基于粗糙集和改进聚类的网上商店商品排列研究

摘要

随着互联网的高速发展，人们的生活越来越依赖于网络，最基本的衣食住行都已经与网络紧密关联。互联网给用户提供了大量的商品，如何从中选择需要的商品成为一项艰巨的工作。推荐系统的出现，极大地减少了用户的工作量，同时也提高了网店的商品销售量。现有的推荐系统一般是站在用户的角度、通过用户对商品的评价和浏览记录等，来推荐让用户更满意的商品，但鲜有站在网商的角度，从商品的排列来进行推荐的。 与现有推荐系统站在用户角度进行推荐不同，本文提出站在网商的角度，通过对销售数据的分析，预测商品销售利润，来进行商品的排列和推荐，从而帮助网商获取尽可能大的利润。目前，尚无其他人进行类似研究工作。 本文提出了一种基于粗糙集和改进聚类的网上商店商品排列方法，首先引入粗糙集理论，利用QuickReduct约简算法对影响商品利润的条件属性进行约简，获得约简后的属性及其相关的重要性；其次采用基于属性重要性的加权欧氏距离对数据进行K-means聚类；然后通过BP神经网络算法，建立各个类的相关利润预测模型，预测各类商品的利润；最后依据商品预测利润进行商品的排列和推荐。 本文的主要工作如下： ①阐述了现有的网购推荐系统现状，并对网络信息排名的相关研究进行介绍，分析并提出了从商品排列的角度进行商品分析的方法。 ②提出了采用QuickReduct算法对影响商品利润的多种因素进行约简，对约简后的数据，利用基于加权欧氏距离的K-means方法进行聚类，从而进行商品分类的思想。 ③采用BP神经网络来建立各个聚类的利润预测模型，通过商品预测利润，对商品进行排列和推荐。 本文以某超市的供销数据为数据集进行实验，并且通过不同的数据处理方式来进行实验结果对比分析，验证了本文提出方法的有效性。实验结果表明，本文提出的方法具有一定的参考价值。

目录

第一个书签之前