數(shù)據(jù)挖掘相關(guān)論文[特選材料]

數(shù)據(jù)挖掘論文題 目：數(shù)據(jù)挖掘技術(shù)在電子商務(wù)中的應(yīng)用 系 別： 計(jì)算機(jī)學(xué)院 專(zhuān) 業(yè)： 11網(wǎng)絡(luò)工程1班 學(xué)生姓名： 黃坤 學(xué) 號(hào)： 1110322111 指導(dǎo)教師： 江南 2014年 11月06 日 數(shù)據(jù)挖掘技術(shù)在電子商務(wù)中的應(yīng)用一、研究原因電子商務(wù)在現(xiàn)代商務(wù)活動(dòng)中的正變得日趨重要，隨著大數(shù)據(jù)時(shí)代的到來(lái)，商務(wù)信息顯得尤為重要，在電子商務(wù)中誰(shuí)掌握了有利的市場(chǎng)信息，誰(shuí)就能在這個(gè)競(jìng)爭(zhēng)激烈電商行業(yè)中占據(jù)絕對(duì)的優(yōu)勢(shì)。而數(shù)據(jù)挖掘技術(shù)是獲取信息的最有效的技術(shù)工具。本文討論了數(shù)據(jù)挖掘的主要方法，具體闡述了數(shù)據(jù)挖掘技術(shù)在電子商務(wù)中的作用及應(yīng)用。在信息經(jīng)濟(jì)時(shí)代，對(duì)企業(yè)來(lái)說(shuō)，誰(shuí)對(duì)市場(chǎng)變化反應(yīng)速度快，誰(shuí)將在激烈的市場(chǎng)競(jìng)爭(zhēng)中占據(jù)有利的地位，競(jìng)爭(zhēng)的結(jié)果最終將促使企業(yè)價(jià)值從市場(chǎng)競(jìng)爭(zhēng)輸家轉(zhuǎn)移到贏家，這樣就使企業(yè)面臨一個(gè)問(wèn)題：如何才能把大量的數(shù)據(jù)資源，轉(zhuǎn)化成自身價(jià)值呢？要想使數(shù)據(jù)真正成為一個(gè)公司的資源，只有充分利用它為公司自身的業(yè)務(wù)決策和戰(zhàn)略發(fā)展服務(wù)才行，否則大量的數(shù)據(jù)可能成為包袱，甚至成為垃圾。因此，面對(duì)“人們被數(shù)據(jù)淹沒(méi)，人們卻饑餓于知識(shí)”的挑戰(zhàn)，數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)(DMKD)技術(shù)應(yīng)運(yùn)而生，并得以蓬勃發(fā)展，越來(lái)越顯示出其強(qiáng)大的生命力。二、2.1 國(guó)內(nèi)研究現(xiàn)狀KDD（從數(shù)據(jù)庫(kù)中發(fā)現(xiàn)知識(shí)）一詞首次出現(xiàn)在1989年8月舉行的第11屆國(guó)際聯(lián)合人工智能學(xué)術(shù)會(huì)議上。迄今為止,由美國(guó)人工智能協(xié)會(huì)主辦的KDD已經(jīng)召開(kāi)了7次,規(guī)模由原來(lái)的專(zhuān)題討論會(huì)發(fā)展到國(guó)際學(xué)術(shù)大會(huì),人數(shù)由二三十人到七八百人,論文收錄比例從2X1到6X1,研究重點(diǎn)也逐漸從發(fā)現(xiàn)方法轉(zhuǎn)向系統(tǒng)應(yīng)用,并且注重多種發(fā)現(xiàn)策略和技術(shù)的集成,以及多種學(xué)科之間的相互滲透。其他內(nèi)容的專(zhuān)題會(huì)議也把數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)列為議題之一,成為當(dāng)前計(jì)算機(jī)科學(xué)界的一大熱點(diǎn)。此外,數(shù)據(jù)庫(kù)、人工智能、信息處理、知識(shí)工程等領(lǐng)域的國(guó)際學(xué)術(shù)刊物也紛紛開(kāi)辟了KDD專(zhuān)題或?qū)？EEE的Knowledge and Data Engineering 會(huì)刊領(lǐng)先在1993年出版了KDD技術(shù)專(zhuān)刊,所發(fā)表的5篇論文代表了當(dāng)時(shí)KDD研究的最新成果和動(dòng)態(tài),較全面地論述了KDD 系統(tǒng)方法論、發(fā)現(xiàn)結(jié)果的評(píng)價(jià)、KDD系統(tǒng)設(shè)計(jì)的邏輯方法,集中討論了鑒于數(shù)據(jù)庫(kù)的動(dòng)態(tài)性冗余、高噪聲和不確定性、空值等問(wèn)題,KDD系統(tǒng)與其它傳統(tǒng)的機(jī)器學(xué)習(xí)、專(zhuān)家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、數(shù)理統(tǒng)計(jì)分析系統(tǒng)的聯(lián)系和區(qū)別,以及相應(yīng)的基本對(duì)策。6篇論文摘要展示了KDD在從建立分子模型到設(shè)計(jì)制造業(yè)的具體應(yīng)用。不僅如此,由美國(guó)人工智能學(xué)會(huì)主辦的KDD國(guó)際研討會(huì)規(guī)模由原來(lái)的專(zhuān)題討論會(huì)發(fā)展到國(guó)際學(xué)術(shù)大會(huì)，研究重點(diǎn)也逐漸從發(fā)現(xiàn)方向轉(zhuǎn)向系統(tǒng)應(yīng)用，注重多重發(fā)現(xiàn)策略和技術(shù)集成，以及多種學(xué)科之間的相互滲透，并且有很多學(xué)校和科研機(jī)構(gòu)也正投入大量資金進(jìn)行數(shù)據(jù)挖掘技術(shù)的進(jìn)一步開(kāi)發(fā)和深入研究。國(guó)內(nèi)對(duì)數(shù)據(jù)挖掘的研究稍晚，沒(méi)有形成整體力量。但是國(guó)內(nèi)的高校，例如清華大學(xué)、中科院計(jì)算機(jī)技術(shù)研究所等，都已開(kāi)展了不同程度的知識(shí)發(fā)現(xiàn)的基礎(chǔ)理論及其應(yīng)用研究。其中，北京系統(tǒng)工程研究所對(duì)模糊方法在知識(shí)發(fā)現(xiàn)中的應(yīng)用進(jìn)行了較深入的研究。與國(guó)外相比，我國(guó)對(duì)數(shù)據(jù)挖掘領(lǐng)域的研究仍處于初級(jí)階段，絕大多數(shù)工作集中于局部算法設(shè)計(jì)，進(jìn)行綜合的系統(tǒng)集成設(shè)計(jì)卻寥寥無(wú)幾。由于核心技術(shù)的欠缺，使得數(shù)據(jù)挖掘在國(guó)內(nèi)一些領(lǐng)域只是初步應(yīng)用，如銀行、金融、GIS等領(lǐng)域。所以研究數(shù)據(jù)挖掘技術(shù)，并將其應(yīng)用到科研、經(jīng)濟(jì)、教育等領(lǐng)域的重要性是可見(jiàn)一斑的。電子商務(wù)（E-Commerce）是以指利用電子數(shù)據(jù)交換（Electronic Data Interchange，EDI）、電子郵件（E-mail）、電子資金轉(zhuǎn)賬（Electronic Funds Transfer，EFT）和Internet等主要技術(shù)在個(gè)人、企業(yè)和國(guó)家之間進(jìn)行無(wú)紙化的信息交換，包括商品信息及其訂購(gòu)信息、資金信息及其支付信息、安全及其認(rèn)證信息等，即以現(xiàn)代信息技術(shù)為手段，以經(jīng)濟(jì)效益為中心的現(xiàn)代化商業(yè)運(yùn)轉(zhuǎn)模式。其最終目標(biāo)是實(shí)現(xiàn)商務(wù)活動(dòng)的網(wǎng)絡(luò)化、自動(dòng)化與智能化。隨著Internet的迅速發(fā)展，電子商務(wù)的應(yīng)用不斷深入。在電子商務(wù)應(yīng)用系統(tǒng)中，相關(guān)的用戶數(shù)據(jù)日益增多，數(shù)據(jù)挖掘技術(shù)具有從大量復(fù)雜數(shù)據(jù)中發(fā)現(xiàn)特定規(guī)律的能力。商業(yè)電子化的趨勢(shì)不僅為客戶提供了便利的交易方式和廣泛的選擇，同時(shí)也為商家提供了更加深入了解客戶需求信息和購(gòu)物行為特征的可能性。2.2 數(shù)據(jù)挖掘技術(shù)2.2.1 統(tǒng)計(jì)技術(shù)統(tǒng)計(jì)技術(shù)對(duì)數(shù)據(jù)集進(jìn)行挖掘的主要思想是：統(tǒng)計(jì)的方法對(duì)給定的數(shù)據(jù)集合假定了一個(gè)分步或者概率的模型（比如一個(gè)正態(tài)分布），然后根據(jù)模型采用相應(yīng)的方法進(jìn)行挖掘。2.2.2 關(guān)聯(lián)規(guī)則數(shù)據(jù)關(guān)聯(lián)是數(shù)據(jù)庫(kù)中存在的一類(lèi)很重要的可以發(fā)現(xiàn)的知識(shí)。若兩個(gè)或者多個(gè)變量的取值之間存在某種規(guī)律性，就成為關(guān)聯(lián)。關(guān)聯(lián)可分為簡(jiǎn)單關(guān)聯(lián)，時(shí)序關(guān)聯(lián)，因果關(guān)聯(lián)。關(guān)聯(lián)分析的目的是找出數(shù)據(jù)庫(kù)中隱含的關(guān)聯(lián)網(wǎng)，優(yōu)勢(shì)并不知道數(shù)據(jù)庫(kù)中的關(guān)聯(lián)函數(shù)，即使知道也是不確定的，因此關(guān)聯(lián)分析生成的規(guī)則帶有可信度。2.2.3 基于歷史的分析MBR（Memory-based Reasoning）MBR的本質(zhì)是：現(xiàn)根據(jù)經(jīng)驗(yàn)知識(shí)尋找相似情況，然后再將這些情況的信息應(yīng)用于當(dāng)前的例子中。使用的三個(gè)問(wèn)題是：尋找確定的歷史數(shù)據(jù)；決定表示歷史數(shù)據(jù)的最有效方法；決定距離函數(shù)、聯(lián)合函數(shù)和鄰近的數(shù)量。2.2.4 遺傳算法GA（Genetic Aigorithms）該算法是基于進(jìn)化理論，并采用遺傳結(jié)合、遺傳變異及自然選擇等方法優(yōu)化結(jié)果。主要思想是：根據(jù)適者生存的原則，形成由當(dāng)前群體中最適合的規(guī)則組成新的群體，以及這些規(guī)則的后代。規(guī)則的適合度（Fitness）是對(duì)訓(xùn)練樣本分類(lèi)準(zhǔn)確性的評(píng)估。2.2.5 聚集檢測(cè)將物理或者抽象對(duì)象的集合，分組成為由類(lèi)似的對(duì)象組成的多個(gè)類(lèi)的過(guò)程被成為聚類(lèi)。在由聚類(lèi)生成的數(shù)據(jù)對(duì)象集合中，這些對(duì)象具有相似性，并與其他集合中的對(duì)象具有相異性。這種相異度是根據(jù)描述對(duì)象的屬性值來(lái)計(jì)算的，距離是經(jīng)常被采用的度量方法。2.2.6 連接分析它的基本理論是圖論，圖論的思想是尋找一個(gè)可以得出好的結(jié)果但不是完美結(jié)果的算法。這種不完美但是可行的思想模式，可以使之運(yùn)用到更廣的用戶群中。2.2.7 決策樹(shù)決策樹(shù)是能夠被看成一棵樹(shù)的預(yù)測(cè)模型。樹(shù)的每個(gè)分支都是一個(gè)分類(lèi)的問(wèn)題，內(nèi)部節(jié)點(diǎn)表示在一個(gè)屬性上的測(cè)試，樹(shù)葉代表類(lèi)或者分布。決策樹(shù)算法是目前應(yīng)用最廣泛的歸納推理算法之一，是一種逼近離散值函數(shù)的方法，也可將它看作是一個(gè)布爾函數(shù)。它是以實(shí)例為基礎(chǔ)的歸納學(xué)習(xí)算法，通過(guò)對(duì)一組訓(xùn)練數(shù)據(jù)的學(xué)習(xí)，構(gòu)造出決策樹(shù)形式的只是表示，在決策樹(shù)的內(nèi)節(jié)點(diǎn)進(jìn)行屬性值的比較并根據(jù)不同的屬性值判斷從該節(jié)點(diǎn)向下的分枝，從而在決策樹(shù)葉節(jié)點(diǎn)得到結(jié)論。所以從根到葉節(jié)點(diǎn)的一條路徑就對(duì)應(yīng)著一條規(guī)則，整棵決策樹(shù)就對(duì)應(yīng)著一組吸取表達(dá)式規(guī)則。2.2.8 神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)是指由大量神經(jīng)元互聯(lián)而成的網(wǎng)絡(luò)，類(lèi)似于服務(wù)器互聯(lián)而成的因特網(wǎng)。它主要由“神經(jīng)元”的互聯(lián)，或按組織的結(jié)點(diǎn)構(gòu)成。通常神經(jīng)網(wǎng)絡(luò)模型由三個(gè)層次組成：輸入層，中間層，輸出層。在神經(jīng)元求得輸入值后，再匯總計(jì)算總輸入值；由過(guò)濾機(jī)比較總輸出值，確定網(wǎng)絡(luò)的輸出值?？梢酝ㄟ^(guò)模擬判斷，來(lái)不斷修正計(jì)算的“權(quán)值”來(lái)達(dá)到學(xué)習(xí)的目的，增加判斷的正確性。2.2.9 粗糙集粗糙值是一種研究不確定性問(wèn)題的工具，它根據(jù)已有的給定問(wèn)題的知識(shí)，對(duì)問(wèn)題論域進(jìn)行劃分，然后對(duì)劃分后的每個(gè)組成部分確定其對(duì)某個(gè)概念的支持程度。它用于從數(shù)據(jù)庫(kù)中發(fā)現(xiàn)分類(lèi)規(guī)則的基本思路是將數(shù)據(jù)庫(kù)中的屬性分為條件屬性和結(jié)論屬性。對(duì)數(shù)據(jù)庫(kù)中的元組根據(jù)各個(gè)屬性不同的屬性值分成相應(yīng)的子集，然后對(duì)條件屬性劃分的子集與結(jié)論屬性劃分的子集之間上下近似關(guān)系生成判定規(guī)則。2.2.10 回歸分析回歸分析分為線性回歸、多元回歸和非線性回歸。線性回歸中，數(shù)據(jù)是用直線建模；多元回歸是線性回歸的擴(kuò)展，涉及多個(gè)預(yù)測(cè)變量。非線性回歸是在基本線性模型上添加多個(gè)項(xiàng)式項(xiàng)形成為線性回歸模型。1. 數(shù)據(jù)挖掘階段分析數(shù)據(jù)挖掘階段作為整個(gè)項(xiàng)目的重中之重，通常數(shù)據(jù)挖掘的流程包括項(xiàng)目理解、數(shù)據(jù)理解、數(shù)據(jù)準(zhǔn)備、建立模型、模型評(píng)估和模型發(fā)布等。3.1 項(xiàng)目理解階段此階段主要確定項(xiàng)目目標(biāo)，訂立項(xiàng)目成功的標(biāo)準(zhǔn)，完成項(xiàng)目形勢(shì)評(píng)估及制定項(xiàng)目執(zhí)行計(jì)劃等等。項(xiàng)目成功的標(biāo)準(zhǔn)是模型的準(zhǔn)確率達(dá)到多少、純度達(dá)到多少等，而形式評(píng)估則主要對(duì)項(xiàng)目實(shí)施未來(lái)可能遇到的問(wèn)題作一個(gè)簡(jiǎn)單的評(píng)估，業(yè)務(wù)及行業(yè)規(guī)則不斷變化，模型在應(yīng)用過(guò)程中會(huì)遇到各種問(wèn)題等。至于項(xiàng)目計(jì)劃則是對(duì)整個(gè)項(xiàng)目需要的時(shí)間，資源作一個(gè)整體的規(guī)劃把控。除此之外，此階段還需要對(duì)相關(guān)專(zhuān)業(yè)術(shù)語(yǔ)進(jìn)行解釋說(shuō)明等。3.2 數(shù)據(jù)理解和數(shù)據(jù)準(zhǔn)備數(shù)據(jù)挖掘?qū)?shù)據(jù)的依賴性非常高，為了能夠?qū)崿F(xiàn)數(shù)據(jù)挖掘的目標(biāo)，要求收集的數(shù)據(jù)足夠全，質(zhì)量盡量高。通常在這個(gè)階段花費(fèi)的時(shí)間占整個(gè)項(xiàng)目的一半還多。原始數(shù)據(jù)采集完后，還需要對(duì)數(shù)據(jù)進(jìn)行描述和處理，比如進(jìn)一步探查已選變量與目標(biāo)變量之間是否存在關(guān)系，各變量數(shù)據(jù)的基本探查，如空值數(shù)目、唯一值數(shù)目、最小最大值的統(tǒng)計(jì)以及數(shù)據(jù)質(zhì)量檢驗(yàn)等。數(shù)據(jù)準(zhǔn)備數(shù)據(jù)集描述清洗數(shù)據(jù)構(gòu)造數(shù)據(jù)選擇數(shù)據(jù)格式化數(shù)據(jù)整合數(shù)據(jù) 3.3 建立模型階段數(shù)據(jù)挖掘項(xiàng)目的建立模型都要經(jīng)過(guò)三個(gè)階段：建立模型，測(cè)試并調(diào)整模型，應(yīng)用模型。建立模型，就得選擇相應(yīng)的建模技術(shù)，可能應(yīng)用到?jīng)Q策樹(shù)、神經(jīng)網(wǎng)絡(luò)及回歸分析等統(tǒng)計(jì)技術(shù)，在項(xiàng)目運(yùn)營(yíng)的各個(gè)階段，數(shù)據(jù)不同，運(yùn)營(yíng)宣傳方式也不同，這就可能利用模型的組合，各個(gè)項(xiàng)目階段采用不同的模型進(jìn)行預(yù)測(cè)分析。3.4 模型評(píng)估階段模型的應(yīng)用通常需要較長(zhǎng)周期的檢驗(yàn)才能準(zhǔn)確的評(píng)估其是否滿足商業(yè)標(biāo)準(zhǔn)，在傳統(tǒng)行業(yè)，這個(gè)評(píng)估通常在模型應(yīng)用一年后作出。此外，對(duì)于設(shè)計(jì)的模型，不但要評(píng)估模型的準(zhǔn)確性和通用性，還要努力找出相關(guān)商業(yè)理由解釋說(shuō)明模型的欠缺，把生成的結(jié)果與建模初訂立的標(biāo)準(zhǔn)進(jìn)行對(duì)比，同時(shí)根據(jù)目前的狀況對(duì)數(shù)據(jù)倉(cāng)庫(kù)變量做適當(dāng)?shù)男拚{(diào)整，以滿足日常數(shù)據(jù)分析需要。數(shù)據(jù)挖掘運(yùn)營(yíng)分析調(diào)研驗(yàn)證3.5 模型發(fā)布階段在模型通過(guò)評(píng)估滿足商業(yè)目標(biāo)情況后，進(jìn)入模型發(fā)布階段。模型發(fā)布階段的內(nèi)容主要包括相關(guān)模型檢測(cè)和維護(hù)計(jì)劃（常規(guī)調(diào)整和適應(yīng)性的調(diào)整），以確保模型的準(zhǔn)確預(yù)測(cè)和預(yù)警。同時(shí)，還要利用模型指導(dǎo)日常運(yùn)營(yíng)發(fā)布相關(guān)數(shù)據(jù)分析報(bào)告。確定研究目標(biāo)提出策略意見(jiàn)分析數(shù)據(jù)現(xiàn)象與目標(biāo)的關(guān)聯(lián)找出真實(shí)原因2. 數(shù)據(jù)挖掘技術(shù)在電子商務(wù)中的應(yīng)用4.1電子商務(wù)中數(shù)據(jù)挖掘技術(shù)的適用價(jià)值目前對(duì)于數(shù)據(jù)挖掘的對(duì)象和使用的方法層出不窮，隨著電子商務(wù)的興起，電子商務(wù)將是未來(lái)數(shù)據(jù)挖掘的主要發(fā)展方向之一，它在各種商業(yè)領(lǐng)域都存在廣泛的使用價(jià)值。4.1.1客戶細(xì)分隨著以客戶為中心的經(jīng)營(yíng)理念不斷深入人心，分析客戶、了解客戶并引導(dǎo)客戶的需求己成為企業(yè)經(jīng)營(yíng)的重要課題。通過(guò)對(duì)電子商務(wù)系統(tǒng)收集的交易數(shù)據(jù)進(jìn)行分析，可以按各種客戶指標(biāo)(如自然屬性、收入貢獻(xiàn)交易額、價(jià)值度等)對(duì)客戶分類(lèi)，然后確定不同類(lèi)型客戶的行為模式以便采取相應(yīng)的營(yíng)銷(xiāo)措施促使企業(yè)利潤(rùn)的最大化。4.1.2客戶獲得比如通過(guò)數(shù)據(jù)挖掘可以發(fā)現(xiàn)購(gòu)買(mǎi)某種商品的消費(fèi)者是男性還是女性，學(xué)歷、收入如何，有什么愛(ài)好，是什么職業(yè)等等。甚至可以發(fā)現(xiàn)不同的人在購(gòu)買(mǎi)該種商品的相關(guān)商品后多長(zhǎng)時(shí)間有可能購(gòu)買(mǎi)該種商品，以及什么樣的人會(huì)購(gòu)買(mǎi)什么型號(hào)的該種商品等等。也許很多因素表面上看起來(lái)和購(gòu)買(mǎi)該種商品不存在任何聯(lián)系，但數(shù)據(jù)挖掘的結(jié)果卻證明他們之間有聯(lián)系。在采用了數(shù)據(jù)挖掘后，針對(duì)目標(biāo)客戶發(fā)送的廣告的有效性和回應(yīng)率將得到大幅度的提高，推銷(xiāo)的成本將大大降低。4.1.3客戶保持?jǐn)?shù)據(jù)挖掘可以把你大量的客戶分成不同的類(lèi)，在每個(gè)類(lèi)里的客戶擁有相似的屬性，而不同類(lèi)里的客戶的屬性也不同。你完全可以做到給不同類(lèi)的客戶提供完全不同的服務(wù)來(lái)提高客戶的滿意度。數(shù)據(jù)挖掘還可以發(fā)現(xiàn)具有哪些特征的客戶有可能流失，這樣挽留客戶的措施將具有針對(duì)性，挽留客戶的費(fèi)用將下降。4.2數(shù)據(jù)挖掘技術(shù)在電子商務(wù)推薦系統(tǒng)的具體應(yīng)用數(shù)據(jù)挖掘技術(shù)應(yīng)用于電子商務(wù)方方面面，在這里以電子商務(wù)活動(dòng)中推薦系統(tǒng)應(yīng)用數(shù)據(jù)挖掘技術(shù)為案列進(jìn)行簡(jiǎn)單分析。4.2.1推薦系統(tǒng)在電子商務(wù)活動(dòng)中的作用一般說(shuō)來(lái),推薦系統(tǒng)在電子商務(wù)活動(dòng)中的作用可以歸納為以下幾點(diǎn):（1）把瀏覽者轉(zhuǎn)變成購(gòu)買(mǎi)者己有明確購(gòu)物目標(biāo)的客戶也許可以借助檢索系統(tǒng)找到自己需要的東西,但對(duì)于大多數(shù)只是四處逛逛看一看的沖浪者,或是對(duì)自己的需要比較模糊的購(gòu)買(mǎi)者,很難有耐心在幾十頁(yè)長(zhǎng)的商品目錄逐項(xiàng)查找是否有自己感興趣的東西。而推薦系統(tǒng)通過(guò)合適的推薦,可以將一個(gè)瀏覽者變?yōu)橘?gòu)買(mǎi)者。（2）提高電子商務(wù)系統(tǒng)的交叉銷(xiāo)售能力電子商務(wù)推薦系統(tǒng)在用戶購(gòu)買(mǎi)過(guò)程中向用戶提供其它有價(jià)值的商品推薦,用戶能夠從提供的推薦列表中購(gòu)買(mǎi)自己確實(shí)需要但在購(gòu)買(mǎi)過(guò)程中沒(méi)有想到的商品,從而有效提高電子商務(wù)系統(tǒng)的交叉銷(xiāo)售。例如站點(diǎn)可以根據(jù)客戶當(dāng)前購(gòu)物車(chē)中的物品向他們推薦一些和這些己選購(gòu)的物品相關(guān)的物品。如果有一個(gè)比較好的推薦系統(tǒng),則企業(yè)的平均定購(gòu)量就可能增加。（3）提高客戶對(duì)電子商務(wù)網(wǎng)站忠誠(chéng)度與傳統(tǒng)的商務(wù)模式相比,電子商務(wù)系統(tǒng)使得用戶擁有越來(lái)越多的選擇,用戶更換商家及其方便,只需要一兩次鼠標(biāo)的點(diǎn)擊就可以在不同電子商務(wù)系統(tǒng)之間跳轉(zhuǎn)。電子商務(wù)推薦系統(tǒng)分析用戶的購(gòu)買(mǎi)習(xí)慣,根據(jù)用戶需求向用戶提供有價(jià)值的商品推薦。如果電子商務(wù)推薦系統(tǒng)的推薦質(zhì)量很高,用戶可以很容易找到自己想要的商品,那么用戶會(huì)再次訪問(wèn)這個(gè)網(wǎng)站,并會(huì)推薦給其他人,這對(duì)于網(wǎng)站來(lái)說(shuō)是一個(gè)很大的優(yōu)勢(shì)。4.2.2數(shù)據(jù)挖掘技術(shù)應(yīng)用于推薦系統(tǒng)具體表現(xiàn)數(shù)據(jù)挖掘是在大型數(shù)據(jù)存儲(chǔ)庫(kù)中,自動(dòng)地發(fā)現(xiàn)有用信息的過(guò)程。數(shù)據(jù)挖掘技術(shù)用來(lái)探查大型數(shù)據(jù)庫(kù),發(fā)現(xiàn)先前未知的有用模式。電子商務(wù)推薦系統(tǒng)將數(shù)據(jù)挖掘技術(shù)運(yùn)用到電子商務(wù)領(lǐng)域,以數(shù)據(jù)挖掘?yàn)榛A(chǔ)衍生出許多算法。（1）基于關(guān)聯(lián)規(guī)則的推薦算法關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘技術(shù)的一種,該技術(shù)挖掘發(fā)現(xiàn)大量數(shù)據(jù)中項(xiàng)集之間有趣的關(guān)聯(lián)或相關(guān)聯(lián)系。關(guān)聯(lián)規(guī)則挖掘的一個(gè)典型例子就是購(gòu)物籃分析。該過(guò)程通過(guò)發(fā)現(xiàn)顧客放入其購(gòu)物籃中不同商品之間的聯(lián)系,分析顧客的購(gòu)買(mǎi)習(xí)慣。通過(guò)了解哪些商品頻繁地被顧客同時(shí)購(gòu)買(mǎi),這種關(guān)聯(lián)的發(fā)現(xiàn)可以幫助商家制定營(yíng)銷(xiāo)策略。關(guān)聯(lián)規(guī)則的挖掘是一個(gè)兩步過(guò)程:首先,找出所有頻繁項(xiàng)集。這些項(xiàng)集出現(xiàn)的頻繁性至少和預(yù)定義的最小支持計(jì)數(shù)一樣。其次,由頻繁項(xiàng)集產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則。這些規(guī)則必須滿足最小支持度和最小置信度。關(guān)聯(lián)規(guī)則挖掘算法的瓶頸出現(xiàn)在第一步。由于第一步需要反復(fù)掃描交易數(shù)據(jù)庫(kù),所以增加了系統(tǒng)的開(kāi)銷(xiāo),降低了系統(tǒng)性能。例如:Aprior算法是一種最有影響的挖掘關(guān)聯(lián)規(guī)則頻繁項(xiàng)集的算法。該算法使用一種稱(chēng)為逐層搜索的迭代方法尋找頻繁項(xiàng)集,它開(kāi)創(chuàng)性地使用基于支持度的剪枝技術(shù),系統(tǒng)地控制候選項(xiàng)集指數(shù)增長(zhǎng)。它缺點(diǎn)就是由于數(shù)據(jù)庫(kù)數(shù)據(jù)的增多,需要多次掃描數(shù)據(jù)庫(kù),這樣便影響了系統(tǒng)的性能。（2）基于內(nèi)同的推薦算法基于內(nèi)容的推薦系統(tǒng)的產(chǎn)生根源于信息檢索與信息過(guò)濾。其具體是根據(jù)項(xiàng)之間的相似性來(lái)進(jìn)行推薦的,先用機(jī)器學(xué)習(xí)等技術(shù)分析用戶已經(jīng)評(píng)分的項(xiàng)的內(nèi)容,建立用戶檔案,然后從項(xiàng)集中選擇與用戶檔案相似的項(xiàng),再?gòu)闹懈鶕?jù)評(píng)分選擇一定的項(xiàng)推薦給用戶,最后根據(jù)用戶的反饋信息修正推薦。基于內(nèi)容得推薦技術(shù)具有一定的局限性。首先,資源內(nèi)容必須以機(jī)器可以理解的格式表示,而很多信息例如圖像、視頻等多媒體信息是很難做到這一點(diǎn)的;其次,資源內(nèi)容的分析范圍比較小,不能提供較多的建議;再次,基于內(nèi)容的推薦不能從質(zhì)量、樣式、審美等角度對(duì)項(xiàng)進(jìn)行過(guò)濾。（3）協(xié)同過(guò)濾推薦算法協(xié)同過(guò)濾是在信息過(guò)濾和信息系統(tǒng)中正迅速成為一項(xiàng)很受歡迎的技術(shù)。與傳統(tǒng)的基于內(nèi)容過(guò)濾直接分析內(nèi)容進(jìn)行推薦不同,協(xié)同過(guò)濾分析用戶興趣,在用戶群中找到指定用戶的相似(興趣)用戶,綜合這些相似用戶對(duì)某一信息的評(píng)價(jià),形成系統(tǒng)對(duì)該指定用戶對(duì)此信息的喜好程度預(yù)測(cè)。三、總結(jié)數(shù)據(jù)挖掘是指按企業(yè)既定業(yè)務(wù)目標(biāo)，對(duì)大量的企業(yè)數(shù)據(jù)進(jìn)行探索和分析，揭示隱藏的、未知的或驗(yàn)證已知的規(guī)律性，并進(jìn)一步將其模型化的先進(jìn)有效的方法。電子商務(wù)是現(xiàn)代信息技術(shù)發(fā)展的必然結(jié)果，也是未來(lái)商業(yè)運(yùn)作模式的必然選擇。企業(yè)數(shù)據(jù)量日益龐大，其中真正有價(jià)值的信息卻很少，利用數(shù)據(jù)挖掘技術(shù)，從大量的數(shù)據(jù)中經(jīng)過(guò)深層分析，獲得有利于商業(yè)運(yùn)作、提高競(jìng)爭(zhēng)力的信息，發(fā)揮企業(yè)的獨(dú)特優(yōu)勢(shì)，促進(jìn)管理創(chuàng)新和技術(shù)創(chuàng)新。12材料a