關聯規則及協同過濾在汽車電子中的應用

前言：本站為你精心整理了關聯規則及協同過濾在汽車電子中的應用范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

摘要:以電子商城銷售數據為基礎，對已有網上購車用戶行為特征進行分析。先采用關聯規則分析樣本，找出網上購車用戶的特點；后基于用戶的協同過濾算法尋找網上購車用戶的鄰居用戶，從而發掘潛在客戶。

關鍵詞:關聯規則；協同過濾；潛在客戶

1引言

“雙11”和“汽車之家”的發展是電子商務的成功案例。面對日趨激烈的競爭，開啟汽車電子商務之路迫在眉睫。然而，互聯網時代的信息海量而無組織，汽車廠家很難用傳統手段獲取客戶信息，進行精準營銷和客戶發掘。將數據挖掘技術引入汽車電子商務，將是巨大突破。

2理論基礎

2.1關聯規則

關聯規則又稱購物籃分析，因傳統案例多發生在超市，如“啤酒與尿布”。其主要指標：支持度、置信度。前者用于衡量關聯規則在整個數據集的統計重要性,后者用于衡量關聯規則的可信程度。Apriori和F-P是常用算法，本文采用Apriori算法。

2.2Apriori算法

Agrawal等在前人基礎上，完善了Apriori的關聯規則算法，核心是基于兩階段頻集思想的遞推算法[1]。基本思想：先找出所有的頻集，其出現的頻繁性至少和預定義的最小支持度一樣。然后由頻集產生強關聯規則，必須滿足最小支持度和最小可信度。然后使用第一步找到的頻集產生期望的規則，產生只包含集合的項的所有規則，其中每一條規則的右部只有一項，這里采用中規則定義。一旦規則被生成，只有大于用戶給定的最小可信度的規則才被留下來。為了生成所有頻集，使用遞推法[2]。

2.3協同過濾

協同過濾有兩種定義。在電商網站應用廣泛的是狹義定義，即通過收集群體用戶的偏好信息，過濾個體用戶可能感興趣的內容。協同是群體行為，過濾針對個人行為。基于的假設理論：為用戶找到真正感興趣商品的方法是找到與用戶有共同興趣愛好的相似用戶，并將相似用戶感興趣的商品推薦給該用戶。

3實證分析

3.1關聯規則尋找用戶特征

3.1.1數據采集

以電子商城某車為例，采集50個樣本，包含用戶性別、年齡、職業、地區、有無小孩5類信息。數據進行標識，性別男：A1，女：A2；年齡小于30歲:B1，大于:B2；個體商戶:C1，公司員工:C2，事業單位、公務員:C3，自由職業:C4；一線城市:D1，二線:D2、其余:D3；有小孩:E1，無:E2。

3.1.2計算

令最小支持度min_sup=0.3經由apriori算法算出3-項集，如表1.同樣可計算出L4和L5，L5為{A2，B1，C2，D2，E1}。

3.1.3結果分析

從3-項集L3可以看出，支持度最高為{A2,B1,E1}，達0.44，對應特征為（A2，B1，E1）。即有小孩的年輕媽媽是該款車型的主要用戶群。同樣分析L5：女性、小于30歲、公司白領、在二線城市生活，有小孩是該車型網上購買者主要特征。

3.2協同過濾算法尋找潛在客戶

3.2.1潛在客戶定義

潛在客戶指企業為將自己的產品順利地推銷到消費者的手中，在進行推銷之前對客戶的心理、消費方式、習慣、需求的分析，實質是進行可行性分析，最終挖掘符合自己的可能性客戶[3]。

3.2.2尋找潛在客戶

協同過濾尋找潛在客戶，實質是尋找與老客戶特質相似的客戶群。通過挖掘Web系統中與老客戶客戶相關的信息,后利用數據挖掘中的協同過濾可以找尋網上各類潛在客戶，再向潛在客戶展示特定的、有聯系的、個性化的內容，進行特定營銷。當用戶訪問網站時，在商品上停留時間可以反映出用戶興趣度，長表示感興趣，短則不感興趣。可用用戶訪問時間作為協同過濾所需的評價，以此來衡量用戶之間的相似性。整理數據后得到用戶-頁面矩陣表，表中所有數據的定義同一般矩陣類似。用戶之間的相似度可采用常用的向量空間相似度計算和Person相關度等方法，可算出兩個用戶的相似程度，將與老客戶的相似性程度按大小排序，取前n個用戶作為最相鄰用戶，可推測相鄰用戶和已購車用戶行為特征最為相似，作為潛在客戶發展。

4結論

汽車電子商務為汽車企業帶來了豐厚利潤，作為電子商務新星，正煥發蓬勃生機。將基于關聯規則和協同過濾應用于汽車電子商務的潛在客戶挖掘，具有十分重要的意義。如今在海量的數據包圍的信息時代，數據挖掘必將推進汽車電子商務的長遠發展。

參考文獻：

[1]毛國君，等.數據挖掘原理與算法[M].北京:清華大學出版社,2005.

[2]MichaelJ.A.Berry,GordonS.Linoff．數據挖掘[M].北京：中國財政經濟出版社,2004.

[3]烏文波.利用Apriori關聯規則挖掘電子商務平臺潛在客戶[J].科技創新與應用,2011(24).

作者:郭林雪 單位:武漢理工大學