数据挖掘相关论文 数据挖掘技术在电子商务中的应用

1、数据挖掘论文课题：数据挖掘技术在电子商务中的应用各系：计算机学院专业： 11网络工程1组学生名称：黄坤学号： 1110322111指导教师：江南2014年11月06日数据挖掘技术在电子商务中的应用一、研究原因电子商务在现代商务活动中越来越重要，随着大数据时代的到来，商务信息尤为重要，在电子商务中获得有利市场信息的人，在这个竞争激烈的电气商业界中可以占绝对优势。 数据挖掘技术是获取信息最有效的技术工具。 本文探讨了数据挖掘的主要方法，具体阐述了数据挖掘技术在电子商务中的作用和应用。在信息经济时代，对于企业来说，对市场变化的反应速度快，在激烈的市场竞争中占有有利地位，竞争的结果最终促使企业价值从市

2、场竞争的失败者转移到胜利者，企业面临一个问题：如何将大量的数据资源转化为自己的价值，使数据真正成为公司的资源否则，大量的数据可能成为负担，也可能成为垃圾。 因此，面对“人们沉溺于数据，而人们渴求知识”的挑战，数据挖掘和知识发现(DMKD )技术应运而生，显示出繁荣、越来越强的生命力。二、二. 1国内研究现状KDD (从数据库中发现知识)一词首次出现在1989年8月召开的第11次联合国人工智能学术会议上。 迄今为止，由美国人工智能协会主办的KDD已经召开了7次，规模从原研讨会发展为国际学术大会，人数从二三十人到七八百人，论文收录比例从二x一到六x一，研究重点也逐渐从发现方法转向系统应用，实现了多

3、种发现战略和技术的集成与其他内容的研讨会也以数据挖掘和知识发现为议题之一，成为当前计算机科学界的一大热点。 此外，数据库、人工智能、信息处理、知识工程等领域的国际学术刊物也陆续推出了KDD特辑和特辑。 IEEE知识与数据工程会刊1993年出版了KDD技术专刊，发表的5篇论文代表了当时KDD研究的最新成果和动态，全面阐述了KDD系统方法论、发现结果评价、KDD系统设置修订的逻辑方法。 鉴于数据库的动态冗馀、高噪声和不确定性、空值等问题，总结讨论了KDD系统与其他传统机器学习、专家系统、人工神经网络、数理系统修订分析系统的联系与区别，以及相应的基本对策。 六篇论文摘要显示了从KDD的分子模型的构建

4、到制造业的修订的具体应用。 不仅如此，由美国人工智能学会主办的KDD国际研讨会规模从原研讨会发展为国际学术大会，研究重点也逐渐从发现方向转向系统应用，重视多重发现战略与技术的集成，以及多种学科之间的相互渗透，许多学校和科研机构也投入大量资金进行数据挖掘国内对数据挖掘的研究有些落后，没有形成整体力量。 但是，国内的大学，如清华大学、中科院计算机技术研究所等，开展了一定程度的知识发现基础理论及其应用研究。 其中，北京系统工程研究所对模糊方法在知识发现中的应用进行了深入研究。 与国外相比，我国数据挖掘领域的研究还处于初期阶段，大部分工作集中在局部算法设置修订上，进行综合系统整合设置修订的很少。 由于

5、核心技术的不足，数据挖掘在国内的一些领域只是银行、金融、GIS等的初步应用。 因此，研究数据挖掘技术并将其应用于科研、经济、教育等领域的重要性显而易见。所谓电子商务(E-Commerce )，是指电子数据交换(Electronic Data Interchange，EDI )、电子邮件(E-mail )、电子资金转移(electronicfundde )商品信息及其订单信息、资金信息及其支付信息、安全及其认证信息其最终目标是实现业务活动的网络化、自动化和智能化。随着互联网的迅速发展，电子商务的应用越来越深入。 在电子商务应用系统中，相关用户数据日益增长，数据挖掘技术具有从大量复杂数据中发现特定

6、规则的能力。 商业电子化趋势不仅为客户提供了便利的交易方式和广泛的选择，同时也为业者提供了更深入理解客户需求信息和购物行为特征的可能性。2.2数据挖掘技术2.2.1统一修订技术挖掘集成校正技术对数据集合的主要思想是，集成方法是对给定数据集合假定分段或概率的模型(如正态分布)，并且基于该模型以适当的方式挖掘。2.2.2关联规则数据关联是数据库中存在的重要可发现知识之一。 如果两个以上变量的可能值之间存在某种规则，则成为相关联的。 关联可以分为简单的关联、时间序列的关联、因果的关联。 相关分析的目的是发现隐含存在于数据库中的相关网络，优势是不知道数据库中存在的相关函数，并且由于知道也不确定，因此相

7、关分析所产生的规则是可靠的。2.2.3基于历史的分析基于内存的资源调查(MBR )MBR的本质是基于当前经验知识找到相似情形，并将这些情形的信息应用于当前示例。 要使用的三个问题是搜索特定的历史数据确定表示历史数据的最有效方式距离函数、联接函数和相邻数。2.2.4遗传算法GA(Genetic Aigorithms )该算法以进化理论为基础，通过遗传结合、遗传变异和自然选择等方法对结果进行优化。 主要思想是，根据适者生存的原则，形成现在团体中最适合的规则组成的新团体和这些规则的子孙。 规则的适应度(Fitness )是训练样本分类准确性的评价。2.2.5集合检查将物理或抽象的对象集合分组为由类似

8、的对象构成的多个类的过程被聚类。 从集群生成的数据对象集合中，这些对象具有相似性，并且不同于其他集合中的对象。 该差异度是根据记述对象的属性值进行修正，距离是经常采用的测定方法。2.2.6连接分析其基本理论是图论，图论的思想是寻找可以得到良好结果但不是完美结果的算法。 这种不完全可行的思想模型能够应用于更广的用户群。2.2.7决策树决策树是可以看作一棵树的预测模型。 树的每个分支都是一个分类问题，内部节点表示属性上的测试，叶表示类或分布。决策树算法是目前最广泛使用的归纳推理算法之一，是对离散值函数进行近似的方法，也可以视为布尔函数。 基于事例的归纳学习算法，通过学习一系列训练数据，构筑决策树形

9、式，只是在决策树的内节点进行属性值的比较，根据不同的属性值判断从该节点向下的分支，在决策树节点得出结论。 因此，从根到叶节点的一个路径对应于一个规则，决策树整体对应于一组吸附式规则。2.2.8神经网络神经网络是多个神经元相互连接的网络，类似于服务相互连接的互联网。 这主要由“神经元”的相互连接，或者按组织分类的节点构成。 通常神经网络模型由输入层、中间层、输出层三个层构成。神经元求出输入值后，用统一校正总输入值的过滤机比较总输出值，决定网络的输出值。 模拟判定可以通过不断修改修正后的“权重”来达到学习目的，提高判定的准确性。2.2.9粗糙度集粗糙度值是研究不确定性问题的工具，它基于已有问题的知

10、识，划分问题论域，并对划分出的各构成部分确定对某概念的支持程度。 从数据库中查找分类规则的基本想法是将数据库中的属性分为条件属性和结论属性。 数据库中的每一元组基于相应属性的不同属性值被划分成相应的子集，随后生成针对条件属性划分的子集与结论属性划分的子集之间的上下近似关系的确定规则。2.2.10回归分析回归分析可分为线性回归、多元回归和非线性回归。 在线性回归中，数据是用直线建模的多元回归是线性回归的扩展，涉及多个预测变量。 非线性回归是在基本线性模型中追加多个项式项而成为线性回归模型。1 .数据挖掘阶段的分析数据挖掘阶段是整个项目的重点，数据挖掘过程通常包括项目理解、数据理解、数据准备、建模

11、、模型评估、模型发布等。3.1项目理解阶段此阶段主要确定项目目标，制定项目成功标准，完成项目形势评价，制定项目执行订划等。 项目成功的标准是模型准确率达到多少，纯度达到多少等，而形式评价主要是对项目实施将来可能面临的问题进行简单评价，业务和行业规律不断变化，模型在应用过程中会遇到各种问题等。 关于项目修订计划是整个项目所需要的时间，资源制定整体的修订计划来管理。 此外，在这个阶段有必要对相关的专业用语进行说明等。3.2数据理解和数据准备数据挖掘的对数数据依赖性非常高，为了达到数据挖掘的目标，要求收集的数据充分齐全，质量尽可能高。 通常，这个阶段要花费整个项目一半以上的时间。 收集完原始数据后，

12、需要对数据进行记述和处理。 例如，选定变量和目标变量之间是否存在关系，每个变量数据的基本搜索，如空值数、唯一值数、最小值的统一校正和数据质量检查。数据准备数据集的说明清洗数据结构数据选择数据数据格式化数据整合3.3模型制作阶段数据挖掘项目的建模必须经过三个阶段：建模、测试和调整模型以及应用模型。 建立模型需要选择适当的建模技术，应用于决策树、神经网络、回归分析等统一校正技术，项目运营各阶段的数据不同，运营宣传方式也不同，利用模型的组合，在各个项目阶段建立不同的模型3.4模型评估阶段模型的应用通常需要长周期的检查来正确评估是否符合业务标准。 在传统行业中，此评估通常在模型应用后一年进行。 此外，

13、对于修改后的模型，不仅要评价模型的正确性和通用性，还要找出相关的业务理由说明模型的缺失，将生成的结果与建模开始设定的标准进行比较，同时根据现在的状况适当修改调整数据仓库变量，日常的数据分析妮数据挖掘操作分析调查验证3.5模型发布阶段模型通过评价达到业务目标后，进入模型公开阶段。 模型发布阶段的内容主要包括相关模型的检验和维护修订计划(正常调整和适应性调整适用于假日和寒假等特殊日期)，以确保模型的准确预测和警告。 同时，指导利用模型发行与日常业务相关的数据分析报告。制定研究目标提出策略意见分析数据现象和目标之间的关联找出真正的原因2 .数据挖掘技术在电子商务中的应用4.1数据挖掘技术在电子商务中

14、的应用价值目前，数据挖掘的对象和使用方式不断出现，随着电子商务的兴起，电子商务是未来数据挖掘的主要发展方向之一，在各个商业领域存在着广泛的使用价值。4.1.1客户细分随着以客户为中心的经营理念的深入，分析客户、理解客户、引导客户需求成为企业经营的重要课题。 对电子商务系统收集的交易数据进行分析，可以根据各种顾客指标(例如自然属性、收入贡献交易额、价值度等)对顾客进行分类，确定各种类型的顾客行为模式，采取适当的营销措施，使企业利润最大化。4.1.2获得客户例如，通过数据挖掘可以知道购买某商品的消费者是男性还是女性、学历、收入如何、有什么兴趣、是什么职业等。 并且，在购买该商品的相关商品后多长时间

15、可以知道购买该商品的可能性，以及什么样的人可能购买什么型号的该商品等。 许多因素表面上看似和购买那个商品没有任何联系，但是数据挖掘的结果证明了他们之间有联系。 数据挖掘大大提高了发送给目标客户的广告的有效性和响应速度，并大大降低了销售成本。4.1.3客户保持数据挖掘可以将许多客户分为不同的类别。 每个班级的客户都有相同的属性，不同的班级有不同的客户属性。 为了提高客户的满意度，可以为不同种类的客户提供完全不同的服务。 数据挖掘还可以确定具有哪些特征的客户可能会丢失。 这将明确保留客户的措施，从而降低保留客户的费用。4.2数据挖掘技术在电子商务推荐系统中的具体应用数据挖掘技术应用于电子商务的各个

16、方面，这里以在电子商务活动中向系统推荐数据挖掘技术的应用为方案进行了简单的分析。4.2.1推荐系统在电子商务活动中的作用一般来说，推荐系统在电子商务活动中的作用可总结为以下几点：(一)把阅览者变成购买者；有明确购物目标的客户也许可以使用搜索系统找到自己需要的东西，但对于大量的冲浪运动员和自己需求模糊的购买者，要耐心地查找几十页的目录中是否有自己感兴趣的东西是很困难的(2)提高电子商务系统的交叉销售能力；电子商务推荐系统将在用户的购买过程中向用户提供具有其它价值的商品推荐，用户可以从提供的推荐列表中购买用户确实需要但在购买过程中想不到的商品，有效地提高电子商务系统的交叉销售额。 例如，站点可以根据您当前购物车中的商品推荐与这些购买的商品相关的商品。 如果有较好的推荐系统，企业的平均订单量可能会增加。(3)提高顾客对电子商务网站的忠诚度与传统的商业模式相比，电子商务系统让用户有越来越多的选择，用户交换业者更方便，只需点击一两下鼠标就能在不同的电子商务系统之间跳跃。 电子商务推荐系统分析用户的购买习惯，根据用户的需要向用户提供有价值的商品推荐。 如果电子商务推荐系统的推荐质量高，用户能够容易地发现自己