用户Web日志、搜索习惯、浏览行为、图书馆学术关联数据等多角度进行数据挖掘和数据分析,以构建读者信息需求库及关联数据仓库,采用基于内容过滤推荐和规则过滤推荐相结合的混和推荐技术来实现推荐系统,以提高资源推荐的精度和覆盖率。     

基于关联规则的高校图书馆个性化推荐模型

利用关联规则对高校图书馆借阅信息进行挖掘,可以找出读者的借阅习惯,从而可以根据读者借阅习惯,能实时、有针对性、主动地为读者提供读者感兴趣的图书.但在实际的运用中,经过统计发现,基于传统的关联规则进行推荐模式存在着关联规则发现困难以及并没有反映出读者借阅习惯的变化问题.论文试图对挖掘出的结果进行分析比较处理,进行特殊的加权处理,从而为用户推荐出命中率高的个性化的推荐模型.实际测试表明:经过加权处理后的关联规则推荐模型能够及时反映出用户的变化,能够满足为用户提供更专业的个性化推荐.     

基于Apriori改进算法的局部反馈查询扩展

提出面向查询扩展的Apriori改进算法，采用三种剪枝策略，极大提高挖掘效率；针对现有查询扩展存在的缺陷，提出基于Apriori改进算法的局部反馈查询扩展算法，该算法用Apriori改进算法对前列初检文档进行词间关联规则挖掘，提取含有原查询词的词间关联规则，构造规则库，从库中提取扩展词，实现查询扩展。实验结果表明该算法能够提高信息检索性能，与现有算法比较，在相同查全率水平级下其平均查准率有了明显提高。