导读:本文包含了混合维关联规则论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:规则,算法,数据挖掘,粒子,危险源,论文,隐私保护。
混合维关联规则论文文献综述
周蕊[1]（2019）在《基于信任机制的协同过滤和关联规则混合推荐模式研究》一文中研究指出随着互联网技术的日益发展,社交网络、电子商务、各种应用蓬勃发展,但是海量数据信息在满足用户需求的同时也造成了信息过载问题,迅速找到有效且合理的信息越来越困难,个性化推荐技术作为解决信息过载问题的手段之一,能够根据众多的历史交互行为分析用户的兴趣偏好,向用户提供其可能感兴趣的信息,辅助用户决策。协同过滤技术作为使用最成功和最广泛的推荐技术之一,至今仍面临着数据稀疏性和冷启动等问题。社交网络的发展给推荐技术带来新的方向,将社交网络中好友关系引入传统协同过滤方法中,通过信任机制进行衡量,能够有效改善数据稀疏性等问题,提高推荐精度,成为目前研究推荐技术的重要方向之一。本文以改进协同过滤技术为目标,致力于改善数据稀疏性、冷启动等问题,提高推荐系统的推荐精度。首先将社交网络中的“信任机制”,即“用户信任的好友能够给用户带来一个正向的推荐结果,是经过对交互历史的考虑之后判断可能会产生的一种有利结果”引入到协同过滤技术中,在用户-项目评分矩阵和用户间的信任矩阵的基础上,充分计算用户间的间接信任度以填充信任矩阵,最后基于用户相似度和信任度的叁种预测方式的比较提出一种基于信任机制的协同过滤推荐模式。为了进一步优化这种方法,先后融合用户兴趣偏好和关联规则算法,前者通过用户间的兴趣相似性对目标用户的好友进一步过滤,后者挖掘项目间的潜在相关性,与协同过滤进行混合推荐,解决新用户推荐问题。此外,本文提出的推荐模式均在FilmTrust网站公开数据集上进行准确性等实验研究,结果表明此方法能够有效改善冷启动问题,提高推荐精度。最后分析了研究模型的不足之处和未来继续改进的方向。(本文来源于《杭州电子科技大学》期刊2019-03-13）
陈双双[2]（2018）在《混合记忆曲线与关联规则的标签推荐算法》一文中研究指出随着信息时代的发展、数据的海量增长,应用系统中的用户和资源数据变得十分庞大,用户并不容易寻找所需信息。标签具有表示用户偏好、标注资源特征的功能。用户可以使用标签搜索、过滤、管理以及标注资源。准确地向用户提供其感兴趣的标签,可以提高用户对系统的使用体验,增加用户对系统的黏着度。影响标签推荐准确度的因素主要有两个方面。其一,兴趣漂移现象。用户的偏好会随着时间推移、环境变化而发生兴趣漂移,影响系统挖掘用户偏好。另一方面,数据稀疏问题。在大规模的系统中,用户和资源的数据量十分庞大,会造成不同用户之间存在交集的概率下降,导致数据稀疏问题,影响标签推荐的质量。为了解决上述两个问题,论文提出了相应的解决方案。首先,针对兴趣漂移问题,论文提出基于记忆曲线的标签推荐算法。为了更加准确地刻画用户偏好、及时发现用户兴趣变化,该算法以记忆曲线规律为原理,对协同过滤进行了改进。其次,针对数据稀疏现象,论文提出基于关联规则的标签推荐算法。此算法设计了一种重迭滑动时间窗口。利用这种时间窗口采集标签数据,挖掘标签之间的关联规则,然后根据关联规则进行标签推荐。最后,为了提高标签推荐的质量,论文提出混合记忆曲线与关联规则的标签推荐算法。此算法以加权平均的方式将上述两种标签推荐算法混合在一起,并且利用粒子群算法寻找最优的加权参数。实验结果表明,基于记忆曲线的标签推荐,可以较准确刻画用户偏好,提高推荐准确度;基于关联规则的标签推荐能够在一定程度上缓解数据稀疏问题,提高推荐质量;混合记忆曲线与关联规则的标签推荐算法能够有效综合上述两种方法,提高推荐准确度。(本文来源于《南京邮电大学》期刊2018-11-14）
佘雅莉,周良[3]（2018）在《基于混合蚁群关联规则挖掘的危险源分析算法》一文中研究指出针对民航危险源原因分析中存在人工参与较多缺乏客观性的问题,设计了一种基于混合蚁群关联规则挖掘的危险源原因分析算法(HA-MACR),利用关联规则挖掘来探索危险源原因。该算法摒弃了传统关联规则挖掘算法重复扫描数据库导致挖掘效率较低及产生大量候选集、容易出现"组合爆炸"现象等缺点,将改进后的蚁群算法用于挖掘最大频繁项集,并由此产生质量较好的强关联规则,从而找到导致危险源的不安全事件。同时,为了避免蚁群的盲目性,混合了粒子群,借助粒子群确定蚁群的初始信息素浓度。通过上述改进,有效增强了算法的搜索能力,提高了关联规则挖掘的效率,且避免了算法陷入局部最优,从而使危险源原因分析更加快速、准确。(本文来源于《计算机技术与发展》期刊2018年11期）
韩志俊[4]（2018）在《基于关联规则优化的协同过滤混合推荐算法研究》一文中研究指出推荐算法时推荐系统中最为关键的部分,推荐算法的稳定性和效率可以在很大程度上决定推荐系统推荐结果的准确性。本文中我们以项目为基础,提出了一种协同过滤算法,并给出了用户评分矩阵的预测值,而且对余弦相似度计算方法进行了改进。在传统的协同过滤推荐算法中,常常会遇到数据稀疏性的困难,而我们提出的推荐算法成功的解决了这个难题,从而提高了评分矩阵预测值的准确性。选取合适的置信度与支持度阈值是关联规则推荐算法中的核心问题,所以在本文中我们使用了粒子群智能优化算法来解决这个核心问题,以提高推荐准确性。通过查阅文献我们得知基于用户协同的过滤推荐算有优点也有缺点,而基于关联规则的Apriori推荐算法也有其优缺点,然而在本文中,我们将这两种算法整合,通过给两种算法的推荐结果赋不同的权值进行标准化,提取两种算法的优点,同时克服了各自的缺点,提出了一种并行式混合推荐算法。最后,使用数据集中的数据,对我们提出的新的混合推荐算法和两种基础算法分别进行仿真,并以F1、准确率、MAE、召回率以及算法效率为比较指标对叁种算法进行了分析比较,结果表明文中所提出的混合算法是具有非常好的实用性与可实践性。(本文来源于《宁夏大学》期刊2018-06-01）
魏全彬[5]（2018）在《基于协同过滤和属性关联规则混合推荐算法研究》一文中研究指出伴随着互联网科技的飞速发展,电子商务也逐渐走进大众视野,并成为人们日常生活中不可或缺的一部分。电商的发展必然伴随着用户和项目数量不断增加,且项目数量远远大于用户数量。这时如何在海量的数据中快速找到令用户满意的项目变得尤为重要。在这种时代背景下,个性化推荐技术应运而生,它通过分析用户行为并主动向用户提供个性化的信息服务和决策支持。基于用户的协同过滤推荐是个性化推荐中应用最多的一种算法,针对传统基于用户的协同过滤算法存在数据稀疏性问题而导致最终推荐效果不理想的情况。本文提出一种基于用户相似度改进的协同过滤方法,通过在皮尔逊计算公式中引入巴氏系数和项目共同评分占比因子,将巴氏系数和皮尔逊相似度融合对用户局部相似度进行计算,并采用项目共同评分占比因子对用户全局相似度进行计算。改进后的皮尔逊相似度能有效降低因数据稀疏而导致在计算用户相似度时的偶然性对最终推荐结果造成的误差。针对传统Apriori算法在进行项目推荐时,需多次扫描交易数据库以及若项目不在规则中则无法提供有效推荐的问题。提出基于矩阵的项目属性关联规则推荐,通过将用户历史行为转换为矩阵形式,挖掘项目属性之间存在的潜在关联关系为用户提供推荐。针对基于用户的协同过滤算法存在的新用户问题,关联规则推荐算法通过挖掘平台消费者的购物习惯,得到项目之间的潜在关联关系,可改善当用户行为数据稀少的情况下无法为用户提供推荐的问题,且基于用户的协同过滤也能有效改善关联规则推荐的新项目问题。因此,本文提出了将基于用户的协同过滤和关联规则混合并采用Top-N算法实现最终推荐。综上,本文对皮尔逊相似度计算方法进行了改进,使其能很好的适应数据稀疏性问题。并在传统Apriori算法的基础上提出了基于项目属性关联规则推荐算法,有效弥补了关联规则数目少而难以进行推荐的问题。并通过实验表明,这两种改进都能有效提高推荐性能。最终通过混合方式将两种推荐算法组合实现最终推荐,能有效改善数据稀疏性和冷启动问题。(本文来源于《西南交通大学》期刊2018-05-23）
李慧琴,王俊洁[6]（2016）在《混合云环境下数据流关联规则挖掘算法》一文中研究指出在混合云环境下数据流具有扰动性,对关联数据的挖掘的误差较大.针对散乱点云自适应压缩挖掘算法的抗干扰性不好的问题,提出一种基于数据信息流相空间重构和关联规则特征提取的混合云环境下数据流挖掘算法.首先构建混合云环境下大数据信息流时间序列分析模型,进行数据结构分析,然后对混合云环境下数据信息流进行高维相空间重构,在重构的相空间中进行关联规则特征提取,以提取的特征作为信息素引导数据定位挖掘,实现数据挖掘算法改进.最后通过仿真实验进行性能测试,结果表明,采用该算法进行混合云环境下数据挖掘的特征提取聚敛性较好,数据挖掘的准确概率较高,抗干扰性能较强,优于传统方法.(本文来源于《微电子学与计算机》期刊2016年11期）
王卓伟[7]（2016）在《基于关联规则混合算法并行化的隐私保护方法研究》一文中研究指出随着大数据时代的发展,移动通信技术与定位技术、互联网技术等在工作生活中的应用越来越多,享受科技带来便利的同时,隐私安全问题也不容忽视。文中提出了将关联规则中基于划分的技术、随机扰动与重构技术结合起来,从而实现隐私保护的目的。该方法可以确保在原始数据安全的情况下进行其他数据的挖掘操作,而该算法并行化后,其算法执行的时间复杂度也会大大降低。(本文来源于《物联网技术》期刊2016年07期）
唐晓兰[8]（2016）在《基于混合蚁群算法的关联规则挖掘研究》一文中研究指出信息过载现象的发生,使得用户需要花费大量时间筛选有用信息,这无疑会大大降低用户体验。个性化推荐技术的出现,成为解决该问题的有效措施。关联规则挖掘作为当前运用较为成功的个性化推荐技术,受到众多研究者的青睐。本文针对个性化推荐准确性较低的问题,提出了基于混合蚁群粒子群算法(ACO-MPSO算法)的关联规则挖掘方法,旨在挖掘出质量更好的强关联规则,以提高个性化推荐结果的准确性。ACO-MPSO算法是在对基于蚁群算法、PSO算法的关联规则挖掘方法进行研究的基础上提出来的,其主要思想是利用PSO算法挖掘结果对蚁群算法的初始信息素浓度进行确定,以减少蚁群算法的盲目性,并引入Metropolis机制,避免早熟现象的发生。根据这一思想,本文对ACO-MPSO算法的执行过程进行了详细设计,并以某超市的购物记录为数据来源,以算法执行时间、强关联规则质量为评价指标,将ACO-MPSO算法与经典Apriori算法、PSO算法、蚁群算法以及混合模拟退火粒子群算法在关联规则挖掘问题上进行了实验对比。实验结果表明,ACO-MPSO算法可以挖掘出质量更好的强关联规则,且其执行效率较稳定。最后将混合蚁群粒子群算法应用于Movie Lens的个性化推荐中,并以命中率为准确性评价标准,将ACO-MPSO算法与Apriori算法、混合模拟退火粒子群算法进行了比较。实验结果表明基于混合算法的关联规则挖掘方法具有较高的准确性。(本文来源于《西安科技大学》期刊2016-06-30）
韦博华[9]（2015）在《基于关联规则的网络及主机混合型入侵检测研究》一文中研究指出随着我国信息化的迅猛发展,网络安全威胁等诸多问题也日益凸显,实际工作当中,系统管理员面对大量的入侵检测告警信息和主机审计日志无从下手,单一形式的入侵检测系统本身也沉陷在如何尽量减少误报的基础上获得令人满意的检测率这一问题当中,而部署商用分布式混合入侵检测系统或是所谓的安全管理中心,投入产出比相对较小,一般单位难以承受。针对这一局面,本文在对当前入侵检测技术和关联分析挖掘技术研究基础上,提出了一种基于关联规则的网络及主机混合型入侵检测分析架构。针对这一架构,本文主要进行以下两方面的工作。(1)介绍了论文研究的背景和意义以及国内外研究现状,以及入侵检测的发展历程、入侵检测系统的体系结构等,并从检测方法和数据源的角度,对不同类型的入侵检测系统及其常用技术进行了叙述。(2)给出了关联规则应用于网络及主机混合型入侵检测分析的总体架构,以及相关模块的功能及流程,并对所使用的关联分析算法进行了介绍。为验证和评估在网络及主机混合型入侵检测中,采用关联分析技术的对入侵行为进行分析的有效性和架构的可行性,本文采用麻省理工学院林肯实验室的LLS_DDOS_1.0数据集进行实验,并结合该数据集的入侵场景对实验结果进行验证。经过与该数据集的入侵场景描述比对,还原的攻击过程与数据集的入侵场景描述完全一致,入侵检测分析取得了较好的效果。(本文来源于《广西大学》期刊2015-11-01）
栗欢[10]（2015）在《基于社区发现和关联规则的论文混合推荐技术研究》一文中研究指出相关研究显示,高学历网民在社交网站使用率中所占的比例呈逐年下降的趋势,其最主要原因是,社交网站浪费时间、缺乏专业性。为了满足高学历网民的需求,学术社交网站(为进行学术交流活动建立的社交网站)的数量在快速的增加。然而随着网络的迅猛发展,科技论文的数量也在以每年6%-8%的速率进行增长,科技论文信息量的剧增加大了论文检索的难度,进而导致论文共享中被动服务的问题,即用户无法主动地快速检索感兴趣的科技论文。本文针对学术社交网站中科技论文共享被动服务的问题,提出并实现了一种将社交网络特性和传统个性化推荐算法相结合的论文混合推荐算法,此算法可以主动的向用户推送其感兴趣的科技论文。本文首先深入研究了传统个性化推荐技术,包括基于内容过滤的推荐算法、协同过滤算法、关联规则算法以及混合推荐算法。而后研究了基于社区发现的个性化推荐技术,包括基于图论的算法和层次聚类的算法。在此基础上,指出了传统个性化推荐算法的缺点,并分析了将社区发现算法与传统个性化推荐算法相结合的可行性。继而提出GN-AP混合推荐算法,即将经典社区发现算法——GN算法和关联规则算法一-Apriori算法相结合的混合算法。该混合推荐算法可分为叁大部分：首先运用GN算法构建兴趣相似用户群,其次运用Apriori算法进行论文关联规则挖掘继而实现首次论文推荐,最后引入论文兴趣度论文推荐。在提出了混合推荐算法的基础上,对其进行绝对性能和相对性能两个方面的分析,在绝对性能上,根据准确率和召回率两个标准对论文推荐结果进行评价与分析；在相对性能上是将基于Apriori的论文推荐和混合算法的论文推荐进行对比分析。通过实验结果分析,本文基于社区发现和关联规则的论文混合推荐算法能有效地提高论文推荐的准确度。验证了混合推荐算法的有效性后,本文设计并实现了一个论文个性化推荐系统。此系统可以主动地向用户推送其感兴趣的论文,从而节约了用户检索论文的时间,获得了更好的用户体检。(本文来源于《华中师范大学》期刊2015-05-01）
混合维关联规则论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着信息时代的发展、数据的海量增长,应用系统中的用户和资源数据变得十分庞大,用户并不容易寻找所需信息。标签具有表示用户偏好、标注资源特征的功能。用户可以使用标签搜索、过滤、管理以及标注资源。准确地向用户提供其感兴趣的标签,可以提高用户对系统的使用体验,增加用户对系统的黏着度。影响标签推荐准确度的因素主要有两个方面。其一,兴趣漂移现象。用户的偏好会随着时间推移、环境变化而发生兴趣漂移,影响系统挖掘用户偏好。另一方面,数据稀疏问题。在大规模的系统中,用户和资源的数据量十分庞大,会造成不同用户之间存在交集的概率下降,导致数据稀疏问题,影响标签推荐的质量。为了解决上述两个问题,论文提出了相应的解决方案。首先,针对兴趣漂移问题,论文提出基于记忆曲线的标签推荐算法。为了更加准确地刻画用户偏好、及时发现用户兴趣变化,该算法以记忆曲线规律为原理,对协同过滤进行了改进。其次,针对数据稀疏现象,论文提出基于关联规则的标签推荐算法。此算法设计了一种重迭滑动时间窗口。利用这种时间窗口采集标签数据,挖掘标签之间的关联规则,然后根据关联规则进行标签推荐。最后,为了提高标签推荐的质量,论文提出混合记忆曲线与关联规则的标签推荐算法。此算法以加权平均的方式将上述两种标签推荐算法混合在一起,并且利用粒子群算法寻找最优的加权参数。实验结果表明,基于记忆曲线的标签推荐,可以较准确刻画用户偏好,提高推荐准确度;基于关联规则的标签推荐能够在一定程度上缓解数据稀疏问题,提高推荐质量;混合记忆曲线与关联规则的标签推荐算法能够有效综合上述两种方法,提高推荐准确度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
混合维关联规则论文参考文献
[1].周蕊.基于信任机制的协同过滤和关联规则混合推荐模式研究[D].杭州电子科技大学.2019
[2].陈双双.混合记忆曲线与关联规则的标签推荐算法[D].南京邮电大学.2018
[3].佘雅莉,周良.基于混合蚁群关联规则挖掘的危险源分析算法[J].计算机技术与发展.2018
[4].韩志俊.基于关联规则优化的协同过滤混合推荐算法研究[D].宁夏大学.2018
[5].魏全彬.基于协同过滤和属性关联规则混合推荐算法研究[D].西南交通大学.2018
[6].李慧琴,王俊洁.混合云环境下数据流关联规则挖掘算法[J].微电子学与计算机.2016
[7].王卓伟.基于关联规则混合算法并行化的隐私保护方法研究[J].物联网技术.2016
[8].唐晓兰.基于混合蚁群算法的关联规则挖掘研究[D].西安科技大学.2016
[9].韦博华.基于关联规则的网络及主机混合型入侵检测研究[D].广西大学.2015
[10].栗欢.基于社区发现和关联规则的论文混合推荐技术研究[D].华中师范大学.2015
论文知识图
