一、常项集产生的算法及兴趣度量（论文文献综述）
郑文兵[1]（2012）在《统计学、经济学中引入和建立“常项”概念的必要性研究》文中指出数学、统计学等学科中缺乏"常项"概念,使得从变异的角度对于品质标志的亚分类处于空白和断层状态,这既不利于这些学科的完善和发展,又不利于经济学等学科的应用。文章提出,在数学和统计学、经济学等学科中,引入和建立"常项"概念,用以表示那些不变的品质标志,和"变项"概念一起使用,以便关于"品质标志"的分类更加细化和完善。
段娟娟[2]（2005）在《组合模式在电子商务推荐系统中的应用》文中提出随着互联网的普及和电子商务的发展,电子商务系统在为用户提供越来越多的选择的同时,其结构也变得更加复杂,用户经常会迷失在大量的商品信息空间中,无法顺利找到自己需要的商品。电子商务推荐系统直接与用户交互,模拟商店销售人员向用户提供商品推荐,帮助用户找到他们真正所需购买的商品。在日趋激烈的竞争环境下,电子商务推荐系统能有效保留用户、防止用户流失,提高电子商务系统的销售。电子商务推荐系统在理论和实践中都得到了很大发展。但是随着电子商务系统规模的进一步扩大,电子商务推荐系统仍面临着一系列的挑战。针对电子商务推荐系统面临的主要挑战,本文对电子商务系统中推荐算法设计以及推荐系统体系结构等关键技术进行了探讨,对基于组合推荐模式的电子商务推荐系统进行了有益的探索和研究。论文的主要工作如下:一、论文对现有推荐系统进行了分析研究,分析比较了各种类型推荐系统的优势和不足,以及现有的典型推荐系统实例的特征。二、提出了基于组合推荐模式的电子商务推荐系统,其核心思想是采用多种模式的推荐算法来完成推荐。其优势在于:有效的弥补了各个算法彼此间的不足,同时充分发挥了各自的优势。三、论文对推荐系统中用户兴趣描述的获取及建立进行了研究,提出了采用用户显式兴趣描述及隐式兴趣共同表示用户兴趣,并对它们的获取及表示方式进行了分析。四、论文对传统的物品相似度算法和用户相似度算法分别进行了详细研究,提出了新的计算策略和改进算法,优化了传统相似度推荐算法。五、论文还以带有推荐功能的数码时尚实验型网站为实例,将论文中所提出的组合模式应用到该电子商务推荐系统中,并得出客观有效的测试结果,令人鼓舞。
陈安龙[3]（2003）在《基于兴趣度的关联规则挖掘算法的研究》文中指出数据挖掘是面向海量数据的知识发现技术，研究高效的挖掘算法是数据挖掘研究的重要内容之一。关联规则是数据挖掘的重要模式之一，有着极其重要应用价值。本文主要研究了如何提高布尔关联规则的挖掘算法的有效性和伸缩性。 Apriori算法是挖掘布尔关联规则的算法，而该算法在空间和时间的复杂性有着难以克服的局限性。因此，文中引入了一种不需要产生候选项的频繁模式增长算法，将数据库的事务的信息压缩到FP一树，然后通过后缀与前缀连接产生频繁模式，从而避免了多次扫描数据库，降低了时间开销。 当数据库中的项目数目较大且事务数量巨大时，频繁模式增长算法内存开销很大，可能导致内存空间不足的现象。因此，本文提出了基于极大团划分的模式增长算法，将事务项目集分解成若干子集，对每个子集分别使用频繁模式增长算法找出它们的频繁模式，从而解决了内存不足的矛盾。同时，提出了一种用邻接矩阵产生频繁2项集的方法，可以减少扫描数据库的次数。 如何从大量的关联模式中筛选出用户感兴趣且有价值的规则，是算法研究的重要内容之一。基于支持度和信任度的框架模型有一定的局限性，本文在此框架中引入了基于影响的兴趣度，用来修剪无趣的规则，从而筛选出用户真正感兴趣的规则模式。
聂永红[4]（2001）在《常项集产生的算法及兴趣度量》文中研究指明本文引入在关系数据库中包含定量和范围属性关联规则的挖掘问题 ,这种技术的一个直接应用可以生成许多类似的规则。给出为挖掘定量关联规则所需的兴趣度量及常项集产生的算法。
二、常项集产生的算法及兴趣度量（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、常项集产生的算法及兴趣度量（论文提纲范文）
（1）统计学、经济学中引入和建立“常项”概念的必要性研究（论文提纲范文）
| 1 关于标志和变异的基本概念 |
| 2 变量、常量概念和数量标志的分类、变项 |
| 3“常项”概念的引入和建立的作用 |
（2）组合模式在电子商务推荐系统中的应用（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 电子商务推荐系统的主要研究内容及研究现状 |
| 1.1.1 电子商务推荐系统的主要研究内容 |
| 1.1.2 推荐系统研究现状 |
| 1.2 论文的选题及其研究意义 |
| 1.3 论文的研究内容 |
| 1.4 本章小结 |
| 2 电子商务推荐系统简介 |
| 2.1 电子商务推荐系统与个性化服务 |
| 2.2 电子商务推荐系统的输入\输出 |
| 2.2.1 电子商务推荐系统的输入 |
| 2.2.2 电子商务推荐系统的输出 |
| 2.3 电子商务推荐系统的分类 |
| 2.4 电子商务推荐算法介绍 |
| 2.4.1 关联规则推荐算法 |
| 2.4.2 协同过滤推荐算法 |
| 2.4.3 电子商务推荐算法面临的主要挑战 |
| 2.5 本章小结 |
| 3 组合模式的推荐系统框架设计 |
| 3.1 系统的提出背景 |
| 3.2 系统的基本思路 |
| 3.3 系统框架图 |
| 3.4 系统设计 |
| 3.5 数据描述 |
| 3.5.1 物品的描述 |
| 3.5.2 用户兴趣描述 |
| 3.5.3 用户群兴趣描述 |
| 3.6 用户数据收集 |
| 3.6.1 用户显式评价 |
| 3.6.2 用户隐式评价 |
| 3.7 本章小结 |
| 4 推荐算法的改进 |
| 4.1 User-based协同过滤推荐算法的改进 |
| 4.1.1 传统的用户相似性度量方法分析 |
| 4.1.2 基于项评分预测的用户相似性度量方法 |
| 4.1.3 协同过滤推荐算法 |
| 4.2 Item-based协同过滤推荐算法的改进 |
| 4.2.1 传统的物品相似性度量方法分析 |
| 4.2.2 改进的物品相似性度量方法 |
| 4.3 本章小结 |
| 5 系统实现与实验分析 |
| 5.1 数码时尚推荐系统应用 |
| 5.1.1 数码时尚推荐系统简介 |
| 5.1.2 数码时尚推荐系统界面 |
| 5.2 组合模式的推荐算法实验分析 |
| 5.2.1 实验目的 |
| 5.2.2 实验办法 |
| 5.2.3 度量标准 |
| 5.2.4 数据集 |
| 5.2.5 实验过程 |
| 5.2.6 实验结果 |
| 5.2.7 推荐算法推荐质量比较分析 |
| 5.3 本章小结 |
| 6 结束语 |
| 6.1 本文主要工作 |
| 6.2 前景展望 |
| 6.3 本章小结 |
| 致谢 |
| 参考文献 |
| 独创性声明 |
| 学位论文版权使用授权书 |
（3）基于兴趣度的关联规则挖掘算法的研究（论文提纲范文）
| 第1章 数据挖掘综述 |
| 1.1 数据挖掘产生的背景 |
| 1.2 数据挖掘的数据对象 |
| 1.3 数据挖掘产生的知识模式 |
| 1.4 论文主要研究内容 |
| 第2章 关联规则的基本概念 |
| 2.1 基本概念及性质 |
| 2.1.1 关联规则的经典定义 |
| 2.1.2 关联规则的性质 |
| 2.2 关联规则的分类 |
| 2.3 关联规则的商业应用 |
| 2.3.1 商业零售行业 |
| 2.3.2 金融和保险服务行业 |
| 2.3.3 科学研究领域 |
| 2.3.4 电信网络管理 |
| 2.3.5 其它应用领域 |
| 第3章 关联规则的经典算法及其分析 |
| 3.1 经典频集法-APRIORI算法 |
| 3.1.1 频集算法的核心 |
| 3.1.2 举例说明Apriori算法 |
| 3.1.3 频集算法的性能分析 |
| 3.2 频集算法的优化方法 |
| 3.2.1 基于分片的并行方法 |
| 3.2.2 基于hash的方法 |
| 3.2.3 基于采样的方法 |
| 3.2.4 减少交易的个数 |
| 第4章 兴趣度模型描述及分析 |
| 4.1 问题的提出背景 |
| 4.2 兴趣度的引入 |
| 4.2.1 关联规则的评价标准 |
| 4.2.2 兴趣度的基本类型 |
| 4.3 兴趣度模型描述 |
| 4.3.1 几种典型的兴趣度模型 |
| 4.3.2 基于影响的兴趣度模型 |
| 4.3.3 兴趣度的特性分析 |
| 4.3.4 基于影响的兴趣度算法描述 |
| 第5章 基于极大团的频繁模式增长算法 |
| 5.1 算法提出的背景 |
| 5.2 频繁模式增长算法 |
| 5.2.1 树的基本结构 |
| 5.2.2 构建频繁模式树 |
| 5.2.3 利用FP-树构建条件FP-树 |
| 5.2.4 用FP-树产生频繁模式算法描述 |
| 5.2.5 FP-增长算法的性能分析 |
| 5.3 基于团的改进算法 |
| 5.3.1 有序频繁集的引入 |
| 5.3.2 基于极大团的划分方法 |
| 5.3.3 求图的极大团方法 |
| 5.3.4 求极大团的算法描述 |
| 5.3.5 弱极大团替代极大团 |
| 5.4 利用图的邻接矩阵产生频繁集 |
| 5.4.1 用邻接矩阵求频繁2-项集 |
| 5.4.2 多次使用邻接矩阵求频繁2-项集 |
| 5.5 基于兴趣度的关联规则挖掘算法(CFP_IAR) |
| 5.6 CFP_IAR算法的性能及分析 |
| 5.6.1 CFP_IAR算法与Apriori算法比较 |
| 5.6.2 CFP_IAR算法与FP-增长算法比较 |
| 5.6.3 CFP_IAR算法特征 |
| 5.6.4 对响应时间和规则数影响因素分析 |
| 结束语 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及科研成果 |
四、常项集产生的算法及兴趣度量（论文参考文献）
- [1]统计学、经济学中引入和建立“常项”概念的必要性研究[J]. 郑文兵. 统计与决策, 2012(12)
- [2]组合模式在电子商务推荐系统中的应用[D]. 段娟娟. 重庆大学, 2005(12)
- [3]基于兴趣度的关联规则挖掘算法的研究[D]. 陈安龙. 西南交通大学, 2003(02)
- [4]常项集产生的算法及兴趣度量[J]. 聂永红. 广西师院学报(自然科学版), 2001(04)