基于用戶購買記錄的改進關聯規(guī)則挖掘算法研究.pdf

1、飛速發(fā)展的電子商務產業(yè)催生了數據總量的爆炸性增長，從大量數據中發(fā)現和提取人們感興趣的知識，讓數據帶來價值越來越受到人們的關注。而數據挖掘在電子商務中的成功運用為人們分析和研究大量的相關數據提供了一條行之有效的方法和途徑。
　　關聯規(guī)則挖掘作為數據挖掘領域的一項重要研究方法，可以用來發(fā)現交易數據庫中不同商品之間的聯系，也可以用于發(fā)現在用戶瀏覽網頁時，不同的訪問記錄之間的關聯。關聯規(guī)則對于用戶瀏覽行為和購買行為的分析可以給電商網站的銷

2、售策略和網站布局提供很多有價值的建議，有助于網站經營者作出更好的商業(yè)決策。
　　本文首先介紹了電子商務環(huán)境下數據挖掘的定義、過程和功能，并對幾種重要的挖掘方法進行了分析。其次，本文重點介紹了最常用的兩種關聯規(guī)則挖掘算法，Apriori算法和FP-Growth算法的基本思想和挖掘過程，并用實例說明了算法的運行過程并分析這兩種算法的局限之處。Apriori算法需要重復多次的搜尋與遍歷事務數據庫，這導致了大量的時間消耗與浪費，從而增加了

3、算法運行的時間。而FP-Growth算法需要構建基于內存的FP-tree，當面對事物數據庫比較大時可能導致算法的挖掘失敗。最后，本文針對Apriori算法和FP-Growth算法的局限，綜合兩位專家學者對于FP-Growth算法的改進研究，提出了FP-Growth算法的改進算法IM-FP算法。IM-FP算法對事務數據庫進行分解并將分解后的事務數據庫根據頻繁1-項集的支持度計數進行排序，并根據首元素的不同分別存儲在不同的鏈表中，基于鏈表構

4、建IMFP-tree,并對其進行頻繁項集發(fā)現和關聯規(guī)則挖掘。IM-FP算法采用分解事務數據庫的方法可以處理大型數據庫的挖掘工作，同時對首項相同的鏈表構建IMFP-tree可以最大限度的共享前段路徑，降低了算法構建頻繁模式樹所占用的計算機內存資源，降低了算法的運算時間。通過進行幾種算法的對比實驗，實驗結果證明該算法的挖掘結果和FP-Growth算法的挖掘結果完全相同，同時算法在處理大型數據庫的挖掘時，算法的時間復雜度要大大低于FP-Gro