小型電子商務(wù)挖掘模型范文

本站小編為你精心準(zhǔn)備了小型電子商務(wù)挖掘模型參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

［摘要］已有的數(shù)據(jù)挖掘模型大多是針對大型商務(wù)網(wǎng)站設(shè)計的，成本高，技術(shù)復(fù)雜，難于實現(xiàn)。本文針對為數(shù)眾多的小型電子商務(wù)網(wǎng)站，將粗糙集與數(shù)據(jù)挖掘結(jié)合起來，建立了一個切實可行的參考模型，該模型能夠有效地、自主地挖掘電子商務(wù)網(wǎng)站的運營狀況和潛在的經(jīng)濟規(guī)律，從而為小型電子商務(wù)運營者提供決策參考。

［關(guān)鍵詞］數(shù)據(jù)挖掘；粗糙集；小型電子商務(wù)

一、引言

數(shù)據(jù)挖掘應(yīng)用于小型電子商務(wù)，可發(fā)現(xiàn)客戶新的購買傾向，設(shè)計投資戰(zhàn)略，在會計系統(tǒng)中探測未經(jīng)認(rèn)可的開支，增加銷售業(yè)務(wù)等，其目標(biāo)為揭示小型電子商務(wù)網(wǎng)站的運營狀況以及潛在的經(jīng)濟活動。然而，為數(shù)眾多的中小電子商務(wù)網(wǎng)站由于自身規(guī)模小、商業(yè)伙伴多、客戶雜而多、產(chǎn)品周期短、可利用資金少等特點，很難實現(xiàn)針對大型商務(wù)網(wǎng)站設(shè)計的數(shù)據(jù)挖掘模型。故建立一個適合于小型電子商務(wù)網(wǎng)站的切實可行的數(shù)據(jù)挖掘模型非常必要。

通常,一個簡單的小型電子商務(wù)系統(tǒng)包括以下幾個基本功能:

1.客戶注冊。客戶通過該功能提交相應(yīng)的客戶信息。客戶一般可分為兩類：普通客戶和會員客戶。他們享有不同的權(quán)限,通常會員客戶將享受一些優(yōu)惠的價格、被邀請參加一些網(wǎng)站舉辦的活動等。

2.客戶登錄。主要進行客戶身份認(rèn)證，以確保是合法的客戶。

3.在線商品瀏覽。客戶可了解商品的詳細(xì)情況。商品陳列如現(xiàn)實中超市的貨架一樣。好的分類以及好的擺放次序都將影響銷售業(yè)務(wù)。

4.購物車。實現(xiàn)超市購物車的功能。客戶一邊瀏覽網(wǎng)站一邊將欲購買的商品放入購物車。

5.生成訂單（購物單）。當(dāng)客戶選好商品后,系統(tǒng)按照客戶購物車中的商品生成購物單。

6.訂單確認(rèn)。網(wǎng)站按照訂單，計算出本次購買的購買清單和總金額后，讓客戶確認(rèn)是否真的購買。

7.在線支付。當(dāng)客戶確認(rèn)訂單后,可通過信用卡在線支付,支付成功后系統(tǒng)生成一份永久訂單，并提交給訂單處理系統(tǒng)。

8.成交確認(rèn)。當(dāng)客戶成功實現(xiàn)支付后,站點向客戶發(fā)送E-mail以確認(rèn)交易成功。

以上是電子商務(wù)的基本功能，除此之外，更需要一個高效、安全的數(shù)據(jù)挖掘工具,挖掘潛在的、深層次的經(jīng)濟活動，為網(wǎng)站決策者提供各種分析數(shù)據(jù)和參考決策，如自動生成日報表、月報表等統(tǒng)計報表，以及客戶行為變化、商品銷售預(yù)測等。

電子商務(wù)環(huán)境下，供應(yīng)商、倉儲物流伙伴、客戶之間要進行物流、信息流和資金流等經(jīng)濟活動,數(shù)據(jù)挖掘可對物流數(shù)據(jù)、信息流數(shù)據(jù)、資金流數(shù)據(jù)進行綜合挖掘。

二、基于粗糙集的小型電子商務(wù)挖掘模型

數(shù)據(jù)挖掘的一般過程包括：數(shù)據(jù)采集、數(shù)據(jù)清洗、挖掘算法確定、數(shù)據(jù)挖掘、模式解釋及知識評價。從理論研究到應(yīng)用實現(xiàn)，涉及的技術(shù)主要有分類技術(shù)、聚類技術(shù)、粗糙集技術(shù)、統(tǒng)計技術(shù)和關(guān)聯(lián)規(guī)則技術(shù)等。

粗糙集技術(shù)是處理知識的有效方法，已在眾多領(lǐng)域得到廣泛的應(yīng)用。這里，結(jié)合粗糙集，建立如圖1所示的挖掘模型。從圖1中看到，采用的主要技術(shù)是粗糙集技術(shù)。以下對其中的關(guān)鍵步驟作進一步的分析。

三、小型電子商務(wù)網(wǎng)站的數(shù)據(jù)采集

數(shù)據(jù)采集是數(shù)據(jù)挖掘的基礎(chǔ)。電子商務(wù)網(wǎng)站的數(shù)據(jù)分布在服務(wù)器端、端和客戶端。理論上講，應(yīng)采集到所有三處的數(shù)據(jù)，才能得到最完整的數(shù)據(jù)。但在實際中，由于實際情況的限制，幾乎是不可能實現(xiàn)的。具體分析如下：

1.服務(wù)器端數(shù)據(jù)采集。在服務(wù)器端客戶的行為可以被TCP/IP包監(jiān)測器跟蹤，以提取客戶的請求信息。服務(wù)器主要以Web日志的形式記錄客戶每一次的網(wǎng)頁請求信息。主要包括：客戶標(biāo)識、遠(yuǎn)程IP、請求日期和時間等，并且可以記錄COOKIES和查詢參數(shù)來描述各個不同客戶的行為。其優(yōu)點是：能夠?qū)崟r采集數(shù)據(jù)；來自不同服務(wù)器的數(shù)據(jù)能被整合到唯一的日志中。

服務(wù)器端數(shù)據(jù)采集的缺點是：如果客戶使用本地CACHE和（Proxy）,則Web服務(wù)器僅能獲取信息，而得不到客戶的真正信息；同樣，Web環(huán)境中有各種CACHE，Web日志記錄可能不準(zhǔn)確。這些都將導(dǎo)致信息的不完整以及信息量的不足。

2.端數(shù)據(jù)采集。許多網(wǎng)絡(luò)服務(wù)商通過CACHE為客戶提高導(dǎo)航速度，它通過海量的WebServers來采集客戶數(shù)據(jù)。不僅可以采集多個客戶的行為，還可以采集多個網(wǎng)站的行為。端數(shù)據(jù)采集適合有大量靜態(tài)頁面的網(wǎng)站。

端數(shù)據(jù)采集的缺點是：多個客戶使用同一個服務(wù)器的環(huán)境下，如何標(biāo)識某個客戶，如何識別屬于該客戶的會話和使用記錄，此問題在很大程度上影響挖掘質(zhì)量。

3.客戶端數(shù)據(jù)采集。客戶端通過JavaScript、JavaApplets或修改過的瀏覽器記錄數(shù)據(jù)。但JavaScript不能記錄客戶所有的行為，而JavaApplets可以記錄客戶的所有行為，但效率低。

客戶端數(shù)據(jù)采集的缺點是：客戶可能會在瀏覽器設(shè)置中關(guān)閉JavaScript、JavaApplets功能；涉及客戶的個人隱私信息，需要客戶配合。

綜上所述，對于電子商務(wù)網(wǎng)站而言，盡管有多種數(shù)據(jù)采集源，但實現(xiàn)起來比較困難，而且所得數(shù)據(jù)是很不完整的。

基于以上分析，在建立電子商務(wù)網(wǎng)站時，除客戶注冊表、商品表等表外，應(yīng)在服務(wù)器端維持兩個基本表：客戶行為表和商業(yè)行為表。客戶行為表記錄客戶的行為，如：登錄、查詢、添加商品到購物車、瀏覽等行為。商業(yè)行為表記錄客戶的實際購物情況，如所購商品、數(shù)量、日期等。

表的基本結(jié)構(gòu)包含如下一些基本字段：

客戶行為表：CustomerNo,CustomerType,Date,LoginTime,ExitTime,Home,Browse,Search,Login,Pay,Register,AddtoCart,Select

其中，CustomerType為客戶類別：0-普通客戶，1-會員客戶。

商業(yè)行為表：CustomerNo,Merchandises,Number,Date,Time

可見，上述兩個表格記錄了挖掘所需的基本數(shù)據(jù)，使得數(shù)據(jù)采集更易于完成。

四、粗糙集數(shù)據(jù)清洗

利用粗糙集的約簡算法對數(shù)據(jù)進行清洗。主要是計算知識的約簡、核、上近似及下近似（正域）。以決策規(guī)則為例。表1是某電子商店的購物記錄，P，Q，R，S代表4種商品；CustomerNo.為客戶號。是：表示購買了某商品；否：表示沒有購買某商品。

以下對表1進行粗糙集數(shù)據(jù)清洗。

根據(jù)粗糙集理論，論域U={t1，t2，t3，t4，t5，t6，t7，t8}，條件屬性集C={P，Q，R}，決策屬性集D={S}。容易計算：

U關(guān)于等價關(guān)系C的劃分U/C={X1，X2，X3，X4，X5}，其中，X1={t1}，X2={t2，t3}，X3={t4}，X4={t5，t7}，X5={t6，t8}。

U關(guān)于等價關(guān)系D的劃分U/D={Y1，Y2}，其中，Y1={t2，t3，t6，t7，t8}，Y2={t1，t4，t5}。

類似地，U/{P}={{t1，t2，t3}，{t4，t5，t6，t7，t8}}，U/{Q}={{t1，t2，t3，t4，t6，t8}，{t5，t7}}，U/{R}={{t2，t3，t5，t6，t7，t8}，{t1，t4}}，U/{P，Q}={{t1，t2，t3}，{t4，t6，t8}，{t5，t7}}，U/{P，R}={{t1}，{t2，t3}，{t4}，{t5，t6，t7，t8}}，U/{Q，R}={{t1，t4}，{t2，t3，t6，t8}，{t5，t7}}

以下計算正域：

posC（D）={t1，t2，t3，t4，t6，t8}

pos（C-{P}）（D）={t1，t4，t2，t3，t6，t8}=posC(D)

pos（C-{Q}）（D）={t1，t2，t3，t4}≠posC(D)

pos（C-{R}）（D）=φ≠posC(D)

pos（C-{P，Q}）（D）={t1，t4}≠posC(D)

pos（C-{P，R}）（D）=φ≠posC(D)

pos（C-{Q，R}）（D）=φ≠posC(D)

因此，C的D約簡為{Q，R}。故表1經(jīng)過粗糙集數(shù)據(jù)清洗后得到表2。

五、決策規(guī)則的提取

定義決策規(guī)則為：

rij：des（Xi）→des（Yj），Xi∩Yj≠?準(zhǔn)。

其中，des（）為對等價類的描述。

定義規(guī)則rij的確定性因子μ（Xi，Yj）=|Xi∩Yj|/|Xi|。顯然，0<μ（Xi，Yj）≤1。

當(dāng)μ（Xi，Yj）=1時，rij是確定的；當(dāng)0<μ（Xi，Yj）<1時，rij是不確定的。

這樣，可得以下確定性規(guī)則：

r12：（購買Q）且（不購買R）→（不購買S）

r21：（購買Q）且（購買R）→（購買S）

r32：（購買Q）且（不購買R）→（不購買S）

r51：（購買Q）且（購買R）→（購買S）

不確定性規(guī)則為：

r41：（不購買Q）且（購買R）→（購買S），μ（X4，Y1）=0.5

r42：（不購買Q）且（購買R）→（不購買S），μ（X4，Y2）=0.5

六、模式解釋及知識評價

經(jīng)過挖掘可得到大量的模式和規(guī)則，需對規(guī)則作進一步的篩選、合并。上述例子經(jīng)合并后最終得到兩條確定性規(guī)則：

1．（購買Q）且（購買R）→（購買S）

2．（購買Q）且（不購買R）→（不購買S）

基于上述規(guī)則，可作決策：在電子商店中，可將商品P，Q，R按順序相鄰擺放在一起。可提高銷售。

對于不確定規(guī)則，可作參考或直接刪除均可。

七、結(jié)束語

通過以上分析，所建立的基于粗糙集的小型電子商務(wù)挖掘模型是有效、可行的。已經(jīng)提出很多可行的粗糙集算法，在實現(xiàn)挖掘時可參考。上述只舉出決策規(guī)則的例子，根據(jù)電子商務(wù)的實際，開發(fā)挖掘系統(tǒng)時可確定更多的挖掘目標(biāo)，從而揭示小型電子商務(wù)網(wǎng)站的運營狀況以及潛在的經(jīng)濟活動及規(guī)律。

主要參考文獻(xiàn)

［1］MehmedKantardzic.DATAMININGConcept，Models，Methods，andAlgorithms［M］.北京：清華大學(xué)出版社，2003.

［2］張文修等.粗糙集理論與方法［M］.北京：科學(xué)出版社，2001.