【正文】 {bread,milk:1} 然后，根據(jù)以上數(shù)據(jù)我們可以生成的 FP子樹(shù)： 中國(guó)礦業(yè)大學(xué) 2020 屆本科生畢業(yè)設(shè)計(jì)（論文） 第 30 頁(yè) 在程序的源代碼中，我們?yōu)榱伺Ｄ添?xiàng)單獨(dú)做了一個(gè)對(duì)象，但是如果是在實(shí)際使用中，它會(huì)占用 fptree 很大的內(nèi)存空間。只要按照正常的 fptree 生成順序構(gòu)建就可以了，不過(guò)有時(shí)可能會(huì)出一些問(wèn)題，為什么要對(duì)每個(gè)樣本記錄按照他們的特征項(xiàng)支持度從大到小排序才能生成 fptree 樹(shù)呢？ 下圖就是講解： 中國(guó)礦業(yè)大學(xué) 2020 屆本科生畢業(yè)設(shè)計(jì)（論文） 第 27 頁(yè) 這張圖的每一條 sample 的記錄都是按照特征項(xiàng)支持度從小到大的順序排成的 ,我們可以發(fā)現(xiàn)，這種按照特征項(xiàng)支持度從小到大排序生成的 fptree 樹(shù)十分的臃腫。 2 .然后，因?yàn)檎５?Mysql 是很抽象的難以操作的，所以為了讓數(shù)據(jù)庫(kù)處理可視化，我們需要下載一個(gè) NavicatforMySQL 來(lái)管理 Mysql 數(shù)據(jù)庫(kù)，這是一個(gè)很常見(jiàn)的可視化數(shù)據(jù)庫(kù)管理軟件。因?yàn)橥ㄟ^(guò)結(jié)點(diǎn)組合，每個(gè)項(xiàng)目集是一定不能滿足最小支持?jǐn)?shù)的。 通過(guò)遍歷我們可以知道，每個(gè)鏈表姐重的節(jié)點(diǎn)都有父節(jié)點(diǎn)，通過(guò)縱向遍歷可以達(dá)到根節(jié)點(diǎn)，這種遍歷可以得到一個(gè)序列，而這個(gè)序列就是所謂的條件模式基。比如 count 記錄的當(dāng)前路徑代表的項(xiàng)目中節(jié)點(diǎn)的項(xiàng)目個(gè)數(shù)。主要分析了使用 基于關(guān)聯(lián)規(guī)則算法的數(shù)據(jù)挖掘的流程和算法功能，描述了使用基于關(guān)聯(lián)規(guī)則算法推薦的功能。一個(gè)滿足最小支持度的項(xiàng)目，一般被稱為高頻 K項(xiàng)目組。為了解決這些問(wèn)題，個(gè)性化推薦系統(tǒng)應(yīng)用而生。關(guān)聯(lián)規(guī)則，顧名思義，它決定了哪些事情會(huì)一起發(fā) 生，換而言之，是從數(shù)據(jù)中挖掘分析總結(jié)得出的一種規(guī)則，哪些事情通常會(huì)一起發(fā)生。通過(guò)一些給定的數(shù)據(jù)進(jìn)行估值，得到未知連續(xù)變量的值，然后，根據(jù)預(yù)先設(shè)定的閾值進(jìn)行分類。 數(shù)據(jù)挖掘還能做其他不同的事情，譬如整理分類、預(yù)測(cè)分析、估計(jì)數(shù)值、匯集信息、具體描述和可視化、復(fù)雜數(shù)據(jù)類型分析等。盡管如此，數(shù)據(jù)挖掘技術(shù)也已經(jīng)慢 慢被運(yùn)用到信息檢索系統(tǒng)中，用以提高信息篩選的能力。我們把數(shù)據(jù)看成是形成知識(shí)的源泉，是知識(shí)的泛化物，是一片無(wú)垠的大海，而我們要做的就是從中提取、像淘金一樣篩選出我們需要的信息。這方面的文獻(xiàn)也是如此，處理的網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)量偏少，預(yù)測(cè)效果對(duì)于不具有明顯層次結(jié)構(gòu)的網(wǎng)絡(luò)并不理想。 第五章總結(jié)全文，指出個(gè)性化推薦系統(tǒng)還存 在的問(wèn)題，以及后面應(yīng)該做的事情。 第二章分析了個(gè)性化推薦技術(shù)的相關(guān)技術(shù)，主要介紹了什么事基于鏈路預(yù)測(cè)、常用算法等相關(guān)技術(shù)和常用的分析工具。這個(gè)方面，鏈路預(yù)測(cè)可以起到很重要的作用，通過(guò)構(gòu)造網(wǎng)絡(luò)系統(tǒng)，并利用最大似然估計(jì)方法進(jìn)行鏈路預(yù)測(cè)也是很重要的研究方向。成功的推薦系統(tǒng)會(huì)帶來(lái)巨大的效益。 3）提高客戶對(duì)電子商務(wù)網(wǎng)站的忠誠(chéng)度：與傳統(tǒng)的商務(wù)模式相比，電子商務(wù)系統(tǒng)使得用戶擁有越來(lái)越多的選擇，用戶更換商家極其方便，只需要點(diǎn)擊一兩次鼠標(biāo)就可以在不同的電子商務(wù)系統(tǒng)之間跳轉(zhuǎn)。購(gòu)物網(wǎng)站的推薦系統(tǒng)為 客戶 推薦商品，自動(dòng)完成個(gè)性化選擇商品的過(guò)程，滿足客戶的個(gè)性化需求，推薦基于：網(wǎng)站最熱賣 商品、客戶所處城市、客戶過(guò)去的購(gòu)買行為和購(gòu)買記錄，推測(cè)客戶將來(lái)可能的購(gòu)買行為。 Mysql 數(shù)據(jù)庫(kù)的嵌入 ..................................................... 錯(cuò)誤 !未定義書(shū)簽。 鏈路預(yù)測(cè) ................................................................................. 錯(cuò)誤 !未定義書(shū)簽。作者使用 Django工具 Python 語(yǔ)言實(shí)現(xiàn)了該功能，通過(guò)對(duì) Apriori 算法的模仿與改進(jìn)，豐富了個(gè)性化推薦模型，可以建立不同層次商品間隱含的有價(jià)值的關(guān)系，能夠?yàn)楦鼭撛谝哺袃r(jià)值的客戶服務(wù)，滿足更多樣化的用戶的需求。 3 2020051— 2020062 完成畢業(yè)設(shè)計(jì)論文，做好答辯準(zhǔn)備 指導(dǎo)教師簽名 曹天杰 日期： 2020 年 1 月 13 日 系 (部 )審查意見(jiàn)： 負(fù)責(zé)人 (簽名 )： 年 月 日 學(xué)院意見(jiàn)： 學(xué)院： 年 月 日 院長(zhǎng)簽字： 指導(dǎo)教師簽字： 7 中國(guó)礦業(yè)大學(xué)畢業(yè)設(shè)計(jì)指導(dǎo)教師評(píng)閱書(shū) 指導(dǎo)教師評(píng)語(yǔ) （①基礎(chǔ)理 論及基本技能的掌握；②獨(dú)立解決實(shí)際問(wèn)題的能力；③研究?jī)?nèi)容的理論依據(jù)和技術(shù)方法；④取得的 主要成果及創(chuàng)新點(diǎn)；⑤工作態(tài)度及工作量；⑥總體評(píng)價(jià)及建議成績(jī)；⑦存在問(wèn)題；⑧是否同意答辯等）： 成 績(jī)： 指導(dǎo)教師簽字： 年 月 日 8 中國(guó)礦業(yè)大學(xué)畢業(yè)設(shè)計(jì)指導(dǎo)教師評(píng)閱書(shū) 指導(dǎo)教師評(píng)語(yǔ) （①基礎(chǔ)理 論及基本技能的掌握；②獨(dú)立解決實(shí)際問(wèn)題的能力；③研究?jī)?nèi)容的理論依據(jù)和技術(shù)方法；④取得的 主要成果及創(chuàng)新點(diǎn)；⑤工作態(tài)度及工作量；⑥總體評(píng)價(jià)及建議成績(jī)；⑦存在問(wèn)題；⑧是否同意答辯等）： 成 績(jī)： 指導(dǎo)教師簽字： 年 月 日 9 中國(guó)礦業(yè)大學(xué)畢業(yè)設(shè)計(jì)答辯及綜合成績(jī) 答 辯 情 況 提 出 問(wèn) 題 回 答 問(wèn) 題 正 確 基本 正確 有一般性錯(cuò)誤 有原則性錯(cuò)誤 沒(méi)有 回答 答辯委員會(huì)評(píng)語(yǔ)及建議成績(jī)： 答辯委員會(huì)主任簽字： 年 月 日 學(xué)院領(lǐng)導(dǎo)小組綜合評(píng)定成績(jī)： 學(xué)院領(lǐng)導(dǎo)小組負(fù)責(zé)人： 年 月 日 10 摘 要 在當(dāng)今社會(huì)，互聯(lián)網(wǎng)普及迅速、電子商務(wù)網(wǎng)站如雨后春筍搬涌現(xiàn)，商品信息越來(lái)越豐富，甚至有過(guò)載的問(wèn)題。如 “ 用戶 ” +“ 商品 ” ， “ 用戶 ” +“ 群組 ” 網(wǎng)絡(luò)。如 “ 2020年 2月 12日 ” 或 “ 20200212”。對(duì)本文的研究做出重要貢獻(xiàn)的個(gè)人和集體，均已在文中以明確方式標(biāo)明。盡我所知，除文中特別加以標(biāo)注和致謝的地方外，不包含其他人或組織已經(jīng)發(fā)表或公布過(guò)的研究成果，也不包含我為獲得 及其它教育機(jī)構(gòu)的學(xué)位或?qū)W歷而使用過(guò)的材料。本人授權(quán) 大學(xué)可以將本學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存和匯編本學(xué)位論文。一個(gè)有 m 個(gè)用戶 n 個(gè)產(chǎn)品的系統(tǒng)，可以抽象成一個(gè)具有 m+n 個(gè)節(jié)點(diǎn)的二部圖，當(dāng)某個(gè)用戶選擇某個(gè)產(chǎn)品時(shí)就在這兩個(gè)節(jié)點(diǎn)之間連線，而且用戶曾經(jīng)選擇的產(chǎn)品具有向用戶推薦其它產(chǎn)品的能力，根據(jù)給定的公式可以計(jì)算某個(gè)產(chǎn)品推薦其它產(chǎn)品的能力。分析已有的推薦方法并進(jìn)行費(fèi)雷，指明優(yōu)缺點(diǎn)?，F(xiàn)在的互聯(lián)網(wǎng)企業(yè)已經(jīng)不能滿足于通過(guò)大量投資來(lái)獲得用戶喜好信息了，在以用戶為核心的新興互聯(lián)網(wǎng)站點(diǎn)可以拋開(kāi)傳統(tǒng)模式的限定，更準(zhǔn)確的抓住 用戶需求，所以個(gè)性化推薦系統(tǒng)的研究是十分有實(shí)用意義的。 關(guān)鍵詞：基于關(guān)聯(lián)規(guī)則 商品推薦 Fptree 算法 11 ABSTRACT In modern society,the rapid popularity of the Inter sites are springing move emerge, product information and more abundant,and even overload problem. How to let users face the large quantities of goods to be able to easily and quickly find the targets they need which is being an urgent need of solving the problem. The emergence of personalized remendation system to provide technical support to this demand,but must be acpanied by technical progress is not perfect,there already exists a personalized remendation technology there are different degrees of problems in the application, and some remend low efficiency,can not meet the individual needs of users. Inter panies have now can not be satisfied to get the user preference information through a lot invested in emerging usercentric Inter sites can put aside the traditional model of limited,more accurately grasp the needs of users , the study personalized remendation system there is a very practical sense. Remended technique is remended modity research focus,because this technology is selected directly related to the accuracy of remendation quality is good or are implementations of many personalized remendation system , but because it needs to be calculated , mining, analyzed data vary widely, so there is no basis for any kind of existing algorithms can in each case are achieved excellent results in more realistic application the blend is used in a variety of remendation algorithms remended strategy. The current study abroad for personalized remendation technology , the association rules remended technique is the easiest to achieve , the most popular , but in practice it is certainly not perfect , in the case of sparse data , it is difficult to find goods and modities between the strong relationship , then the algorithm will encounter in the implementation of large problems, these problems need to be resolved . Author personalized remendation system based on association rules to try to do their own learning