论文部分内容阅读
关联规则挖掘是数据挖掘中成熟的技术之一,在商业管理、政府办公、科学研究和工程开发中得到了广泛应用。但其处理的目标常常是大规模的数据集,处理的是异构类型数据,另外考虑到数据挖掘的安全性、容错性等问题,为此迫切需要一种手段能够智能地、有效地、安全地挖掘出事务数据间有趣的关联规则。而分布式人工智能的前沿技术Multi-Agent具有高度智能化、易于构造分布式系统和软件复用性强等优点,这为关联规则挖掘提供了强有力支持。本文介绍了关联规则挖掘技术和Multi-Agent技术,并把它们应用到一个行为推荐原型系统当中,设计了一个基于Multi-Agent和关联规则挖掘的ARSM系统(The Action Recommendation Prototype System for User Based on Multi-Agent and Association Rule Mining),并将其应用到Web访问上。本文的主要工作如下:利用已存在的BFP-Miner算法中改进的FP-Tree构造方法和基于位对象的频繁k-项集挖掘方法挖掘包含频繁k-项集的频繁(k+1)-项集,再根据最小置信度产生强关联规则。在ARSM系统中,将此产生强关联规则的方法应用于对用户行为日志进行挖掘,以产生行为推荐。通过对系统推荐任务的规划和分解,设计了ARSM系统。ARSM系统由UserAgent、DProAgent、ARAgent和Action Log Data Base四部分组成,其中ARAgent负责管理DatabaseProcessAgent、BFPTreeMinerAgent和ARMAgent三个Agent。为实现每个Agent所具备的功能,设计了Agent的模型和结构、说明了Agent的工作流程及控制算法、定义了每个Agent具备的技能。通过Multi-Agent环境下Agent之间交互细节的分析,给出了ARSM系统中Multi-Agent的管理结构图。把ARSM系统应用到Web访问上,为Web访问者进行行为推荐。实验中采用了来自于微软网站的匿名网络数据集,对它进行了预处理,然后在这个数据集上实现对Web访问者进行行为推荐的系统目标。文章说明了对Web访问者进行行为推荐的系统任务的实现过程,并对推荐过程中Agent主要技能给出实现,最后对系统的实验效果做了说明和分析。