基于用戶購買記錄的改進關(guān)聯(lián)規(guī)則挖掘算法研究.pdf

1、飛速發(fā)展的電子商務(wù)產(chǎn)業(yè)催生了數(shù)據(jù)總量的爆炸性增長，從大量數(shù)據(jù)中發(fā)現(xiàn)和提取人們感興趣的知識，讓數(shù)據(jù)帶來價值越來越受到人們的關(guān)注。而數(shù)據(jù)挖掘在電子商務(wù)中的成功運用為人們分析和研究大量的相關(guān)數(shù)據(jù)提供了一條行之有效的方法和途徑。
　　關(guān)聯(lián)規(guī)則挖掘作為數(shù)據(jù)挖掘領(lǐng)域的一項重要研究方法，可以用來發(fā)現(xiàn)交易數(shù)據(jù)庫中不同商品之間的聯(lián)系，也可以用于發(fā)現(xiàn)在用戶瀏覽網(wǎng)頁時，不同的訪問記錄之間的關(guān)聯(lián)。關(guān)聯(lián)規(guī)則對于用戶瀏覽行為和購買行為的分析可以給電商網(wǎng)站的銷

2、售策略和網(wǎng)站布局提供很多有價值的建議，有助于網(wǎng)站經(jīng)營者作出更好的商業(yè)決策。
　　本文首先介紹了電子商務(wù)環(huán)境下數(shù)據(jù)挖掘的定義、過程和功能，并對幾種重要的挖掘方法進行了分析。其次，本文重點介紹了最常用的兩種關(guān)聯(lián)規(guī)則挖掘算法，Apriori算法和FP-Growth算法的基本思想和挖掘過程，并用實例說明了算法的運行過程并分析這兩種算法的局限之處。Apriori算法需要重復(fù)多次的搜尋與遍歷事務(wù)數(shù)據(jù)庫，這導(dǎo)致了大量的時間消耗與浪費，從而增加了

3、算法運行的時間。而FP-Growth算法需要構(gòu)建基于內(nèi)存的FP-tree，當面對事物數(shù)據(jù)庫比較大時可能導(dǎo)致算法的挖掘失敗。最后，本文針對Apriori算法和FP-Growth算法的局限，綜合兩位專家學者對于FP-Growth算法的改進研究，提出了FP-Growth算法的改進算法IM-FP算法。IM-FP算法對事務(wù)數(shù)據(jù)庫進行分解并將分解后的事務(wù)數(shù)據(jù)庫根據(jù)頻繁1-項集的支持度計數(shù)進行排序，并根據(jù)首元素的不同分別存儲在不同的鏈表中，基于鏈表構(gòu)

4、建IMFP-tree,并對其進行頻繁項集發(fā)現(xiàn)和關(guān)聯(lián)規(guī)則挖掘。IM-FP算法采用分解事務(wù)數(shù)據(jù)庫的方法可以處理大型數(shù)據(jù)庫的挖掘工作，同時對首項相同的鏈表構(gòu)建IMFP-tree可以最大限度的共享前段路徑，降低了算法構(gòu)建頻繁模式樹所占用的計算機內(nèi)存資源，降低了算法的運算時間。通過進行幾種算法的對比實驗，實驗結(jié)果證明該算法的挖掘結(jié)果和FP-Growth算法的挖掘結(jié)果完全相同，同時算法在處理大型數(shù)據(jù)庫的挖掘時，算法的時間復(fù)雜度要大大低于FP-Gro