基于Apriori算法的购物网站商品推荐系统
目  录
一、	算法内容	3
Step 1	收集用户偏好	3
Step 2	对数据进行预处理	3
Step 3	计算相似度	4
Step 4	找邻居	5
Step 5	计算推荐	6
二、	预期结果	6
三、	对比和讨论	7
一、 算法内容
Step 1 收集用户偏好





用户行为


变量


取值范围


说明




评分


X1


｛1，2，3，4，5｝


为商品评分，分值选择为1-5的整数




收藏


X2


｛0，1｝


如果用户收藏了该商品，则取值为1；否则为0




加入购物车


X3


｛0，1｝


如果用户将该商品加入购物车，则取值为1；否则为0




购买


X4


｛0，1｝


如果用户购买了该商品，则取值为1；否则为0




查看次数


X5


N


用户的点击查看该商品的次数





Step 2  对数据进行预处理
Section A min-max归一化处理
² 对评分进行归一化处理
  (为归一化后的取值，为原值)
² 对查看次数进行归一化处理
 (为归一化后的取值，为原值)
Section B  根据不同行为对用户喜好的反映程度，对进行加权处理，得到最终用户偏好权值：


注：为经科学分析后得出的权值
Section C  得到用户偏好的二维矩阵，纵向为用户列表，横向为物品列表，值是用户对物品的偏好，取值范围为 [0,1] 的浮点数值
Step 3  计算相似度
假设用户数为,商品数为,用户偏好的二维矩阵为：

Section A 计算不同用户间的Pearson相关系数
用户偏好矩阵中的行向量表示用户，通过计算行向量间的Pearson相关系数，衡量用户间的相似度。
任意两用户间的相似度为：
     ()
由此可得到用户相似度矩阵为：

Section B 计算不同商品间的Pearson相关系数
用户偏好矩阵中的列向量表示商品，通过计算列向量间的Pearson相关系数，衡量商品间的关联度。
任意两商品间的关联度为：
     ()
由此可得到商品关联度矩阵为：