基于频繁项集的多用户数据流混合推荐仿真

摘要

cqvip:针对当前数据流推荐存在安全性差和精确度低的问题,提出基于频繁项集的电商多用户数据流混合推荐方法。将蚁群算法与属性相关分析融合,将蚁群收敛所至路径判断为存在安全隐患的路径,对路径中存在安全隐患的数据进行判断,确定最终异常值并去除。基于数据流安全分析,引入增量挖掘算法,采用次频繁项索引表更新频繁树,并利用压缩FP-树与矩阵技术对新频繁树的频繁模式进行挖掘。根据数据流频繁模式挖掘,将不同数据流分类至相应主题组。基于频繁项集计算多用户访问相似程度,同时找到用户最近邻平时访问数据。结合主题抽取、最近邻访问及多用户共同兴趣相似度计算,将最符合用户的数据流推荐给用户,实现用户数据流混合推荐。实验结果表明,上述方法推荐过程安全性能好,且推荐结果准确度高,是一种切实可行的数据推荐方法。