数据挖掘在网上购物系统中的应用研究

摘要：在Internet飞速发展的今天，人们已经将互联网作为一个日常沟通，生活不可或缺的平台。随之而生的网上购物系统这一电子商务的具体模式之一，自然而然地便成为一种时尚、流行的购物方式。一个好的购物系统除了基本的商品浏览、搜索、购买和评价等功能外，还要具备一些数据挖掘的功能，这是在系统后台运行中实现的功能，能够从日常的客户资料，交易数据中得到挖掘分析的结果，给客户提供与他们选购的商品相关联的商品信息，给购物系统的经营者提供商业分析的决策支持，从而提高购物系统的交易量和客户的光顾频率。
本文从关联规则和数据分类这两种常用数据挖掘技术中得到启示，将商品之间按照一定的规则进行匹配连接，将用户按照层层条件进行分类，从而实现了商品推荐和客户信用度分类的功能。在购物系统这个主体功能实现的基础上，加以修饰，完善系统功能。数据挖掘思路与网购数据的结合，是这个购物系统的核心技术。
本课题基于JBulider或Eclipse平台，采用决策树分类算法和Apriori关联规则挖掘算法，对网上购物系统进行购物篮分析，并生成潜在客户的信用度评估。最后应产生具有一定兴趣度及可信度的评估模型并将结果可视化。
 
关键词：网上购物系统，数据挖掘，关联规则发现，分类规则发现
2.选题背景及其意义
近年来，Internet使计算机、网络、通信合而为一。网络经济、注意力经济等新概念的出现，以其巨大的社会效益和极富挑战与机遇的内涵，成为信息科学最引人注目的研究课题。然而，网络在快捷、方便地带来大量信息的同时，也带来了一大堆的问题：诸如信息过量难以消化；信息真假难以辨识；信息安全难以保证；信息形式不一致，难以统一处理等等。如何快速、准确地获得有价值的网络信息，如何理解已有的历史数据并用于预测未来的行为，如何从这些海量数据中发现知识，导致了知识发现和数据挖掘领域的出现。知识发现(Knowledge Discovery，简称KD)和数据挖掘(Data Mining，简称DM)是集统计学、人工知识、模式识别、并行计算、机器学习、数据库等技术的一个交叉性的研究领域。知识是当今世界一种最重要的财富。数据库中的知识发现Knowledge Discovery in Database，即KDD)方法和数据挖掘技术，近几年受到人们的高度重视，并对其进行了深入的研究，得到了许多有效的方法和技术。
3.研究内容
本课题基于Eclipse平台，采用决策树分类算法和Apriori关联规则挖掘算法，对网上购物系统进行购物篮分析，并生成潜在客户的信用度评估。最后应产生具有一定兴趣度及可信度的评估模型并将结果可视化。
 3.1 Apriori关联规则挖掘算法在网上购物系统中的应用
Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。它的基本思想首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则，这些规则必须满足最小支持度和最小可信度。然后使用第一步找到的频集产生期望的规则，产生只包含集合的项的所有规则是我们研究的内容，通过学习关联规则发现顾客购物中潜在的信息。