自动化推荐系统改进ART算法分析

打开文本图片集

摘 要：建构一个可以挖掘出关联特质的自动化推荐系统改进ART算法——MART算法.MART算法在推荐系统特性基础上，实现聚类和判断用户属性的重要性，使推荐系统可以设置每一个属性节点的权重，实现用户的分组，进而达到数据挖掘的目的.

关键词：数据挖掘;自动化推荐系统;ART算法

[中图分类号]TP311.1    [文献标志码]A

Analysis of Improved ART Algorithm for AutomaticRecommendation System

LIU Fugang

（The Department of Computer，Huainan Union University，Huainan 232001，China）

Abstract：MART algorithm —an improved ART algorithm for automatic recommendation system was put forward for mining related characteristics. Based on the recommendation of system characteristics， clustering and the identification of user property were realized. This enables weight setting for each property node， as well as user grouping， thus achieving data mining.

Key words：data mining; automatic recommendation system; ART algorithm

數据挖掘技术通过分类、回归和时间序列方法的结合应用，可以实现数据挖掘技术相关功能，对数据进行有针对的相似性度量和量纲分析.ART神经网络技术能够预处理用户的个人信息，提取用户的个性化属性信息，获取不同用户的类型信息，实现对用户的分类，在数据挖掘技术的应用下实现数据分析，为用户提供个性化的推荐信息.自动推荐机制的处理流程包括预处理阶段和在线阶段.在线自动化推荐机制中，运用ART神经网络技术实现用户个人资料的预处理，在网络上用户发出服务请求的时候，系统会识别用户提出的类型信息，并依照客户的信息类型寻找相应规则，挖掘用户的兴趣度信息，最后展现给用户个性化的推荐信息.ART网络结构的组成包括输出层、输入层以及网络连接层.在ART算法处理应用中，第一步要设置好用户属性和其对应的输入向量，其初始向量的范围在（0，1）间;第二步进行初始化输出点的个数，假设在ART网络开始阶段初始输出点有且仅有一个.第二步实施权重矩阵W的初始化，将实验向量输入到ART网络中的输入层;随之将输入向量和第j个输出集匹配度表示出来，输入向量采用的是二进制表示值，寻找和输入向量存在最大匹配度第j个输出集，计算出两者之间的相似度.

ART聚类算法也存在着一些不足，主要表现在以下两个方面：对于属性向量“同或”状态的考虑问题，对于典型的相似度比较，没有能够全面的考虑，因此需要进行相关的改进优化.通过整合ART和数据挖掘技术，针对自动化推荐系统的特性进行相应的改进，这时MART算法便应运而生.[1]

1 自动化推荐系统中ART网络聚类算法的改进

对ART相似度分析是实现对最大匹配度节点j*外权向量wj*和输入向量X对应位子中“1”个数的对比分析，但其存在着明显的不足，笔者将相似值计算公式做了改进，见式（1）.

V[j]=∑pi=1（W[i][j*]·X[i]）·M[i]∑pi=1M[i]+

∑pi=1（1-（W[i][j*]）·（1-X[i]）·M[i]∑pi=1M[i].（1）

改进后MART算法中，M[i]为输入属性的权重，即第i个节点重要性.Wj*与x[i]对应位置上同为“0”和同为“1”的值的个数与之权重值的乘积.改进所得MART算法可以实现对两个向量的准确对比分析，两者之间没有轻重之别.MART算法的执行步骤和ART算法类似，都是要先设置每一个节点的重要性，随之结合用户属性在MART算法的应用下，实现用户的分组，进而达到数据挖掘的目的.[2-4]

MART算法实现聚类，判断出用户属性的重要性，从而自动化推荐系统可以设置每一个属性节点的权重.计算结果与传统的ART算法相比，输出的结果更加合理和灵活.

2 结语

建构了一个可以挖掘出关联特质的自动化推荐系统改进ART算法——MART算法.MART算法在推荐系统特性基础上，实现聚类和判断用户属性的重要性，使推荐系统可以设置每一个属性节点的权重，实现用户的分组，进而达到数据挖掘的目的.随着网络的快速发展，人们对于互联网的使用越来越依赖，随之而来的是庞大且分散的数据.繁杂的数据都需要一种好的处理算法或者机制来进行处理，笔者把自适应共振理论和数据挖掘技术两者结合在一起，形成一个自动化在线推荐系统来进行处理，把用于用户聚类的ART算法进行改进，使得推荐系统能够更加合理和灵活.

参考文献

[1]陈庆章，汤仲喆，王凯， 等.采用数据挖掘的自动化推荐技术的研究[J].中文信息学报，2012，26（4）：115-121.

[2]Palmero， Cristina，Esquirol， Jordi，Bayo， Vanessa， et al.Automatic Sleep System Recommendation by Multi-modal RBG-Depth-Pressure Anthropometric Analysis[J].International Journal of Computer Vision，2017，122（2）：212-227.

[3]陈小芳，葛晓滨，马冠骏.基于数据挖掘的网络购物用户行为分析[J].牡丹江师范学院学报：自然科学版，2016（01）：32-35.

[4]陶庆，葛田.基于THDS的大数据挖掘技术研究[J].牡丹江师范学院学报：自然科学版，2017（1）：28-29.

编辑：吴楠