基于關聯規則挖掘的個性化智能推薦服務研究

黃志成

中國電子科技集團公司第十研究所 四川 成都 610036

引言

電子商務的發展帶動了整個智能信息的發展，而個性化智能推薦服務的誕生目的是為了更好地服務用戶，精準的捕捉用戶的消費習慣。所以從本質上來看，個性化智能服務系統是從電子商務中脫胎出來的。而我們主要參考的WWW信息檢索服務，就是在原始的個性化智能服務基礎之上誕生的，其理念相同，因而可以在基礎之上完成延續[1]。我們主要分析的WEB挖掘的個性化智能服務也由此產生，其主要內容共分為兩個部分，一是信息內容為基礎方法，二是用戶訪問行為為基礎的方法。通過目前現有的研究，我們已經可以通過用戶的訪問路徑和相應訪問規則來進行智能化的預測，通過提取用戶的訪問習慣和訪問途徑，分析出相關的訪問模式，最終利用市場決策和智能推薦服務系統，精準的預測客戶的下一步訪問行為。目前在互聯網領域，該個性化智能推薦服務已經得到了十分廣泛的應用和實踐，取得的成果十分的卓然。而我們當前探討的問題主要是利用該服務系統解決用戶的信息過量以及信息資源方向缺失這兩個問題。

1 基于WEB訪問挖掘的個性化智能推薦服務

在WEB訪問挖掘基礎之上建設的個性化智能推薦服務一共分為兩個部分，分別是離線部分和在線部分[2]。利息部分的主要任務由數據準備和特定的挖掘任務組成，以此來彌補網絡連接的問題。離線的數據會通過服務器的訪問文件以及訪問站點的相關信息生成特定的文件，有用戶文件和事務文件這兩種類型，而用戶的特性訪問挖掘則分為了關聯規則的發現以及URL聚類的生成。以此來綜合生成完整的用戶訪問規則。在線操作訪問機制要細致和更為多樣化。首先是用戶在在線訪問的過程中會出現頻繁的動態，這些動態作為指引會為用戶推薦相關聯的系統服務并完成進一步的操作。在線部分的訪問挖掘主要有個性化智能推薦服務Agent和WEB服務器組成，實際上在線服務端口比離線端口更為重要，在線訪問可以逐步跟蹤用戶的訪問操作，根據相關訪問內容進行個性化智能服務。而個性化智能服務Agent可以通過分析在線用戶的訪問操作以及操作路徑來確認相關的訪問模式，直接確定下屬的URL聚類類別，進而生成URL集合便會十分的順利，并且最終生成的URL集合能夠作為操作訪問的候選集合完成操作[3]。這無疑是更加符合個性化智能服務體系的一種操作模式。在整個的操作過程中我們將WEB的主題服務內容分為了五個部分：①優先收集WEB相應對象以及頁面；②通過收集內容對操作對象的主體進行識別，例如用戶識別和路徑識別；③對主體和對象進行分類，按照主體發展模式展開追蹤；④在對象和主體之間完成兩者的匹配e.最后根據主體和對象的匹配解決完成對個性化服務候選集的確定。總的來說，WEB的訪問挖掘個性化智能推薦服務，是在追求用戶的訪問規則，并在這一規則基礎之上完成的一種訪問行為。其內涵也就是預測行為，根據一定路徑來預測用戶的訪問習慣以及下一步可能會出現的訪問行為，并以此作為發展對象來延伸對用戶的個性化智能推薦服務。

2 離線預處理

2.1 數據準備

離線準備階段需要考慮到數據的參與和處理情況，在離線情況下，用戶訪問的log文件并不是實時的，因而存在很多的噪聲數據，我們需要在這些數據中找到必要部分，提前對log數據進行預處理，方可進行下一步的關聯規則挖掘。預處理主要是清理不必要數據，一共分為數據精化，數據過濾和數據事物識別這三個部分。在所有的個性化智能推薦服務中，不論是離線狀態還是在線狀態都需要進行這一步的清理工作。完成預處理任務之后，生成的用戶事物文件才具備基本 的可用性。而在過濾log文件的過程中我們也需要注意，盡量過濾到大部分的無關項目和文件，必要時候可以分析丟失的訪問記錄進而得到更為全面的文件系統[4]。而所謂的無關項就是從根本上并不參與到個性化智能推薦服務中的一些項目，WEB訪問挖掘分析并不會因為這部分軟件而產生過多的影響。具體的預處理內容具有選擇性，無法一概而論，本文只論述基本的預處理方法，對處理目標不做過多深入的研究。

2.2 路徑選擇

本研究主要討論的關聯規則的個性化智能推薦服務，主要針對的結構的站點組織結構，因此根據這部分結構的獨特性，我們需選擇最為合適的路徑來進行數據模擬。本研究選取了最大前向訪問路徑輔助-內容事務，作為對用戶相關訪問內容和事物的獨特訪問路徑進行選擇。首先根據這部分路徑的選擇，我們需首先完成相關基礎定義的介紹。在該條訪問路徑的設計中，我們將用戶看作是一個具體的點或者是符號，該符號作為用戶訪問操作的集合，所有的訪問記錄均可以形成一定的輻射向外擴散。在用戶使用一定IP地址和ID號進行頁面訪問時，可對訪問時間和訪問內容完成記憶。而通常情況下，用戶在沒有ID號的前提下進行登錄，那么可隨機為用戶匹配相關的ID號，這可作為具有標志性的另一個符號被囊括到用戶的使用范圍內，也可算作是用戶訪問操作的集合內容之一。

以上為本路徑選擇的基礎性定義。與離線預處理不同，在執行用戶在線推薦服務的過程中，需要對用戶的操作序列以及訪問模式進行匹配和計算，此時我們使用到的最大前向訪問路徑輔助-內容事務便能夠從不同鏈接中尋找到具體的訪問序列。每個用戶事務都是用戶在網頁操作過程中的Web頁的序列，從用戶訪問第一個Web開始到最后返回Web結束，所有前向訪問的Web頁都被算在了當前請求頁當中，而不屬于已訪問過的Web頁，這樣一來，事務的開始結束和劃分變得非常的清晰。只要用戶點進新的訪問鏈接，就可以算作是新的事務的開始，以此來整體衡量用戶訪問過的Web頁，但是并不考慮用戶訪問的長度，雖然這樣一來可能會造成精準度的誤差，但是訪問路徑事務的形式能夠清晰的呈現當前用戶的訪問習慣，并完成后續的個性化智能服務。

3 基于關聯規則的個性化智能推薦服務算法介紹

推薦集是我們本研究主要為大家介紹的內容，因為推薦集的生成較為直接，離線狀態下，通過用戶的頻繁訪問規則和訪問模式就能夠得到基本的訪問線路，而預處理又能夠最大程度上篩選出用戶事務，將一部分不屬于規則推薦服務內的文件篩除，利用最小支持度完成篩選任務。而那些更大支持項目和頻繁用戶事務集合就能夠較為準確的被聚攏，進而形成聚集樹。在關聯規則挖掘個性化智能推薦服務的支持之下，聚集樹首先會發現相匹配的用戶，并對用戶的訪問路徑進行規劃，從而形成一定的訪問關聯規則。推薦度的大小決定了規則的限制范圍，而推薦度因子的大小則決定了推薦項，最終為用戶呈現的個性化智能推薦服務目標就是根據推薦度因子的大小形成的，因此，并不是所有的推薦度都在最大個性化推薦服務之內，聚集樹會根據相關數據訪問的規則進行限定。而推薦因子的誕生，則是由關聯規則的置信度乘以距離因子得出的。

所有推薦服務的設定最終都將落實在在線推薦這一最大目的之上，因此，能夠隨時跟蹤用戶的訪問操作習慣并且有效地將用戶的訪問操作內容進行記錄才是最重要的。我們當前采用了滑窗采樣的方法來對用戶的操作訪問路徑進行跟蹤和獲取，在此我們假設用戶的滑窗大小為A，那么其關聯的規則集就會在原定的滑窗大小之上呈現A＋1的姿態，針對當前滑窗長度為A的用戶訪問操作路徑去匹配相應的聚集樹上的子訪問路徑，所有獲取的最終結果，都將以A＋1的頻繁子訪問路徑的方式進行呈現[5]。以關聯規則為基礎的個性化智能推薦服務是對接用戶智能接口個性化智能信息檢索主動服務的最佳選擇，并且非常的適合Web服務器站點的個性化自適應服務。本研究中已經對部分關聯規則為基礎的個性化智能推薦服務進行了介紹，我們可以初步的了解該智能推薦服務的核心內容和側重點，其可行性和實踐性能佳，且具備一定的優化潛力，因此其算法和實際應用均能夠滿足當前推薦服務的需求。

4 研究結果與討論

通過本次研究，我們粗淺的了解了基于關聯規則挖掘的個性化智能推薦服務的相關內容，明確了個性化智能推薦服務的基本形成原理和形成方法，并對其中的幾點問題做出了詳細的解釋，第一點問題是關于滑窗大小的選擇問題。在滑窗選擇的過程中我們首先需要利用支持度和置信度的門限對其進行限制，但是這一門限并不適合設置的太高，因為滑窗的大小需要有更加充分的候選項作為保證。第二是生成集的相關影響，通過部分實踐研究成果我們可以發現，用戶進入的方式不同，生成集并不能僅圍繞著一個范圍進行測算，因而用戶行為對生成集來說會造成較大的影響。而伴隨著推薦程度的加深，推薦集會越變越小，這是因為根據用戶行為進行生成已經沒有了太大的發展空間，因此其最終推薦集甚至可能會出現空集。針對這一現象，可以通過調整置信度門限的方式來緩解。我們將個性化智能推薦服務集中到了對用戶感興趣的主題進行定位上，實際上這是一種信息獲取習慣或者是網絡信息服務習慣的一種獲取，而通常情況下，伴隨著智能推薦服務系統的深入，對于用戶感興趣問題的捕捉能力會減弱。因為長時間同等模式下的信息錄入會造成大量信息的重疊，對于這一情況，我們只能依靠重新建立推薦集的模式來生成全新的信息項。

5 結束語

在本研究中，我們主要探討了基于關聯規則挖掘的個性化智能推薦服務方法，在推薦方法的建立過程中，我們針對的主要是個性化智能信息的檢索問題，最初可行化服務的概念誕生自電子商務，只是伴隨著這類服務模式的發展和實用性的擴大，在WWW上實現個性化信息檢索的能力也在不斷升級，進而我們當前探索的這類個性化信息檢索服務，同樣擁有著十分現實的應用價值和實踐意義。對于WEB訪問挖掘個性化智能推薦系統來說是一個全新的嘗試，對于用戶習慣的摸索未來可能還會有所精進，并且個性化智能推薦服務方法可能會有更大程度的提升，因而我們目前的研究對于未來電子商務部分項目的發展規劃仍然具備一定的前瞻性和實用性。