基于广义兴趣度的关联规则挖掘的研究的中期报告.docx

基于广义兴趣度的关联规则挖掘的研究的中期报告
一、选题背景
在信用评估、个性化推荐、社交网络分析等领域，关联规则挖掘是一种常用的数据挖掘方法，其可用于挖掘事物之间的关系，揭示出数据之间的隐藏规律，进而提高对数据的理解和应用价值。然而，在当前的关联规则挖掘中，往往只关注于不同事物之间的关系，而忽略了个体之间的差异性，导致挖掘出的规则普适性较差，难以为不同用户提供真正有用的信息。
为了解决这一问题，本研究基于广义兴趣度的关联规则挖掘，试图通过识别不同用户的兴趣偏好，从而提高挖掘出的关联规则的实用性和可靠性，为不同用户提供更准确、个性化的信息服务。
二、主要工作进展
（一）研究现状调研
1.关联规则挖掘技术的基本原理及发展历程；
2.广义兴趣度理论在个性化推荐领域的应用研究综述；
3.关于广义兴趣度的度量方法以及分类器的建立方法的研究现状。
（二）数据准备与处理
1.采集相关数据，并对数据进行预处理，将数据转化为适合进行关联规则挖掘的形式；
2.根据用户兴趣数据，构建用户兴趣模型，并统计不同用户的兴趣偏好，并将其转化为广义兴趣度。
（三）广义兴趣度的关联规则挖掘
1.根据用户兴趣模型以及广义兴趣度理论，建立基于广义兴趣度的关联规则挖掘模型；
2.采用有效率的算法进行关联规则挖掘，并从挖掘结果中提取符合用户需求的规则。
三、下一步工作计划
1.进一步完善广义兴趣度理论的度量方法以及建模方法，提高关联规则挖掘的实用性和可靠性；
2.开展实验验证，对模型进行评估，并比较其与传统关联规则挖掘模型的性能差异；
3.基于实验结果，不断完善模型，并寻求进一步应用的可能性。
四、结论
本研究在现有关联规则挖掘研究的基础上，引入了广义兴趣度理论，将关注点由不同事物之间的关系转向了个体之间的差异性，提高了挖掘出的规则的实用性和可靠性。在进一步的研究工作中，将致力于进一步完善模型，拓展其应用领域。