前言：本站為你精心整理了電子商務(wù)聚類挖掘應(yīng)用范文，希望能為你的創(chuàng)作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

摘要：闡述了在電子商務(wù)系統(tǒng)中的研究和應(yīng)用中，利用基于關(guān)聯(lián)規(guī)則的多層次、超圖分割聚類方法，對Web網(wǎng)頁和用戶進(jìn)行有效聚類。該方法借助網(wǎng)站層次圖，可以根據(jù)實際需要，在各個層次上進(jìn)行聚類分析，僅將高度相關(guān)的網(wǎng)頁和用戶聚在同一類，而將關(guān)聯(lián)性較小的網(wǎng)頁排除在聚類外。

關(guān)鍵詞：聚類挖掘電子商務(wù)關(guān)聯(lián)規(guī)則超圖

由于Web具有方便、易用、高效的特點，電子商務(wù)顯示出越來越強(qiáng)大的生命力，同時各種商業(yè)Web站點也面臨越來越激烈的競爭。

有效聚類Web用戶和網(wǎng)頁對改進(jìn)網(wǎng)站質(zhì)量、完善電子商務(wù)中產(chǎn)品銷售策略具有十分重要的意義。在電子商務(wù)中，瀏覽模式相似的用戶具有相似的購買習(xí)慣，通過聚類挖掘，將這些用戶聚集在同一類，可以制定相似的銷售策略。根據(jù)瀏覽模式聚集在同一類中的網(wǎng)頁，是大多數(shù)用戶共同訪問的網(wǎng)頁，在這些網(wǎng)頁之間建立超鏈接，以方便用戶使用。

現(xiàn)有的基于瀏覽模式的Web聚類挖掘研究方法中，只要用戶請求了一個網(wǎng)頁，便認(rèn)為用戶閱讀了該網(wǎng)頁，事實上有些被請求的網(wǎng)頁用戶并不關(guān)心，不會認(rèn)真閱讀的。通常一個實用網(wǎng)站包含大量的網(wǎng)頁，現(xiàn)有的Web聚類方法將每個網(wǎng)頁當(dāng)作一個被聚項，無論用戶訪問的頻繁與否，總是歸入一個類中，結(jié)果造成有些類中的網(wǎng)頁之間幾乎沒有相關(guān)性。

鑒于以上考慮，本文提出了基于關(guān)聯(lián)規(guī)則和超圖分割的聚類Web網(wǎng)頁及用戶的方法，不僅考慮了用戶瀏覽網(wǎng)頁的時間長短，還考慮了聚類層次（級別），將不相關(guān)網(wǎng)頁項排除在聚類之外，使每個類中的網(wǎng)頁具有較高的相關(guān)性。采用這種方法，可以優(yōu)化Web站點拓?fù)浣Y(jié)構(gòu)，指導(dǎo)企業(yè)調(diào)整營銷策略，給客戶提供動態(tài)的個性化的高效率服務(wù)。

一、建立電子商務(wù)網(wǎng)站的層次模型

建立電子商務(wù)網(wǎng)站的層次模型出于三點考慮。第一，網(wǎng)站中網(wǎng)頁內(nèi)容組織呈現(xiàn)樹狀結(jié)構(gòu)。第二，在進(jìn)行關(guān)聯(lián)規(guī)則挖掘過程中，可能最下一級挖掘不出達(dá)到指定Support的強(qiáng)規(guī)則，但是能從上級層次挖掘出達(dá)到指定Support的強(qiáng)規(guī)則，或根據(jù)實際需要在某一個層次進(jìn)行聚類分析。第三，對于電子商務(wù)網(wǎng)站，有些用戶雖然訪問了某網(wǎng)頁，但是對其內(nèi)容并不感興趣，可能只是掃一眼就放棄。在此情況下，不應(yīng)該認(rèn)為用戶認(rèn)真閱讀了該網(wǎng)頁，所以應(yīng)該記錄網(wǎng)頁的長度，通過計算用戶的瀏覽時間和網(wǎng)頁長度的比值來判斷用戶是否真正認(rèn)真閱讀了該頁內(nèi)容。

層次模型采用樹狀結(jié)構(gòu)來描述，節(jié)點的數(shù)據(jù)域包含對應(yīng)網(wǎng)頁的層次名稱（編號）和網(wǎng)頁長度。樹根應(yīng)該取所研究的網(wǎng)站根目錄（研究整個網(wǎng)站）或所研究的網(wǎng)站分支的最上層目錄。在建立層次模型時，應(yīng)根據(jù)網(wǎng)站的具體情況決定采用的方法。通常情況下，網(wǎng)頁文件名能完全反映網(wǎng)頁所在的層次，可以采用完全自動方法進(jìn)行轉(zhuǎn)換。

二、基于關(guān)聯(lián)規(guī)則的聚類挖掘

1.預(yù)處理

在Web站點中，服務(wù)器日志文件記錄用戶的訪問方式、所訪問的頁面、訪問時間、用戶IP地址等信息，通過收集Web日志所記錄的用戶瀏覽信息可以對網(wǎng)頁和用戶聚類。首先要對收集到的數(shù)據(jù)進(jìn)行預(yù)處理，獲得每個用戶所訪問的網(wǎng)頁序列。將一個用戶對某個特定網(wǎng)站的一次連續(xù)瀏覽（從登錄該網(wǎng)站一直到離開該網(wǎng)站）所訪問的網(wǎng)頁序列稱為一個用戶瀏覽事務(wù)。如果用戶中途訪問了另一網(wǎng)站，而后又返回該網(wǎng)站，返回后所瀏覽的網(wǎng)頁序列將組成另一個用戶瀏覽事務(wù)。處理后的事務(wù)序列將具有如下的形式：

u_id（用戶標(biāo)志編號），p_id(頁面編號)序列

2.挖掘關(guān)聯(lián)規(guī)則并計算關(guān)聯(lián)規(guī)則可信度的平均值

對經(jīng)過預(yù)處理的瀏覽事務(wù)進(jìn)行關(guān)聯(lián)規(guī)則挖掘，挖掘出滿足一定支持度的關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則是在挖掘出頻繁網(wǎng)頁集的基礎(chǔ)上發(fā)現(xiàn)的，由于頻繁網(wǎng)頁集是大多數(shù)用戶在一個事務(wù)，即一次網(wǎng)站訪問中所共同瀏覽的頁面，所以頻繁網(wǎng)頁集反映了這些網(wǎng)頁或共同訪問這些網(wǎng)頁的用戶之間存在一定的聯(lián)系，如網(wǎng)頁內(nèi)容高度相關(guān)。在進(jìn)行聚類時，應(yīng)該首先考慮將頻繁網(wǎng)頁集中的網(wǎng)頁聚合在一個類中。

通常挖掘頻繁網(wǎng)頁集的方法是在給定某一支持度的基礎(chǔ)上進(jìn)行的，滿足該給定支持度的一個頻繁網(wǎng)頁集中的網(wǎng)頁可能是另一個或另幾個頻繁網(wǎng)頁集中的元素，那么將這些網(wǎng)頁應(yīng)該聚合到前一項目集還是后面的某一項目集？正確的選擇應(yīng)該是看這些網(wǎng)頁和哪一項目集聯(lián)系更為密切，可采用的方案有兩種：提高支持度繼續(xù)挖掘頻繁網(wǎng)頁集直到每一網(wǎng)頁僅處于一個項目集或利用各頻繁網(wǎng)頁集中網(wǎng)頁之間關(guān)聯(lián)規(guī)則的可信度。進(jìn)一步仔細(xì)分析，前一方案不可取，首先可能不存在一個支持度使每個網(wǎng)頁僅位于一個頻繁網(wǎng)頁集中；其次即使存在這樣一個支持度，再進(jìn)行多次的頻繁網(wǎng)頁集挖掘代價也太高，實際中是不可行的。

相比之下，后一方案可行度高，在挖掘出滿足指定支持度的頻繁網(wǎng)頁集的基礎(chǔ)上，可以較為方便地計算出每一個頻繁網(wǎng)頁集中的每個關(guān)聯(lián)規(guī)則的可信度。可信度的大小也反映了網(wǎng)頁之間關(guān)聯(lián)的密切程度。為此，計算每個頻繁網(wǎng)頁集中所有的關(guān)聯(lián)規(guī)則的可信度，在此基礎(chǔ)上計算其所有關(guān)聯(lián)規(guī)則可信度的平均值，用可信度的平均值反映網(wǎng)頁與不同的頻繁網(wǎng)頁集之間聯(lián)系的密切程度。

3.利用超圖進(jìn)行網(wǎng)頁聚類

超圖是對圖的擴(kuò)充，允許一條邊連接三個或三個以上的點。每條邊帶有權(quán)的超圖稱為加權(quán)超圖，在挖掘出頻繁網(wǎng)頁集和關(guān)聯(lián)規(guī)則的基礎(chǔ)上，可以得到網(wǎng)站的加權(quán)超圖。超圖中的一個頂點代表一個網(wǎng)頁，超圖的邊稱為超邊，超邊連接的頂點是頻繁網(wǎng)頁集中的網(wǎng)頁。每個超邊的權(quán)取該邊所對應(yīng)的頻繁網(wǎng)頁集中所有關(guān)聯(lián)規(guī)則可信度的平均值。

上圖為超圖的示意圖，代表A，B和C所組成的頻繁網(wǎng)頁集的超邊的權(quán)值，0.7是A，B和C三個網(wǎng)頁所組成的所有關(guān)聯(lián)規(guī)則可信度的平均值。

為了使聚集結(jié)果的每個類中的網(wǎng)頁具有高度相關(guān)性，超圖中僅包含出現(xiàn)在強(qiáng)關(guān)聯(lián)規(guī)則中的網(wǎng)頁。利用超圖進(jìn)行聚類的方法是逐步切割超邊將超圖進(jìn)行分割，分割成多個子超圖，分割的原則是被切割的超邊的權(quán)值和盡可能小，從而保證將相互關(guān)聯(lián)比較小的網(wǎng)頁分割在不同的子圖，而將關(guān)聯(lián)比較密切的網(wǎng)頁保留在同一子圖內(nèi)。分割過程繼續(xù)進(jìn)行直到被切割超邊的權(quán)值和與留下的超邊權(quán)值和的比值大于某一臨界值，或所得到的子超圖數(shù)目達(dá)到某指定值，分割過程結(jié)束，留下的各子超圖便是聚類的結(jié)果。每一個子超圖對應(yīng)一個聚類，超圖中的各頂點代表該聚類中所包含的網(wǎng)頁。

4.事務(wù)和用戶聚類

在將網(wǎng)頁進(jìn)行聚類的基礎(chǔ)上，可以將瀏覽網(wǎng)站的事務(wù)和用戶進(jìn)行聚類。瀏覽事務(wù)聚類的原則是根據(jù)事務(wù)和網(wǎng)頁聚類的相似度進(jìn)行，將事務(wù)聚合在相似度最高的網(wǎng)頁類中。事務(wù)和網(wǎng)頁類的相似度可以按照如下公式計算：

|Tj∩Ci|/|Ci|

其中，Tj為一個事務(wù)，Ci為一個聚類，|Tj∩Ci|為Tj和Ci中所包含的相同頁面的數(shù)目，|Ci|為Ci中所包含的頁面數(shù)目。

在記錄網(wǎng)站用戶標(biāo)志的情況下，可以通過用戶的瀏覽事務(wù)聚類將用戶進(jìn)行聚類，即將訪問相似網(wǎng)頁的用戶聚在同一類。

5.聚類挖掘結(jié)果的可視化

聚類挖掘的結(jié)果是多維的，由于笛卡兒坐標(biāo)系最多只有三個坐標(biāo)，所以不能用通常的方法作圖。而且這

些多維的數(shù)據(jù)集一般不含有空間語義，數(shù)據(jù)集的各維之間沒有空間連貫性，這也很難用傳統(tǒng)的二維或三維圖形直接表達(dá)多維空間。本文采用了一種通過主分量分析將多維空間坐標(biāo)轉(zhuǎn)換為三維坐標(biāo)的挖掘結(jié)果可視化方法，實現(xiàn)聚類挖掘結(jié)果的可視化。根據(jù)生成的各個點之間的距離和簇的形狀，我們可以有效地從大量數(shù)據(jù)中發(fā)現(xiàn)對我們有用的信息。

三、結(jié)論

闡述了在電子商務(wù)系統(tǒng)的研究和應(yīng)用中，利用基于關(guān)聯(lián)規(guī)則的多層次、超圖分割聚類方法，對Web網(wǎng)頁和用戶進(jìn)行有效聚類。該方法借助網(wǎng)站層次圖，可以根據(jù)實際需要，在各個層次上進(jìn)行聚類分析；在挖掘出滿足一定Support的關(guān)聯(lián)規(guī)則的基礎(chǔ)上進(jìn)行聚類，僅將高度相關(guān)的網(wǎng)頁和用戶聚在同一類，而將關(guān)聯(lián)性較小的網(wǎng)頁排除在聚類外。該方法對于改進(jìn)網(wǎng)站質(zhì)量、完善電子商務(wù)中產(chǎn)品銷售策略具有十分重要的意義。

參考文獻(xiàn):

[1]PeiJ,HanJ,BehazadM,etal.Proceedingsofthe1999KDDWorkshoponWebMining[C],Kyoto:PKDD,1999.396-407

[2]CooleyR,MobasherB,SrivastavaJ.DataPreparationforminingWorldWideWebBrowsingPatterns[J].KnowledgeandInformationSystem,1999,1(1):25-29

[3]KarypisG,AggarwalR,KumarV,etal.Multi-levelHypergraphPartitioning:ApplicationsinVLSIDomain[R].Minnesota:UniversityofMinnesota,DepartmentofComputerScience,1997.1-50

[4]劉子維等：一種聚類挖掘結(jié)果的可視化方法[J].計算機(jī)應(yīng)用研究，2006，23（5）：75-76