关联规则的挖掘是数据挖掘领域和个性化推荐领域的重要分支,用于发现数据库项目间有意义的联系,其中加权关联规则的挖掘因更有利于解决数据库中项目重要程度不同等问题成为主要研究热点。本文首先介绍了现有加权关联规则挖掘算法,在深入分析研究部分常用算法后,发现常用加权关联规则挖掘算法存在权值固定且破坏关联规则挖掘的向下封闭性、挖掘效率低等问题。本文针对以上问题结合电子商务平台的实际应用场景进行了深入的研究,主要工作内容如下:1.通过构建用户的兴趣度模型和引入兴趣度模型的更新机制,解决权值设定主观且固定不变的问题。将用户对商品的兴趣度作为该商品的权值,使得项目的权值能动态反映用户对各个商品项的兴趣度。2.基于数据样本特征改进clique聚类算法,将其与加权关联规则相结合,解决传统加权关联规则挖掘算法的挖掘过程会产生大量的频繁项集而导致挖掘效率低下的问题。改进的算法对于高维度的兴趣模型更高效,使得具有相似兴趣的用户在同一个簇内,在各个聚类簇内部进行加权关联规则的挖掘,可以使挖掘的数据量大幅度减少,提高算法的效率。3.针对权值破坏传统关联规则挖掘的向下封闭性的问题,引入事务集权值方法。将一个用户的兴趣度记录看作一条事务,使得加权关联规则满足传统Apriori算法的向下封闭性,最后在各个簇内采用加权FP-Growth算法进行挖掘。相比于现有加权关联规则,改进算法使得权值的设定更加合理,且能动态反映用户的兴趣变化,满足关联规则向下封闭的先验知识,即频繁项集的子集也是频繁的。同时改进算法使用聚类,在各个簇中进行挖掘,减少了挖掘的数据量。最后通过实验证明,改进算法在个性化推荐方面具有更好的准确率和召回率。