Ｗ詈?以淘宝平台的网上服装店为例,来证关于明改进的Apriori算法在移动电子商务推荐系统中的经典句子有效性,同时提供详细的操作方法和实验结果。本经典句子章剩余部分的组织结构如下:第经典2节描述了Apriori算法经典及其缺陷,目前学者们提出的改进策略。然后本文针对移动电子商务的特性,提出了改进的Apriori算法来解决移动商务活动中出现的问题;第3节提出了将改进的Apriori算法运用到移动电子商务推荐系统中,并对数据预处理、挖掘计算步骤、关联规则库生成、在线推荐的实现进行了简要的介绍;接下来,第4节通过与传统Apriori算法做效率分关于析,验证了改进的Apriori算法的优越性;最后,第5节对本章研究内容做了简单回顾,并对存在的局限性进行了说明,在此基础上提出了未来的研究方向。推荐算法是推荐系统的核心部分(LangsethandNielsen,2012)。伴随经典句子着大数据句子时代的到来,我们把数据挖掘算法融合到移动电子商务推荐系统中,其中应用成都理工大学博士学位论文38最为广泛的是关联规则挖掘中的经典算法:Apriori算法。在1993年,Agrawalet实际的使经典句子用过程中,该算法的效果不佳。经过Agrawal团队的深入研关于究后,他们于1994年提出了项目集格空间理论,同时在此基础上,给出了挖掘关联规则的经典算法:Apriori算法。

到目前为止,Apriori算法依旧是数据挖掘中最常用的算法之一。想要了解Apriori算法,就需要掌握下面的相关符号及其意义,从较短的候选项中生成连续较长的候经典选项集。然后,通过对数据集进行扫描,确定每个候选项集都通过最小支持度的衡量,找到所有的频繁项集。最后,在经典句子用经典句子户提供的最小支持度和最小置信度下,Apri经典ori算法可以在交易数据库中找到需要的规经典句子则。使用Apriori算法进行关联规关于则挖掘主要有关于2个阶段组成:第1个阶段是采用逐层迭代的方式,即通过从较短的候选项中生成连续较长的候选项集,然后从数据库或数据仓库中检索出所有频繁项集经典句子,即找到支持度大于或关于等于最小支持阈值的项集。第2个阶段是利用从第1个阶段中找到的频繁项集产生能够通过最小置信度检验的规则。

显然第2个阶段更容易实现,第1个阶段生成或识别出所有频繁项集是该算法的核心,占整个计算量的大部分。由于挖掘关于关联规则的整体性能是由第1个阶段决定的,所以大部分的研究都集中在第一个问题上率,主要包括下经典句子面几种:(1)Apr关于ioriTid算法AprioriTid算法最大的优势在于循环过程中能够降低对交经典易数据库的扫描工作量经典句子。举个例子来说明该算法的基本思想:倘若一个经典事务不存在5-项频繁项集,就一定不存在4-项频繁项集,采用这种方式进行递推,删掉关于所有不符合要求的事务,每次经典句子扫描过程中就能大幅度降低工作量,却仍然能确保候选项集的支持数。AprioriTid算法采用Apriori_gen运算产生候选项集之后,构造一个Tid表,用来记录每条事务包含的候选项集。

也可以这样来理解Tid经典句子表:倘若一条事务中存在K-项候选项集,因此该关于候选项集的Tid表中就会记录该条事务,否则不记录。显然无需频繁自上而下地扫描交易数据库,就能够通过Tid表发现K-项候选项集的支持数,从而大大减少了扫描的事务量。虽然我们可以通过Tid表取缔最初的交易数据库,然而有时Tid表会大关于于最初的交易数据库,这是因为在循环开始经典句子时,Tid表中记录的候选集的数量通常会超过数据项的数量。但随着循环次数的增加,AprioriTid算法对无关事务进行删除,候选集数目大大下降,Tid表也会在此时经典句子大幅度经典减小,远远低于最初的数据库,而Aprior算法依然会对最初经典句子的数据库进行从上而下的重复扫描,降低了计算速度。特别是如果Tid表能用内存存放并在此完成整个过程,那么速度优势则更加显著(AgrawalandSrikant,1994;陈波等,2008)。(2)Partition算法Partition算法顾名思义,就是“分区”的意思,把交句子易数据数据库进行合理分隔,使其在逻辑上形成数个区域分别存放于内存中,并保持每个区域的支持度和整个数据库要求的支持度一致。