数据挖掘在电子商务的应用.doc

数据挖掘在电子商务的应用
调研分析报告
[摘要]在信息爆炸的电子商务时代，处理海量信息的时候显得力不从心，数据挖掘技术的出现与发展很好地处理了这一难题，数据挖掘是一门交叉学科的技术，它有助于发现业务HYPERLINK"http://paper.studa.com"发展的趋势，帮助HYPERLINK"http://paper.studa.com"企业做出正确的决策，使企业处于更有利的竞争位置。数据挖掘中HYPERLINK"http://paper.studa.com"应用的技术包括经典的统计、近邻、聚类，也包括最新HYPERLINK"http://paper.studa.com"发展起来的决策树、神经HYPERLINK"http://paper.studa.com"网络和关联规则等一些较新的HYPERLINK"http://paper.studa.com"方法。当实际开发一个数据挖掘系统时，究竟应该选择哪种数据挖掘技术，往往是一件很困难的事情。本文结合数据挖掘技术在HYPERLINK"http://paper.studa.com"电子商务中的HYPERLINK"http://paper.studa.com"应用,提出选择数据挖掘技术的两个重要依据，其次通过对电子商务环境下Web挖掘技术的论述，具体分析Web内容挖掘、Web结构挖掘、Web访问挖掘对于电子商务的作用，并对具体技术进行分析与评价。最后介绍国内外电子商务数据挖掘的主要研究内容。

[关键词]数据挖掘电子商务Web挖掘关联HYPERLINK"http://paper.studa.com"分析分类聚类

引言

电子商务是一种借助于计算机网络技术，通过电子交易手段来完成金融、物资、服务和信息等价值交换，快速而有效地从事各种商务活动的新方法。随着网络技术和数据库技术的成熟，全球传统商务正经历一次重大变革，向电子商务全速挺进。这种商业电子化的趋势不仅为客户提供了便利的交易方式和广泛的选择，同时也为商家提供了更加深入地了解客户需求信息和购物行为特征的可能性。数据挖掘技术作为电子商务的重要应用技术之一，将为正确的商业决策提供强有力的支持和可靠的保证，是电子商务不可缺少的重要工具。
电子商务的发展促使公司内部收集了大量的数据，并且迫切需要将这些数据转换成有用的信息和知识，为公司创造更多潜在的利润，数据挖掘概念就是从这样的商业角度开发出来的。数据挖掘涉及的学科领域和HYPERLINK"http://paper.studa.com"方法很多，其核心技术历经了数十年的发展，其中包括统计、近邻、聚类、决策树、神经网络和规则等。今天，这些成熟的技术在电子商务中已进入了实用阶段，并取得了良好的效果。但数据挖掘作为一个新兴领域，在实际应用当中仍存在许多尚未解决的HYPERLINK"http://paper.studa.com"问题。其中最困难的往往在于决定什么时候采用哪种数据挖掘技术。
2.1数据挖掘的概念
2．1.1数据挖掘的概念数据挖掘（DataMining）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘是通过挖掘数据仓库中存储的大量数据，从中发现有意义的新的关联模式和趋势的过程。从商业的角度定义，数据挖掘是一种新的商业信息处理技术，其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其它模型化处理，从中提取辅助商业决策的关键性数据。数据挖掘最吸引人的地方是它能建立预测模型而不是回顾型的模型。利用功能强大的数据挖掘技术，可以使企业把数据转化为有用的信息帮助决策，从而在市场竞争中获得优势地位。2.1.2数据挖掘常见的提供的模型
（1）分类发现模型。
分类的目的是学会一个分类函数（分类器），通过分类器把数据库中的数据项映射到给定类别中的某一个。分类器的构造方法有统计方法、机器学习方法、神经网络方法、粗糙集方法等。（2）聚类模型。
聚类是把一组个体按照相似性归成若干类别，使得属于同一类别的个体之间的距离尽可能的小，而不同类别上的个体间的距离尽可能的大。聚类方法包括统计方法、机器学习方法、神经网络方法和面向数据库的方法。
（3）关联规则模型。
关联规则反映一个事件和其他事件之间依赖或关联的知识。如果两项或多项之间存在关联，那么其中一项的属性值就可以依据其他属性值进行预测。最为著名的关联规则发现方法是R.Agrawal提出的Apriori算法。（4）预测型知识模型。
它是根据时间序列型数据，由历史的和当前的数据去推测未来的数据。时间序列预测方法有经典的统计方法、神经网络和机器学习等。（5）偏差型知识模型。它是对差异和极端特例的描述，