Web数据挖掘在个性化推荐服务的应用摘要:随着Internet的迅速发展和普及,人们在网络上开展的活动也越来越多,尤其是电子商务的兴起,使得网上购物逐渐成为一种时尚。然而由于互联网上的信息量日益增长,人们面对这些庞大的信息感到无所适从,花费大量时间在搜寻信息上,因此如何为用户提供更好的服务变得非常迫切。本文以数据挖掘理论为基础,分析和探讨了关联规则挖掘算法并应用该方法实现web个性化推荐服务。关键词:使用挖掘;关联规则;Apriori;个性化推荐WebdataminingusedinthepersonalizedrecommendationserviceCHENPingYUGuo-pingLINGYinAbstract:WiththerapiddevelopmentandpopularizationoftheInternet,networkactivitiesaremoreandmorefrequent.EspeciallytheboomingE-commercemakesonlineshoppingnewfashion.However,peoplearelostintheoverwhelminginformationandspendlotsoftimeonsearching,becauseoftheprogressivelyincreasingoftheamountofinformationontheInternet.Therefore,itisverynecessarytoprovidebetterserviceforusers.Hereweanalyzedanddiscussedassociationruleminingalgorithmsandusedthistoachievewebpersonalizedrecommendationservice,basedonthedataminingtheory.Keywords:Webusagemining;associationrule;Apriori;personalizedrecommendation1引言随着互联网和电子商务的发展，网络信息量日益增长，人们面对这些海量的信息而感到无奈的时候，如果我们能够根据用户的浏览习惯，来预测用户未来的行为，并为其提供个性化的服务，那么将会给买卖双方带来巨大的收益。解决这个问题可以使用Web挖掘技术挖掘出用户感兴趣的潜在有用的模式与信息，然后基于这些模式和信息为用户提供服务。通过Web使用挖掘得到用户的兴趣和爱好，并以此进行个性化推荐，是目前采用的一种重要手段。本文使用关联规则分析技术，挖掘出用户浏览模式并对其进行推荐服务。2Web使用挖掘技术web使用挖掘的研究对象是web使用数据或者web日志，web使用挖掘可以应用于多种不同目的，通过分析一个用户访问的网页序列，可以得到用户的简档信息，从而可以帮助实现个性化。web使用挖掘实际包含三种类型的工作：1)预处理工作，集中对web日志数据的格式进行转化。2)模式发现工作是整个挖掘过程的主要部分，因为这部分工作是从日志数据中发现隐含的模式。3)模式分析工作是研究和解释模式发现工作的结果。目前存在着许多个性化服务系统，根据其所采用的推荐技术可以分为两种：一种是协同过滤技术（CF，CollaborativeFil－tering）它们利用用户之间的相似性来过滤信息。另一种是数据挖掘技术（DM，DataMining），它通过关联规则（AssociationRules）发现、序列模式（SequencePattern）发现、聚类（Clustering）技术、Web挖掘（WebMining）技术等，动态获取用户访问模式，不需要用户提供主观的评价信息，可以处理大规模的数据量，使用方便。3关联规则挖掘技术3.1、关联规则挖掘原理关联规则挖掘是发现交易数据库中不同商品（项）之间的联系，通过这些规则找出顾客的购买行为模式。设I＝｛i1，i2,，…，im｝是项（Item）的集合。记D为事务（Transaction）的集合（事务数据库），事务T是项的集合，并且。定义1：关联规则是形如A→B的蕴涵式。这里A1，BI并且A∩B=Φ。定义2：规则的支持度和可信度。规则A→B具有支持度S，表示S是D中事务包含A∪B的百分比，它是概率P（A∪B），其中｜D｜表示事务数据库D的个数。即规则A→B在数据库中具有可信度C，表示C是包含A项集的同时也包含B项集，这是条件概率P（B｜A），其中｜A｜表示数据库中包含项集A的事务个数。即：定义3：阈值。为了在事务数据库中找出有用的关联规则，需要由用户确定两个阈值：最小支持度阈值（min_sup）和最小可信度阈值（min_conf）