[本篇论文由5var5VAR论文频道为您收集整理，5VAR论文频道http://paper.5var.com将为您整理更多优秀的免费论文，谢谢您的支持]    摘要:传统的实物商店只能给出单调的一种店面布局，而在当今的买方市场中，这种单调的一种店面布局难以迎合所有消费者的口味，因此使得商家失去了许多潜在的营销机会。本文拟改进关联规则挖掘理论中的核心算法一著名的Aprior算法，并采用该改进的Aprior算法对商业网站在网络营销中获得的海量的客户访问日志文件分析，构建起互联网上的符合每个消费者的购买偏好的个性化的虚拟商店。这样，就可以实现网络营销中的商家针对单个消费者的一对一的个性化营销，达到商家和消费者双赢的博弈均衡状态(即实现Pareto最优)。个性化的虚拟商店的设计代表着国际商业巨头竞相追逐的网上营销的核心竞争技术和难点技术，因此本文的研究仅仅只是～种尝试和创新。

    关键词:消费者 个性化 虚拟商店 互联网 


引言
消费者在电子商务网站上的购买过程实际上就是他或她浏览网站上不同商品的链接主题页面的过程。

    因为消费者访问页面的记录完全记载在他或她的访问日志上，所以通过关联规则挖掘理论的经典算法一Apriori算法[13对消费者的日志文件分析，就可以分析出消费者的购买行为偏好，可以知道消费者在网站上经常购买哪些主题的商品，哪些商品的链接主题联系紧密而应该放在一起，这些放在一起的链接主题将构成一个“虚拟商店”，极大地方便消费者的浏览、点击和购买，缩短消费者浏览网站的链接长度，提高消费者的访问效率和回头率，使得网站的商品销售额大增。

    本文将以图书的网络营销为例，试图改进传统的Apriori算法，并将改进的Apriori算法运用在图书网络营销一对一的个性化虚拟商店的设计中。

    2 Apriori算法的改进

Apriori算法是关联规则挖掘中的最经典最有影响力的关联算法，其用在网络营销一对一的消费者个性化虚拟商店的设计中，有着非凡的创新意义和非常广阔的发展空间。

    Apriori算法的计算可以分为以下两个过程：发现所有的频繁项集Lk、生成强关联规则。在这两个过程中，第二个过程是非常容易实现的，第一个过程实则是Apriori算法的核心过程，占据整个计算量的大部分，其存在着下面两个瓶颈问题严重地影响到最终挖掘的强关联规则的总性能：多次扫描事务数据库，需要很大的I／O负载；可能产生庞大的候选集。这两个瓶颈问题的存在常常会导致很难找出所有频繁项目集以及过多的频繁项目集会降低整个关联规则挖掘的效率等‘“。

    针对Apriori算法的瓶颈问题，本人对传统的Apriori算法做出了如下的一些改进：传统的Apriori算法是先连接生成候选集，再采用剪枝方法移去不成熟的候选项集；而改进的算法则是在连接生成候选集的同时也采用剪枝方法移去不成熟的候选项集。这样将有效地降低扫描次数，提高了Apriori算法的效率。

    3个性化虚拟商店的设计

个性化虚拟商店一般考虑只为注册消费者提供，根据消费者的注册名、密码形成消费者信息表，每个注册消费者历次访问的链接主题构成链接主题访问频次信息表。消费者注册后将自动调用Generate-pg．asp中的强关联规则控件生成消费者个性化虚拟商店。数据来源于我国著名的一个网上书店的消费者日志数据，该网站保留了至少5年的消费者日志数据，现从这些数据中抽取1000个客户的访问样本数据口]。设置最小支持数Min-Support为5，最小可信度Min-Confidence为60％。通过采用改进的Apriori算法对这些样本数据处理后(过程略)，将得到设计消费者个性化的虚拟商店时所必须注意遵循的8条重要规则，这8条重要规则如下所述。

    规则1：该客户访问网页的A1链接主题时，也同时访问A2和A4链接主题。

    [可信度：70％，支持度：64．3％]规则2：该客户访问网页的A2链接主题时，也同时访问A1和A4链接主题。

    [可信度：70％，支持度：79．1％]规则3：该客户访问网页的A3链接主题时，也同时访问A1和A4．链接主题。

    [可信度：75％，支持度：85．9％]规则4：该客户访问网页的A4链接主题时，也同时访问A1和A2链接主题。

    [可信度：80％，支持度：89．7％]规则5：该客户访问网页的A5链接主题时，也同时访问A6和A8链接主题。

    [可信度：90％，支持度：91．5 0A]规则6：该客户访问网页的A6链接主题时，也同时访问A1和A8链接主题。

    [可信度：95％，支持度：90．2％]规则7：该客户访问网页的A7链接主题时，也同时访问A3和A8链接主题。

    [可信度：100％，支持度：99．8％]规则8：该客户访问网页的A8链接主题时，也同时访问A3和A7链接主题。

    [可信度：100％，支持度：93．4％]参考文献I-1]Agrawal R，Srikant R．Fast Algorithms for MiningAssociation Rules[J]．Proceedings of InternationalConference on Very Large Databases，1994：487—499．[2]Wang K，Tang L，et a1．Top Down FP-growth forAssociation Rule Mining[J]．Proceedings ofPAKDD2002，2002：334—340．[3]Zhiping Du．Web Usage of Mining Data[EB／OL]．http：／／dingdang．book．net／resource．html，2005，3．