組合營(yíng)銷(xiāo)策略中基于約束的關(guān)聯(lián)規則挖掘方法

畢業(yè)論文

摘　要：網(wǎng)絡(luò )銷(xiāo)售是電子商務(wù)的1種重要的形式，而組合營(yíng)銷(xiāo)是提升網(wǎng)絡(luò )銷(xiāo)售業(yè)績(jì)的1種重要手段。針對目前我國網(wǎng)絡(luò )銷(xiāo)售的基本模式，在已發(fā)現的組合營(yíng)銷(xiāo)策略特點(diǎn)的基礎上，提出了1種基于約束的關(guān)聯(lián)規則挖掘新算法。
　　關(guān)鍵詞：組合營(yíng)銷(xiāo)策略；數據挖掘；關(guān)聯(lián)規則
　
　　
　　1　引言
　　
　　隨著(zhù)全球化浪潮的推進(jìn)，電子商務(wù)正不斷發(fā)展壯大。網(wǎng)絡(luò )銷(xiāo)售作為電子商務(wù)的1種重要組成形式為企業(yè)尋求更大的市場(chǎng)空間提供了1種新的有益嘗試。我國目前網(wǎng)絡(luò )銷(xiāo)售的主流模式為：“訂單1物流”模式。即用戶(hù)下訂單后，企業(yè)通過(guò)物流將商品交付給客戶(hù)。由于物流費用1般由客戶(hù)承擔，客戶(hù)為減少購物的物流成本，往往會(huì )在購買(mǎi)主目標商品的同時(shí)，搭配幾件價(jià)格不高的次目標商品。這就為企業(yè)實(shí)施商品的組合營(yíng)銷(xiāo)策略提供了機遇。
　　
　　2　問(wèn)題描述
　　
　　組合營(yíng)銷(xiāo)是指企業(yè)通過(guò)對不同類(lèi)別、不同價(jià)格的商品的合理組合，向客戶(hù)1次提供多種商品的營(yíng)銷(xiāo)方式。數據挖掘中的關(guān)聯(lián)規則分析方法，通過(guò)挖掘出以往銷(xiāo)售數據中哪些商品頻繁的被顧客同時(shí)購買(mǎi)，形成關(guān)于商品間搭配的知識，從而指導今后銷(xiāo)售的商品組合。但經(jīng)典的關(guān)聯(lián)規則挖掘方法由于缺乏用戶(hù)控制，導致產(chǎn)生的規則過(guò)多，且部分規則對用戶(hù)毫無(wú)意義。為了解決該問(wèn)題，人們引入了基于約束的關(guān)聯(lián)規則挖掘方法。R．T．NG等學(xué)者提出了受約束的關(guān)聯(lián)查詢(xún)概念R．Srikant等人研究了項集受約束的關(guān)聯(lián)規則挖掘，挖掘出了包含某布爾表達式的頻繁項集Robert J．Ba-yardo Jr等人研究了稠密數據庫的特點(diǎn)，并提出了改進(jìn)度的概念
　　本文首先介紹了關(guān)聯(lián)規則的基本概念，在指出傳統關(guān)聯(lián)規則挖掘方法缺陷的基礎上，提出了1種受用戶(hù)指定數據約束的關(guān)聯(lián)規則挖掘算法(UD-Apriori)。實(shí)驗分析表明，該算法能在短時(shí)間內找到用戶(hù)感興趣的規則，算法效率有明顯提高。
　　
　　3　關(guān)聯(lián)規則的基本概念
　　
　　3．1關(guān)聯(lián)規則的描述
　　設I={i1i2，im}是項的集合，其中的元素稱(chēng)為項(item)。記D為交易T的集合，這里交易T是項的集合，并且T　I。設X是I中項的1個(gè)集合，如果X　T．那么稱(chēng)交易T3X。1個(gè)關(guān)聯(lián)規則是形如“X　Y的蘊含式，這里X　I，Y　I，并且X　Y=　。
　　規則“XjY”在事務(wù)數據庫中的支持度(support)是事務(wù)集中包含X和Y的事務(wù)數與所有事務(wù)數之比，記為suppog(X　Y)，即：
　　suooort(X Y)：l{T,X Y T，T D}|/|D|
　　對項目集I和事務(wù)數據庫D，T中所有滿(mǎn)足用戶(hù)指定的最小支持度(minsupportl的項目集，稱(chēng)為頻繁項目集。
　　規則X Y在事務(wù)集中的置信度(confidence)是指包含X和Y的事務(wù)數與包含X的事務(wù)數之比，記為confidence(X Y)，即：
　　Confidence(X Y)=|{T，X　Y　T，T　D，T　D}|/|T:X　T，T　D}|
　　3．2經(jīng)典關(guān)聯(lián)規則挖掘算法及其缺陷
　　經(jīng)典的關(guān)聯(lián)規則挖掘算法分兩個(gè)階段：首先，產(chǎn)生達到指定最小支持度的項集(即頻繁項集)，然后從每個(gè)頻繁項集中找出能夠達到指定最小置信度的規則。其中，第1步生成滿(mǎn)足最小支持度的項集是關(guān)鍵。1994年Agrawal等人在提出了著(zhù)名的Apfiofi算法此算法使用遞歸方法生成所有的頻繁項集。首先生成頻繁1-項集L1，然后生成頻繁2-項集L2，…，1直到某個(gè)r使得Lr為空，算法結束。當求Lk時(shí)，首先通過(guò)Lk-1的自連接生成候選項集Ck；檢驗Ck中的每個(gè)元素，滿(mǎn)足用戶(hù)指定的最小支持度的元素就是Lk中的元素。從以上算法描述可看出由于Lk-1候選集Ck是呈指數增長(cháng)的，例如104個(gè)1-頻繁項集就有可能產(chǎn)生接近107個(gè)元素的2-候選項集。如此大的候選項集對時(shí)間和主存空間是1種巨大的挑戰。另外，由于基于“支持度1置信度”的關(guān)聯(lián)規則挖掘度量框架本身不具有關(guān)聯(lián)規則生成的先決指導性，導致產(chǎn)生的部分規則對最終用戶(hù)毫無(wú)意義，而1些較長(cháng)的規則又難于理解。這些都導致算法效率的低下。
　　
　　4　受用戶(hù)指定數據約束的關(guān)聯(lián)規則挖掘算法
　　
　　4．1算法的提出背景
　　在企業(yè)實(shí)施商品的組合營(yíng)銷(xiāo)策略過(guò)程中，往往以利潤為先導，把關(guān)注焦點(diǎn)集中在那些銷(xiāo)售情況較好而價(jià)格又相對比較高的商品上面。因此，企業(yè)銷(xiāo)售策略可以是：針對具有上述特征的商品，找出和這類(lèi)商品1起被頻繁購買(mǎi)的其它價(jià)格比較低的商品，以便在今后的銷(xiāo)售中對這些商品進(jìn)行捆綁銷(xiāo)售。
　　4．2受用戶(hù)指定數據約束的關(guān)聯(lián)規則挖掘算法(UD-Apfiofi)的基本思想
　　基于上述銷(xiāo)售策略，我們提出1種受用戶(hù)指定數據約束的關(guān)聯(lián)規則挖掘算法。其中。用戶(hù)需要提供兩個(gè)約束信息：暢銷(xiāo)商品A以及與A關(guān)聯(lián)的商品價(jià)格總和的最大值(max_sumprice)。
　　該算法的基本思想是：首先利用用戶(hù)指定商品A為約束條件對事務(wù)數據庫D進(jìn)行掃描，包含A的實(shí)例加入到實(shí)例集Dt中，其余被過(guò)濾掉。然后在經(jīng)典Apfiofi算法的頻繁項集生成過(guò)程中應用受max_sumprice參數約束的剪枝策略，生成符合約束條件的頻繁K-項集，最后由頻繁項集生成受約束的關(guān)聯(lián)規則。

[NextPage]

　　
　　4．3剪枝策略
　　定義1
　　約束Ca是反單調的是指對于任意給定的不滿(mǎn)足Ca的項目集S，不存在S的超集能夠滿(mǎn)足Ca。
　　下面給出了與A相關(guān)聯(lián)商品的反單調性約束表達式：
　　sum_price(Bl，B2，…，Bn)≤max_sumprice。
　　其中，sum_price(B1，B2，…，Bn)為在頻繁項集的項(item)中與A相關(guān)聯(lián)的商品價(jià)格的總和。
　　證明：反證法。假設sum_price(B1，B2，…，Bn)>max_sumprice，且有sum_price(B1，B2，…，BnBn+1)≤max_sumprice，其中Bi>0。則有sum_price(B1，B2，…，Bn)>sum_price(B1，B2，…，BnBn+1)，即：Bn+1+l<0，與假設Bi>0矛盾，故sum_price(B1，B2，…，Bn)≤max_sumprice為反單調性約束條件。由定義1可以確定，如果在A(yíng)priofi算法中生成的任何1個(gè)頻繁項集不滿(mǎn)足反單調約束條件，則它的任何超集都不滿(mǎn)足此約束條件。因此，在經(jīng)典的apriori算法產(chǎn)生K-1-頻繁項集后，我們可以直接將不滿(mǎn)足約束的頻繁項集剔除掉。這樣從客觀(guān)上，減少了頻繁項集生成所需要的候選項集的數目，成功地對候選項集進(jìn)行了剪枝。
　　4．4 UD-Apriori算法描述
　　輸入：事務(wù)數據庫D，A(用戶(hù)指定的商品)，min_sup(最小支持度)，min_conf(最小置信度)，max_sumprice(頻繁項集的項中與A關(guān)聯(lián)的商品之和的最大值)。
　　輸出：滿(mǎn)足min_sup，min_conf，A，max_sumprice約束的關(guān)聯(lián)規則。
　　Begin
　　If A is unfrequent then
　　return；
　　Filter(A)；
　　L1=L1+find_frequent_l-itemsets(D’)//產(chǎn)生頻繁1項集
　　Delete T where not contain L1；
　　Gen_rules(1，L1)；//產(chǎn)生頻繁1項集規則
　　For(k=2；Lk-1≠φ；k++)
　　{Ck：apriori_gen Lk-1,min_sup，max_sumprice)；//產(chǎn)生K-項集
　　Lk=subset (Ck,D’)；//產(chǎn)生頻繁K-項集
　　Gen_rules(K，Lk)：//產(chǎn)生頻繁K-項集的規則
　　end；procedure filter(A)//過(guò)濾事務(wù)數據庫
　　For all trasactions t　D：
　　Ift contain A then
　　Write to D′return；
　　
　　5　試驗結果分析
　　
　　本試驗采用IBM數據生成器生成記錄型測試數據進(jìn)行算法測試，同時(shí)將每個(gè)項目元素進(jìn)行價(jià)格賦值。實(shí)驗環(huán)境基于winxp平臺，計算機內存256MB，主頻2．8GHZ，測試數據各項參數如表2。
　　在數據庫291個(gè)項目元素中，元素最高價(jià)格為4995。在頻繁1項集中項集最高價(jià)格為4425。因此，將價(jià)格為4425的項i4425定為指定約束元素�；�于此事務(wù)數據庫對經(jīng)典的Apriori算法及受用戶(hù)指定數據約束算法的對比測試結果如表3。
　　實(shí)驗結果表明，由于受項i4425的約束，算法的運行時(shí)間和生成的規則數大為減少。且由于指定了約束條件項i4425，使挖掘過(guò)程的指向性得到明顯提高。很好的控制了挖掘的數據規模，從而保證了在生成的關(guān)聯(lián)規則數目減少的同時(shí)更加契合用戶(hù)的意愿。
　　
　　6　結論
　　
　　本文根據網(wǎng)絡(luò )電子商務(wù)的特點(diǎn)，結合組合營(yíng)銷(xiāo)策略實(shí)施中客戶(hù)的具體購買(mǎi)模式，提出了1種基于約束的關(guān)聯(lián)規則挖掘算法。試驗結果表明，這種算法由于引入了更多的用戶(hù)控制，相比經(jīng)典的關(guān)聯(lián)規則挖掘算法效率更高。挖掘結果表明，挖掘生成的關(guān)聯(lián)規則大為減少，信息指向性也更加明確，為企業(yè)實(shí)施組合營(yíng)銷(xiāo)策略提供了科學(xué)的依據。

【組合營(yíng)銷(xiāo)策略中基于約束的關(guān)聯(lián)規則挖掘方法】相關(guān)文章：

基于聚類(lèi)分析的數據挖掘方法03-08

基于知識營(yíng)銷(xiāo)的4Is營(yíng)銷(xiāo)策略03-23

差異化經(jīng)營(yíng)策略在營(yíng)銷(xiāo)組合中的應用03-21

論差異化經(jīng)營(yíng)策略在營(yíng)銷(xiāo)組合中的應用03-02

基于顧客價(jià)值的需求，流動(dòng)網(wǎng)挖掘策略分析01-11

新款手機上市的營(yíng)銷(xiāo)組合策略03-23

保險產(chǎn)品營(yíng)銷(xiāo)組合與競爭策略研究03-13

汽車(chē)營(yíng)銷(xiāo)中的聯(lián)合營(yíng)銷(xiāo)策略03-21

農村保險市場(chǎng)營(yíng)銷(xiāo)組合策略研究03-21