適用于零售數(shù)據(jù)量化關(guān)聯(lián)規(guī)則挖掘算法研究.pdf

1、隨著零售業(yè)的數(shù)據(jù)日益增多和隨著信息技術(shù)的飛速發(fā)展,商務(wù)智能在零售業(yè)的應(yīng)用,已成為信息系統(tǒng)與電子商務(wù)管理理論界研究和行業(yè)關(guān)注的熱點(diǎn)。購(gòu)物籃分析是關(guān)聯(lián)規(guī)則挖掘在零售業(yè)中的一種有效方法,其目的是在顧客的購(gòu)買交易中分析出同時(shí)購(gòu)買一類產(chǎn)品或一組產(chǎn)品的可能性,有利于商品的擺放和提高促銷效果。最初研究的關(guān)聯(lián)規(guī)則是布爾型關(guān)聯(lián)規(guī)則,其典型算法有Apriori和FP-growth等。然而零售業(yè)的數(shù)據(jù)庫(kù)有著豐富的數(shù)據(jù)類型,如數(shù)值型、枚舉型等,傳統(tǒng)的布爾屬性關(guān)

2、聯(lián)規(guī)則挖掘算法Apriori已經(jīng)不再適用,因此要研究量化關(guān)聯(lián)規(guī)則挖掘技術(shù)。在量化關(guān)聯(lián)規(guī)則挖掘中,預(yù)處理中的離散化是關(guān)鍵。本論文成功把基于模糊聚類的量化關(guān)聯(lián)規(guī)則挖掘算法應(yīng)用到零售數(shù)據(jù)中。
　　 針對(duì)量化關(guān)聯(lián)規(guī)則挖掘技術(shù)這一研究熱點(diǎn),本論文以購(gòu)物籃分析為應(yīng)用背景,以美國(guó)零售業(yè)數(shù)據(jù)DMEF(Direct Marking Educational Foundation)為研究對(duì)象,重點(diǎn)研究一種適用于零售數(shù)據(jù)的量化關(guān)聯(lián)規(guī)則挖掘算法。本論文完

3、成的工作主要有:
　　 首先,本論文在對(duì)DMEF的代表性數(shù)據(jù)進(jìn)行分析,總結(jié)數(shù)據(jù)具有數(shù)據(jù)冗余、存在空缺值隨機(jī)性、非均勻分布等特點(diǎn)。同時(shí),針對(duì)關(guān)聯(lián)規(guī)則挖掘任務(wù),本論文闡述了量化關(guān)聯(lián)規(guī)則挖掘DMEF數(shù)據(jù)進(jìn)行了一些必要預(yù)處理的步驟,如:數(shù)據(jù)清理和空缺值填充(詳見(jiàn)第三章)。
　　 其次,本論文分析了現(xiàn)階段常用的量化方法及其應(yīng)用范圍,并歸納為三大類,分別為基于等區(qū)間劃分的離散化方法、基于等頻劃分的離散化方法和基于聚類的離散化方法。同

4、時(shí),結(jié)合DMEF,用實(shí)驗(yàn)來(lái)證明前兩種方法的有效性,分析其優(yōu)缺點(diǎn)(詳見(jiàn)第四章)。
　　 最后,本論文結(jié)合模糊C-均值算法FCM和經(jīng)典布爾型關(guān)聯(lián)規(guī)則挖掘算法Apriori,提出一種基于模糊聚類的量化關(guān)聯(lián)規(guī)則挖掘算法,設(shè)計(jì)出量化關(guān)聯(lián)規(guī)則挖掘的框架設(shè)計(jì)及步驟,解決零售業(yè)中Apriori算法無(wú)法使用數(shù)值型屬性進(jìn)行關(guān)聯(lián)規(guī)則挖掘的問(wèn)題。利用該算法操作既能體現(xiàn)數(shù)據(jù)分布特點(diǎn)；能軟化屬性論域的劃分邊界,合理化的離散區(qū)間；也能有效解決“過(guò)小置信度”和