文献类型：期刊文章

作　　者：文芳[1] 黄慧玲[1] 李腾达[1] 王佳斌[2]

WEN Fang;HUANG Huiling;LI Tengda;WANG Jiabin(Nanchang Normal University,Nanchang 330032,China;College of Engineering,Huaqiao University,Quanzhou 362021,China)

机构地区：[1]南昌师范学院,南昌330032 [2]华侨大学工学院,福建泉州362021

出　　处：《重庆理工大学学报（自然科学）》

基　　金：江西省社会科学规划项目“面向MOOCs环境高校图书馆的功能定位研究”(15YD006);厦门市科技局产学研协同创新项目(3502Z20173046)。

年　　份：2020

卷　　号：34

期　　号：6

起止页码：189-194

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、JST、RCCSE、ZGKJHX、核心刊

摘　　要：作为一种模糊关联规则挖掘算法,FP-growth算法在执行效率上明显优于Apriori算法。但是由于模糊属性的不足和空间复杂度较大,导致FP-growth算法在处理大型事务数据库,例如图书馆数据库时,无法实现有效的多层关联规则挖掘。因此,提出一种改进的FP-growth关联规则算法,能够快速向读者进行个性化图书推荐。首先,该算法把大型图书事务数据库根据首项的事务,划分为若干子数据库,并构建相应的子FP-tree结构;然后,采用实时过滤掉层次树中不是频繁项的父项来缩小扫描空间。实验结果表明:相比Apriori算法和标准FP-growth算法,提出的改进FP-growth关联规则算法在运行效率方面有明显提升,为图书的推荐工作提供了科学依据。

关 键 词：数据挖掘 图书馆 模糊关联规则 APRIORI FP-GROWTH 运行效率

分 类 号：TP391]