組合營銷策略中基于約束的關聯規則挖掘方法

時間：2024-09-02 15:10:39 管理畢業論文我要投稿

相關推薦

畢業論文

摘　要：網絡銷售是電子商務的1種重要的形式，而組合營銷是提升網絡銷售業績的1種重要手段。針對目前我國網絡銷售的基本模式，在已發現的組合營銷策略特點的基礎上，提出了1種基于約束的關聯規則挖掘新算法。
　　關鍵詞：組合營銷策略；數據挖掘；關聯規則
　
　　
　　1　引言
　　
　　隨著全球化浪潮的推進，電子商務正不斷發展壯大。網絡銷售作為電子商務的1種重要組成形式為企業尋求更大的市場空間提供了1種新的有益嘗試。我國目前網絡銷售的主流模式為：“訂單1物流”模式。即用戶下訂單后，企業通過物流將商品交付給客戶。由于物流費用1般由客戶承擔，客戶為減少購物的物流成本，往往會在購買主目標商品的同時，搭配幾件價格不高的次目標商品。這就為企業實施商品的組合營銷策略提供了機遇。
　　
　　2　問題描述
　　
　　組合營銷是指企業通過對不同類別、不同價格的商品的合理組合，向客戶1次提供多種商品的營銷方式。數據挖掘中的關聯規則分析方法，通過挖掘出以往銷售數據中哪些商品頻繁的被顧客同時購買，形成關于商品間搭配的知識，從而指導今后銷售的商品組合。但經典的關聯規則挖掘方法由于缺乏用戶控制，導致產生的規則過多，且部分規則對用戶毫無意義。為了解決該問題，人們引入了基于約束的關聯規則挖掘方法。R．T．NG等學者提出了受約束的關聯查詢概念R．Srikant等人研究了項集受約束的關聯規則挖掘，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，并提出了改進度的概念
　　本文首先介紹了關聯規則的基本概念，在指出傳統關聯規則挖掘方法缺陷的基礎上，提出了1種受用戶指定數據約束的關聯規則挖掘算法(UD-Apriori)。實驗分析表明，該算法能在短時間內找到用戶感興趣的規則，算法效率有明顯提高。
　　
　　3　關聯規則的基本概念
　　
　　3．1關聯規則的描述
　　設I={i1i2，im}是項的集合，其中的元素稱為項(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個集合，如果X　T．那么稱交易T3X。1個關聯規則是形如“X　Y的蘊含式，這里X　I，Y　I，并且X　Y=　。
　　規則“XjY”在事務數據庫中的支持度(support)是事務集中包含X和Y的事務數與所有事務數之比，記為suppog(X　Y)，即：
　　suooort(X Y)：l{T,X Y T，T D}|/|D|
　　對項目集I和事務數據庫D，T中所有滿足用戶指定的最小支持度(minsupportl的項目集，稱為頻繁項目集。
　　規則X Y在事務集中的置信度(confidence)是指包含X和Y的事務數與包含X的事務數之比，記為confidence(X Y)，即：
　　Confidence(X Y)=|{T，X　Y　T，T　D，T　D}|/|T:X　T，T　D}|
　　3．2經典關聯規則挖掘算法及其缺陷
　　經典的關聯規則挖掘算法分兩個階段：首先，產生達到指定最小支持度的項集(即頻繁項集)，然后從每個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步生成滿足最小支持度的項集是關鍵。1994年Agrawal等人在提出了著名的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r使得Lr為空，算法結束。當求Lk時，首先通過Lk-1的自連接生成候選項集Ck；檢驗Ck中的每個元素，滿足用戶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是呈指數增長的，例如104個1-頻繁項集就有可能產生接近107個元素的2-候選項集。如此大的候選項集對時間和主存空間是1種巨大的挑戰。另外，由于基于“支持度1置信度”的關聯規則挖掘度量框架本身不具有關聯規則生成的先決指導性，導致產生的部分規則對最終用戶毫無意義，而1些較長的規則又難于理解。這些都導致算法效率的低下。
　　
　　4　受用戶指定數據約束的關聯規則挖掘算法
　　
　　4．1算法的提出背景
　　在企業實施商品的組合營銷策略過程中，往往以利潤為先導，把關注焦點集中在那些銷售情況較好而價格又相對比較高的商品上面。因此，企業銷售策略可以是：針對具有上述特征的商品，找出和這類商品1起被頻繁購買的其它價格比較低的商品，以便在今后的銷售中對這些商品進行捆綁銷售。
　　4．2受用戶指定數據約束的關聯規則挖掘算法(UD-Apfiofi)的基本思想
　　基于上述銷售策略，我們提出1種受用戶指定數據約束的關聯規則挖掘算法。其中。用戶需要提供兩個約束信息：暢銷商品A以及與A關聯的商品價格總和的最大值(max_sumprice)。
　　該算法的基本思想是：首先利用用戶指定商品A為約束條件對事務數據庫D進行掃描，包含A的實例加入到實例集Dt中，其余被過濾掉。然后在經典Apfiofi算法的頻繁項集生成過程中應用受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聯規則。

[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足Ca的項目集S，不存在S的超集能夠滿足Ca。
　　下面給出了與A相關聯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相關聯的商品價格的總和。
　　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Apriofi算法中生成的任何1個頻繁項集不滿足反單調約束條件，則它的任何超集都不滿足此約束條件。因此，在經典的apriori算法產生K-1-頻繁項集后，我們可以直接將不滿足約束的頻繁項集剔除掉。這樣從客觀上，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行了剪枝。
　　4．4 UD-Apriori算法描述
　　輸入：事務數據庫D，A(用戶指定的商品)，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關聯的商品之和的最大值)。
　　輸出：滿足min_sup，min_conf，A，max_sumprice約束的關聯規則。
　　Begin
　　If A is unfrequent then
　　return；
　　Filter(A)；
　　L1=L1+find_frequent_l-itemsets(D’)//產生頻繁1項集
　　Delete T where not contain L1；
　　Gen_rules(1，L1)；//產生頻繁1項集規則
　　For(k=2；Lk-1≠φ；k++)
　　{Ck：apriori_gen Lk-1,min_sup，max_sumprice)；//產生K-項集
　　Lk=subset (Ck,D’)；//產生頻繁K-項集
　　Gen_rules(K，Lk)：//產生頻繁K-項集的規則
　　end；procedure filter(A)//過濾事務數據庫
　　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行算法測試，同時將每個項目元素進行價格賦值。實驗環境基于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個項目元素中，元素最高價格為4995。在頻繁1項集中項集最高價格為4425。因此，將價格為4425的項i4425定為指定約束元素。基于此事務數據庫對經典的Apriori算法及受用戶指定數據約束算法的對比測試結果如表3。
　　實驗結果表明，由于受項i4425的約束，算法的運行時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聯規則數目減少的同時更加契合用戶的意愿。
　　
　　6　結論
　　
　　本文根據網絡電子商務的特點，結合組合營銷策略實施中客戶的具體購買模式，提出了1種基于約束的關聯規則挖掘算法。試驗結果表明，這種算法由于引入了更多的用戶控制，相比經典的關聯規則挖掘算法效率更高。挖掘結果表明，挖掘生成的關聯規則大為減少，信息指向性也更加明確，為企業實施組合營銷策略提供了科學的依據。

【組合營銷策略中基于約束的關聯規則挖掘方法】相關文章：

基于聚類分析的數據挖掘方法03-08

基于知識營銷的4Is營銷策略03-23

差異化經營策略在營銷組合中的應用03-21

論差異化經營策略在營銷組合中的應用03-02

基于顧客價值的需求，流動網挖掘策略分析01-11