基于关联规则的推荐算法在游戏搜索引擎中的应用.docxVIP

基于关联规则的推荐算法在游戏搜索引擎中的应用 互联网的出现彻底改变了我们的生活方式。 本文利用关联算法, 参照CRISP-DM建模流程 1 关联规则推荐算法 商业理解是定义商业目标的过程, 建模过程的关键也在于此.本文商业目标是通过用户搜索关键字来预测该用户对哪些Xbox游戏更感兴趣.显然, 这是一个预测型问题.解决预测型问题, 目前比较成熟的数据挖掘算法有线性、关联算法等 本文的关联规则推荐算法过程大致如下: (1) 找出所有由关键字产品组成的关联规则Rules和点击率最高的top5产品Sku_top. (2) 提取出Rules中每组关键字对应用户点击的top5产品, 记剩下的关联规则集为Rules_fmt. (3) 根据Rules_fmt和测试集训练集中的关键字, 产生初始推荐规则表. (4) 若推荐规则表中某一关键字没有推荐产品, 则给它推荐Sku_top产品;若某一关键字只有一个产品P, 则除了给它推荐P产品之外, 还补充推荐Sku_top中的前4种产品, 使其推荐产品中始终有5个产品.同理, 产生最终推荐规则表. (5) 根据最终规则表和测试集用户所点击的关键字, 产生用户推荐表Rcmd. 2 数据预处理 数据准备是根据商业目标确定建模所需数据.本文数据直接由官方提供.获得数据后, 对数据进行检验和预处理以减小模型误差.本文数据预处理操作有:数据集成;大小写转换、去除特殊字符;语意转换, 即把音近和意近的变量值转换成一个变量值. 3 关联规则的生成 完成数据预处理之后, 进行建模.本文采用关联规则算法并根据用户搜索关键字对产品进行推荐, 算法流程有以下几步: (1) 找出训练集中所有由用户输入的关键字 (转换后) Query_format用户点击的产品Sku组成的关联规则Rules (表1) 和点击率最高的top5产品Sku_top (表2) . (2) 按转换后的关键字分组, 提取Rules表中每组关键字对应用户点击的top5产品记剩下的关联规则集为Rules_fmt (表3、表4) .删去top6、top7…规则. (3) 根据Rules_fmt和测试集训练集中的关键字 (转换后) , 产生初始推荐规则表Rule1 (表5) . (4) 转置Rules1得Rules2, 产生最终推荐规则表Rules_final (表6) . (5) 根据最终规则表和测试集用户所点击的关键字, 产生用户推荐表Rcmd (表7) . 4 模型预测正确 本文采用预测准确性来评估模型, 模型准确率通过下面几个步骤得到: (1) 利用最终推荐表和训练集中用户点击的关键字预测出各用户可能点击的产品. (2) 若训练集中用户实际点击的产品在模型预测产品之中, 则对该用户来说, 型预测正确. (3) 统计出模型预测正确的用户数在用户总数中的占比.据统计, 在训练集用户总数为42365, 第一种产品预测正确的用户数正确率为63.7%, 前两种产品预测正确率为81.0%;前三种产品预测正确率为87.8%;前四种产品预测正确率为90.4%;前五种产品预测正确率为91.9%.可见, 模型预测的前2种产品正确率超8成, 前4种超9成, 模型正确率较高. (4) 结果部署是用建立的模型去解决实际中遇到的问题, 它还包括监督、维持、产生最终报表等过程.本例暂略去该过程. 5 快速与准确的建设算法 本文采用基于关联规则的推荐算法, 按照CRISP-DM建模流程, 通过用户搜索关键字, 预测并向该用户推荐他可能感兴趣的TOP5产品 (Xbox游戏) . 关键字的准确转换是该推荐系统正确率的直接保障.然而, 在商业推荐系统中, 我们不得不设计一种既快速又准确的关键字转换算法, 这将是优化推荐系统的又一挑战.