【導讀】師的指導下進行的研究工作及取得的成果。盡我所知，除文中特別加。而使用過的材料。均已在文中作了明確的說明并表示了謝意。除了文中特別加以標注引用的內容外，本論文。不包含任何其他個人或集體已經(jīng)發(fā)表或撰寫的成果作品。究做出重要貢獻的個人和集體，均已在文中以明確方式標明。全意識到本聲明的法律后果由本人承擔。同意學校保留并向國家有關部門或機構送交論文的復印件和電子版，允許論文被查閱和借閱。本人授權大學可以將本學位。印或掃描等復制手段保存和匯編本學位論文。涉密論文按學校規(guī)定處理。寫，經(jīng)系(部)負責人審查、院領導簽字后生效。此任務書應在畢業(yè)設計。標準格式打印，不得隨便涂改或潦草書寫，禁止打印在其它紙上后剪貼；稱，不能寫數(shù)字代碼?！段暮髤⒖嘉墨I著錄規(guī)則》的要求書寫，不能有隨意性；如“2020年2月12日”或“2020-02-12”。

　　

【正文】 辦法來減少掃描事務數(shù)據(jù)庫的次數(shù)，來改進挖掘頻繁關聯(lián)規(guī)則的效率。 而關聯(lián)規(guī)則挖掘算法，是通過遍歷整體數(shù)據(jù)的 fptree 來生成頻繁項集的。算法基本思想描述如下： 第一步：構造整個數(shù)據(jù)庫的 fptree 我們假設 fptree 已經(jīng)給定，那么在此基礎上挖掘高頻項目集即可。 第二步：挖掘條件模式基 條件模式基，就是選擇一個項目集項目，基于支持計數(shù)降序排序的一個項目，并將其假設為 item，也就是 fptree 的頭表中的項目。然后我們就可以縱向沿著表進 行升序遍歷，先遍歷頭表，在遍歷的過程中還可以同時和想便利高頻項目集的鏈表域。 通過遍歷我們可以知道，每個鏈表姐重的節(jié)點都有父節(jié)點，通過縱向遍歷可以達到根節(jié)點，這種遍歷可以得到一個序列，而這個序列就是所謂的條件模式基。 遍歷完畢后，我們就可以得到全部的條件模式基。 第三步：根據(jù)條件模式基建立局部 FPtree 通過第二步中得到的條件模式基，我們可以以隊頭表中的高頻項目集作為數(shù)據(jù)源來構造fptree。因為不同即的數(shù)據(jù)量不同，而且與整體數(shù)據(jù)庫的數(shù)據(jù)量相比又非常小，所以構造起來并不會花費太多的時間。而當全部的條件基 集合起來，就是整個數(shù)據(jù)庫的數(shù)據(jù)量了，面對這種數(shù)據(jù)量，就需要掃描大約兩次。 然后我們簡單分析一下已經(jīng)建立條件模式基的局部 fptree。它可以分為單個分支和多個分支兩種情況。 ： 中國礦業(yè)大學 2020 屆本科生畢業(yè)設計（論文） 第 22 頁 通過掃描條件基來統(tǒng)計 fptnode 節(jié)點中項目集的支持數(shù)，如果一個投標中所有項目對應的條件基都掃描完成，就對它進行數(shù)據(jù)計算，最終技術如果不能滿足最小支持數(shù)，就要把這個節(jié)點刪除。因為通過結點組合，每個項目集是一定不能滿足最小支持數(shù)的。 由此，我們最終可以得到滿足最小支持數(shù)的序列，通過它我們就能夠構造局部 fptree 了，但是 ，因為我們得到的 fptree 是單一的，而遍歷 fptree 能得到的項目需要全部滿足最小支持數(shù)，這樣該序列中的全部項目進行結合計算后才能得到全部組合序列。 ： 如果存在分支的話，我們就需要利用遞歸的思想來挖掘高頻項目集。因為對于多個分支的情況，遞歸到出口的時候是一定能夠會對應著某個單個分支的，然后我們就可以利用處理單個分支的情況來對數(shù)據(jù)進行分析，最后得到頻繁項集。 第四步：挖掘頻繁關聯(lián)規(guī)則 通過上面的步驟，我們就完成了基于關聯(lián)規(guī)則的數(shù)據(jù)挖據(jù)的大致內容。在 fpgrowth 算法中，構造 fptree 是難點，首先需要保證構造過程中不遺漏數(shù)據(jù)節(jié)點，而且還要考慮多個分支的情況用遞歸的思想進行數(shù)據(jù)挖掘才能夠盡善盡美的完成任務。 個性化推薦服務后臺實現(xiàn)流程 、 使用實現(xiàn)連接 Mysql 數(shù)據(jù)庫 1 .Mysql 與 Django 是分開的，兩個不相干的東西，所以需要先安裝 mysql 的運行環(huán)境，這樣 mysql 才能成功運行。所以要先下載 Mysql 數(shù)據(jù)庫，并且成功安裝。 2 .然后，因為正常的 Mysql 是很抽象的難以操作的，所以為了讓數(shù)據(jù)庫處理可視化，我們需要下載一個 NavicatforMySQL 來管理 Mysql 數(shù)據(jù)庫，這是一個很常見的可視化數(shù)據(jù)庫管理軟件。 Django 創(chuàng)建的項目路徑下的 文件中設置數(shù)據(jù)庫的相關信息，這些信息在 Navicat 中都可以查詢出來。 。打開 python，定位于該項目中的應用文件夾下，執(zhí)行以下代碼： from import connection cursor = () 中國礦業(yè)大學 2020 屆本科生畢業(yè)設計（論文） 第 23 頁 如果沒有顯示什么錯誤信息，那么你的數(shù)據(jù)庫配置是正確的。 然后我們就可以通過 python syndbc 來連接 mysql 和 django 了。 系統(tǒng)詳細算法詳解 打開源代碼后可以在 找到一份簡單的樣本。 針對該樣本 ,我們可以得到 FP 樹如下圖所示 中國礦業(yè)大學 2020 屆本科生畢業(yè)設計（論文） 第 24 頁 對支持度最小為 3 的關聯(lián)規(guī)則進行挖掘 ,以啤酒為例 ,我們可以通過 FP樹挖掘的過程 : 啤酒的條件模式基 : 中國礦業(yè)大學 2020 屆本科生畢業(yè)設計（論文） 第 25 頁 啤酒和面包的條件模式基 : 啤酒和雞蛋的條件模式基 : 中國礦業(yè)大學 2020 屆本科生畢業(yè)設計（論文） 第 26 頁 最后的程序挖掘結果就先省略了。 用 fptree 進行數(shù)據(jù)挖掘 fptree 進行數(shù)據(jù)挖掘的第一步是生成 fptree。只要按照正常的 fptree 生成順序構建就可以了，不過有時可能會出一些問題，為什么要對每個樣本記錄按照他們的特征項支持度從大到小排序才能生成 fptree 樹呢？ 下圖就是講解： 中國礦業(yè)大學 2020 屆本科生畢業(yè)設計（論文） 第 27 頁 這張圖的每一條 sample 的記錄都是按照特征項支持度從小到大的順序排成的 ,我們可以發(fā)現(xiàn)，這種按照特征項支持度從小到大排序生成的 fptree 樹十分的臃腫。所以 fptree從大到小排序的目的就在于給 FP 樹瘦身 ,這樣就能通過改變模型從而改進算法，進而降低數(shù)據(jù)挖掘時的運算量和 fptree 占用的內存空間。 在源代碼中，生成 fp樹由兩個類負責，一個 treebuilder(根據(jù)樣本直接生成樹 ),另一個是 cpbtreebuilider(根據(jù)條件模式基來生成樹 )，下面是產(chǎn)生隨機樣本的代碼內容。 產(chǎn)生隨機樣本 def createsample(factnum=20,itemrange=6): if itemrange26 or itemrange2: itemrange=6 af items=tuple([chr(i) for i in range(97,97+itemrange)]) print(items) facts=[] strongitems=(items,int(len(items)*.5)) print(39。高頻特征 :39。+strongitems) for i in range(0,factnum): (createfact(items,strongitems)) print(facts) return items,facts def createfact(items,strongitems): r=() if r: l=2 elif r: l=3 elif r: l=4 elif r: l=5 else: l=6 fact=(items,l) r2=() if len(strongitems)0: if r2: if strongitems[0] not in fact: (0) 中國礦業(yè)大學 2020 屆本科生畢業(yè)設計（論文） 第 28 頁 (strongitems[0]) elif r2: if strongitems[0] not in fact and len(fact)len(items): (strongitems[0]) else: sitem=strongitems[(1,len(strongitems)1)] if sitem not in fact: if r2: (0) (sitem) else: if len(fact)len(items): (sitem) return fact FP 樹的挖掘過程 為了解釋 fptree 的挖掘過程，我們需要 構建一個例子，例子在 文件中。 因為我們要得到的關聯(lián)規(guī)則的最小支持度是三，所以黃油和豌豆兩個特征項目就優(yōu)先被排除掉了。 所以，根據(jù)挖掘的規(guī)則，數(shù)據(jù)的挖掘將從支持度最接近三的特征項開始，即本例中的啤酒，因為它的支持度為 4. 中國礦業(yè)大學 2020 屆本科生畢業(yè)設計（論文） 第 29 頁 從圖中可以看到 beer 的節(jié)點數(shù)為 4。我們可以表示如下： {eggs,bread,chips:1} {eggs,bread:1} {eggs,chips:1} {bread,milk:1} 然后，根據(jù)以上數(shù)據(jù)我們可以生成的 FP子樹： 中國礦業(yè)大學 2020 屆本科生畢業(yè)設計（論文） 第 30 頁 在程序的源代碼中，我們?yōu)榱伺Ｄ添梿为氉隽艘粋€對象，但是如果是在實際使用中，它會占用 fptree 很大的內存空間。如何解決這個問題呢？目前我們能得到的一個可行的辦法就是將 fptree 節(jié)點的支持度表示為一個字典。 最后得到 FP子樹后，我們需要進行兩步操作。 3的特征項與 milk 作并集，得到滿足條件的二項集： （ eggs， milk ） （ bread， milk ) 通過上文我們可以知道，它們的支持度都是三。 ，這步比較復雜，也是優(yōu)化算法的一個方向。 中國礦業(yè)大學 2020 屆本科生畢業(yè)設計（論文） 第 31 頁 系統(tǒng)運行效果評估 系統(tǒng)運行效果分析 dos 初始化 django runserver 中國礦業(yè)大學 2020 屆本科生畢業(yè)設計（論文） 第 32 頁 （網(wǎng)站首頁） 中國礦業(yè)大學 2020 屆本科生畢業(yè)設計（論文） 第 33 頁 （網(wǎng)站管理界面 商品示例 ) （網(wǎng)站管理界面首頁） 中國礦業(yè)大學 2020 屆本科生畢業(yè)設計（論文） 第 34 頁 系統(tǒng)功能測試 。 小結 這段內容主要是平面的展示推薦系統(tǒng)的 WEBUI 和功能展示。 該網(wǎng)站用 Django 架構，網(wǎng)站的主要功能就是通過挖掘用戶購買記錄來對用戶的當前購買行為的個性化推薦。簡而言之就是買了 A 產(chǎn)品的人也經(jīng)常買 B，通過此種方法進行推薦。 個性化推薦系統(tǒng)是個很復雜的系統(tǒng)，尤其在復雜推薦算法的計算中，需要通過將用戶行為代入數(shù)學模型計算權值權重等。這對我的大學學習內容是個不小的補充，不僅用到了復變函數(shù)、線性代數(shù)還有專業(yè)課數(shù)學基礎知識，在翻閱資料中溫故知新，將所學所用應用在實際的項目中，受益匪淺。 中國礦業(yè)大學 2020 屆本科生畢業(yè)設計（論文） 第 35 頁 5. 總結與展望 本文主要工作 推薦系統(tǒng)是許多應用中增強用戶體驗的重要環(huán)節(jié)，甚至是一些應用的核心組件。在 論文的準備過程中，我學習了多種推薦系統(tǒng)相關技術及其理論知識，并理清