导读:本文包含了页面关联规则论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:规则,页面,算法,日志,频繁,数据挖掘,兴趣。
页面关联规则论文文献综述
刘建东,刘建平,严奉华,杨凡丁[1]（2009）在《一种基于页面兴趣度的关联规则研究》一文中研究指出给出了页面兴趣度的定义,并针对传统的Apriori关联规则算法必须经过大量反复扫描数据库才能产生候选项集的问题,提出了一种改进算法。此算法将数据库经过预处理后,对事务数据库进行分段,比较时可不针对所有事务记录,从而减少比较时间。最后将页面兴趣度应用于改进的Apriori算法中,形成一种基于页面兴趣度的关联规则算法——I_NEW_AR算法。实验结果表明,该算法不仅提高了挖掘效率,而且应用于网上推荐系统具有较好的准确率。(本文来源于《浙江理工大学学报》期刊2009年06期）
陈永平,刘俞,苏新[2]（2008）在《基于兴趣度的Web页面关联规则的研究》一文中研究指出随着互联网上的信息迅速增长,如何快速准确地寻找到信息越来越受到人们的重视。文中给出了几种计算用户兴趣度的方法,并利用其中一种计算用户兴趣度的方法,论述了基于兴趣度的Web页面关联规则。论述了关联规则和一般的Apriori算法,并利用了"壹支持数下K—关联规则",对一般的Apriori进行了改进,主要是将兴趣度用于Apriori算法中。实验结果证明,该方法用于在网上寻找用户感兴趣的信息具有较好的准确率。(本文来源于《计算机技术与发展》期刊2008年05期）
邓凯[3]（2007）在《基于Web使用挖掘和关联规则的页面推荐模型的研究与实现》一文中研究指出Web使用挖掘是Web挖掘领域中的一个重要研究方向。它对于发现用户访问网站的规律、提高Web系统的性能和实现Web系统的个性化服务等方面都具有重要意义。将Web使用挖掘技术和个性化推荐技术相结合就可以实现基于Web使用挖掘的个性化服务(PSWUM)。常见的PSWUM是基于Web使用挖掘的页面推荐服务(PRWUM)，而在实现PRWUM时常用的推荐技术是关联规则。本文对基于Web使用挖掘和关联规则的页面推荐模型(PRWAR)及其相关算法进行了研究。PRWAR贯穿了Web使用挖掘过程中的数据预处理、模式发现和模式分析与应用叁个阶段。它一般分为离线部分和在线部分。离线部分的处理流程是：先对Web日志数据进行数据预处理，然后进行模式发现来获得频繁访问模式。在线部分的处理流程是：在线获得用户访问序列后对其进行某种处理；然后基于频繁访问模式获得关联规则；最后对关联规则进行选择，把得到的规则集中的后项加入页面推荐集合。本文围绕PRWAR所做的主要工作如下：(1)提出了一种用于频繁访问模式挖掘的算法(SDHP)。SDHP算法使用了AprioriAll算法中对事务进行连接时所用的技术，并借鉴了DHP算法中的Hash技术及修剪技术来对事务数据进行处理。这叁者的不同点是：DHP算法挖掘的数据是无序的，而SDHP算法和AprioriAll算法挖掘的数据是有序的。(2)提出了一种利用事务划分进行页面推荐的方法(TPM)。TPM是对用户访问序列运用MFP算法进行事务划分后再进行页面推荐，而常见的利用滑动窗口进行页面推荐的方法(SWM)是利用滑动窗口得到子序列后再进行页面推荐。(3)提出了一种基于事务划分的页面推荐模型(PRBT)。它是以本文提出的SDHP算法和TPM为基础，而常见的基于滑动窗口的页面推荐模型(PRBSW)是以AprioriAll算法和SWM为基础。PRBT和PRBSW都属于PRWAR。(4)基于.NET平台设计和实现了一个页面推荐原型系统(PRPS)。它贯穿了Web使用挖掘过程中的叁个阶段，由五大功能模块组成。PRPS用C#语言模拟实现了PRBT和PRBSW两种页面推荐模型及其相关的算法。在PRPS上进行实验表明：SDHP算法不仅减少了候选项集的生成，而且压缩了事务数据库的规模，所以它相比AprioriAll算法可以减少扫描数据库的时间，提高算法的执行效率；TPM相比SWM得到的推荐结果更加全面和更加准确。因此得出结论：PRBT的综合性能优于PRBSW的综合性能。(本文来源于《华东师范大学》期刊2007-01-01）
闫莺,王大玲,于戈[4]（2005）在《支持个性化推荐的Web页面关联规则挖掘算法》一文中研究指出分析了应用于个性化推荐的Web页面关联规则的特点,提出了“壹支持数下k关联规则”的思想,根据这一思想设计、实现了一种应用于个性化推荐的Web页面关联规则挖掘算法——PARM(Pageview Association Rule Mining)及频繁项集的Freq-Set-Tree存储结构,在产生频繁项的同时挖掘关联规则,因而能提高效率。实验证明在个性化推荐系统中PARM算法的效率明显高于FP-Growth算法。(本文来源于《计算机工程》期刊2005年01期）
周勇,鲍钰[5]（2004）在《互联网目标页面间隐式关联规则的发现》一文中研究指出通过对Web日志信息的数据预处理和分析挖掘 ,辅助适量编程和算法TPARD(TargetPagesAssociationRuleDiscovery) ,最终实现了互联网目标页面间隐式关联规则的发现 ,从而可以优化网站结构 ,进一步提高对Web终端用户的服务质量(本文来源于《计算机应用》期刊2004年08期）
张龙翔[6]（2004）在《基于Frame页面过滤与关联规则的Web日志挖掘的研究》一文中研究指出如何让Internet更好地为人类服务，是未来几年的一个真正挑战。一方面是人们对快速、准确而全面获取信息的渴望，而另一方面却是Internet上信息的纷繁芜杂，在这两者之间架设一座桥梁的确是一个巨大的挑战。作为从浩瀚的Web信息资源中发现潜在的有价值知识的一种有效技术。Web挖掘正悄然兴起，倍受关注。目前Web挖掘的研究正处于发展阶段，尚无统一的结论，需要国内外学者在理论上开展更多的讨论。 Web日志数据是记录用户对Web站点访问信息的数据，保存有大量的路径信息，对这些信息的分析有利于设计人员掌握用户的喜好和访问习惯，并可以用来对网站的结构进行优化和页面重组。所以产生了Web日志挖掘。 本文首先介绍了Web日志挖掘的有关背景和相关概念。 然后研究了Web日志挖掘中的相关技术，在以下几方面进行了改进：(1)在Web日志预处理技术的研究中提出了一种改善预处理结果的方法——Frame页面过滤技术；(2)关联规则挖掘是数据挖掘研究中的一个热点，在本文的研究中综合了一个高兴趣度的频繁访问页组所需满足的一些基本条件，然后针对这些条件，提出了一个基于传统关联规则的提高挖掘结果的兴趣度的频繁访问页组加强算法。 最后用实验证明改进过的过滤技术与挖掘算法比传统数据挖掘技术更适合应用于Web日志方面的挖掘。(本文来源于《山东科技大学》期刊2004-05-01）
页面关联规则论文开题报告
（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：
随着互联网上的信息迅速增长,如何快速准确地寻找到信息越来越受到人们的重视。文中给出了几种计算用户兴趣度的方法,并利用其中一种计算用户兴趣度的方法,论述了基于兴趣度的Web页面关联规则。论述了关联规则和一般的Apriori算法,并利用了"壹支持数下K—关联规则",对一般的Apriori进行了改进,主要是将兴趣度用于Apriori算法中。实验结果证明,该方法用于在网上寻找用户感兴趣的信息具有较好的准确率。
（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。
页面关联规则论文参考文献
[1].刘建东,刘建平,严奉华,杨凡丁.一种基于页面兴趣度的关联规则研究[J].浙江理工大学学报.2009
[2].陈永平,刘俞,苏新.基于兴趣度的Web页面关联规则的研究[J].计算机技术与发展.2008
[3].邓凯.基于Web使用挖掘和关联规则的页面推荐模型的研究与实现[D].华东师范大学.2007
[4].闫莺,王大玲,于戈.支持个性化推荐的Web页面关联规则挖掘算法[J].计算机工程.2005
[5].周勇,鲍钰.互联网目标页面间隐式关联规则的发现[J].计算机应用.2004
[6].张龙翔.基于Frame页面过滤与关联规则的Web日志挖掘的研究[D].山东科技大学.2004
论文知识图
