適用于零售數(shù)據(jù)量化關聯(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的飛速發(fā)展,商務智能在零售業(yè)的應用,已成為信息系統(tǒng)與電子商務管理理論界研究和行業(yè)關注的熱點。購物籃分析是關聯(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買交易中分析出同時購買一類產(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。最初研究的關聯(lián)規(guī)則是布爾型關聯(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

2、聯(lián)規(guī)則挖掘算法Apriori已經(jīng)不再適用,因此要研究量化關聯(lián)規(guī)則挖掘技術。在量化關聯(lián)規(guī)則挖掘中,預處理中的離散化是關鍵。本論文成功把基于模糊聚類的量化關聯(lián)規(guī)則挖掘算法應用到零售數(shù)據(jù)中。
　　 針對量化關聯(lián)規(guī)則挖掘技術這一研究熱點,本論文以購物籃分析為應用背景,以美國零售業(yè)數(shù)據(jù)DMEF(Direct Marking Educational Foundation)為研究對象,重點研究一種適用于零售數(shù)據(jù)的量化關聯(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DMEF的代表性數(shù)據(jù)進行分析,總結數(shù)據(jù)具有數(shù)據(jù)冗余、存在空缺值隨機性、非均勻分布等特點。同時,針對關聯(lián)規(guī)則挖掘任務,本論文闡述了量化關聯(lián)規(guī)則挖掘DMEF數(shù)據(jù)進行了一些必要預處理的步驟,如:數(shù)據(jù)清理和空缺值填充(詳見第三章)。
　　 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,結合DMEF,用實驗來證明前兩種方法的有效性,分析其優(yōu)缺點(詳見第四章)。
　　 最后,本論文結合模糊C-均值算法FCM和經(jīng)典布爾型關聯(lián)規(guī)則挖掘算法Apriori,提出一種基于模糊聚類的量化關聯(lián)規(guī)則挖掘算法,設計出量化關聯(lián)規(guī)則挖掘的框架設計及步驟,解決零售業(yè)中Apriori算法無法使用數(shù)值型屬性進行關聯(lián)規(guī)則挖掘的問題。利用該算法操作既能體現(xiàn)數(shù)據(jù)分布特點；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“過小置信度”和