王雪媛

（內江師范學院，四川內江 641100）

基于關聯(lián)規(guī)則是一種常見的電子商務推薦技術，是根據(jù)茶葉交易歷史數(shù)據(jù)，挖掘出不同類型商品在銷售過程中的關聯(lián)性，形成關聯(lián)規(guī)則，并據(jù)此預測用戶對未購買過的產品的興趣，進而產生推薦結果。

1 關聯(lián)規(guī)則

關聯(lián)規(guī)則挖掘也稱購物籃分析，表達了數(shù)據(jù)項之間的依存性和關聯(lián)性[1]。設m個不同的項目集合為I={il，i2，…，im)，每一個事務T是項集的子集，即T?I。關聯(lián)規(guī)則可以表示為一個蘊含式R:X→Y（X?I，Y?I，X∩Y=?）。關聯(lián)規(guī)則的支持度support是交易（事物）集中同時包含X、Y的交易數(shù)與所有交易數(shù)之比，其本質是反映X、Y同時出現(xiàn)的概率，最小支持度是要求項集必須滿足的最小支持閾值，是剪枝的重要依據(jù)。支持度大于或等于最小支持度的項集稱為頻繁項集，簡稱頻繁集，反之稱為非頻繁集。置信度表示規(guī)則值得信任的程度，confidence(X→Y)=support(X∪Y)/support(X)。最小置信度表示關聯(lián)規(guī)則的最低可靠性。

事務數(shù)據(jù)庫中存在著海量的關聯(lián)規(guī)則。但是，只有強關聯(lián)規(guī)則才對商家具有決策指導價值。所謂強關聯(lián)規(guī)則是指既滿足最小支持度又滿足最小置信度。

2 Apriori算法

Apriori算法是一種挖掘關聯(lián)規(guī)則的頻繁項集算法，是關聯(lián)規(guī)則的經(jīng)典算法之一?？煞纸鉃閮蓚€處理步驟：（1）根據(jù)最小支持度找出所有的頻繁項目集；（2）根據(jù)第一步找到的頻繁項集產生所期望的強關聯(lián)規(guī)則。

3 基于關聯(lián)規(guī)則的茶葉推薦實例

假定一個購買茶葉事務數(shù)據(jù)庫 S={S1，S2，S3，S4}，設 δ=50%，則最小支持度MinSup=4*50%=2，其中假定最小置信度Minconf=70%。S1，S2，S3，S4分別購買了熙春茶（BOHEA Tea）、功夫茶 (HYSON Tea)、屯溪茶(TWANKAY Tea)、祁門茶 (K0EEMUN Tea)、茉莉花茶(Jasmine Tea)五種茶葉的情況是{1、0、1、1、0}，{0、1、1、0、1}，{1、1、1、0、1}，{0、1、0、0、1}，其中 1代表曾有購買行為，0表示沒有購買行為。

首先，產生茶葉購買候選集L1，得到各茶葉BOHEA Tea、HYSON Tea、TWANKAY Tea、K0EEMUN Tea、Jasmine Tea 的支持度分別為 2、3、3、1、3。所以，C1={(BOHEA Tea)，(HYSON Tea)，(TWANKAY Tea)，(Jasmine Tea)}，剪掉其中支持度小于 MinSup的項目集，從C1產生L2為{(BOHEA Tea、HYSON Tea:1);(BOHEA Tea 、TWANKAY Tea:2);(BOHEA Tea、Jasmine Tea:1);(HYSON Tea、TWANKAY Tea:2);(HYSON Tea、Jasmine Tea:3);(TWANKAY Tea、Jasmine Tea:2)}，剪掉不符合要求的項目集，則 得 到 的 C2 為:{(BOHEA Tea、TWANKAY Tea:2);(HYSON Tea、TWANKAY Tea:2);(HYSON Tea、Jasmine Tea:3);(TWANKAY Tea、Jasmine Tea:2)}因為(BOHEA Tea、Jasmine Tea)為非頻繁子集。根據(jù)Apriori定律，如果一個集合不是頻繁項集，則它的所有超集都不是頻繁項集。所以從C2 產生的 L3 為 {HYSON Tea、TWANKAY Tea、Jasmine Tea:2}，因為直接刪除了 BOHEA Tea、TWANKAY Tea、Jasmine Tea，則得到的 C3 為:{HYSON Tea、TWANKAY Tea、Jasmine Tea:2}，而 L4= Φ，所以循環(huán)結束。

對于 HYSON Tea、TWANKAY Tea、Jasmine Tea，最小置信度 Minconf=70%，HYSON Tea、TWANKAY Tea、Jasmine Tea的支持度為 Confidence=2/2=100%；HYSON Tea、Jasmine Tea、TWANKAY Tea的置信度=2/3=66.7%；TWANKAY Tea、Jasmine Tea、HYSON Tea的置信度=2/2=100%；HYSON Tea、TWANKAY Tea、Jasmine Tea 的 置 信 度 =2/3=66.7% ；TWANKAY Tea、HYSON Tea、Jasmine Tea 的置信度=2/3=66.7%；Jasmine Tea、HYSON Tea、TWANKAY Tea的置信度=2/3==66.7%；最終，用戶可以得到如下推薦:①若消費者購買了HYSON Tea和TWANKAY Tea，則向其推薦Jasmine Tea;②若消費者購買了TWANKAY Tea和Jasmine Tea，則向其推薦HYSON Tea。

4 基于關聯(lián)規(guī)則的茶葉推薦系統(tǒng)設計

基于關聯(lián)規(guī)則的個性化推薦設計關鍵在于通過分析數(shù)掘庫中全部顧客的歷史交易數(shù)據(jù)，使用挖掘關聯(lián)規(guī)則算法，試圖發(fā)現(xiàn)顧客群體購買習慣的內在共性，并據(jù)此，參照用戶歷史感興趣的茶葉，進行關聯(lián)規(guī)則匹配，進而向用戶推薦其還沒有購買但可能會有興趣的茶葉。

4.1 體系結構設計

茶葉電子商務個性化推薦模型分為輸入、輸出、推薦和系統(tǒng)管理四個模塊。其中，輸入模塊主要是指整理茶葉歷史購物數(shù)據(jù)，形成標準數(shù)據(jù)集。推薦模塊是指參照關聯(lián)規(guī)則，根據(jù)用戶需求，借助搜索引擎得到推薦列表。輸出模塊是向消費者展示最終的推薦結果。

4.2 推薦模塊主要功能

4.2.1 數(shù)掘預處理。原始交易中數(shù)據(jù)包含大量的基本數(shù)據(jù)，但這些數(shù)據(jù)必須經(jīng)過清洗、轉換、集成等預處理，只有具備了完整性好、冗余性小等特征的數(shù)據(jù)才具備挖掘價值。

4.2.2 產生強關聯(lián)規(guī)則。盡量在經(jīng)過預處理的事務集中挖掘關聯(lián)規(guī)則，并更新規(guī)則庫。

4.2.3 系統(tǒng)推薦。針對消費者的歷史購買行為，采用不同的推薦策略。對于發(fā)生過購買行為的消費者，找到其歷史交易記錄中的茶葉唯一標識號并從規(guī)則庫中匹配符合條件的規(guī)則，進而向其推薦與之興趣最相關的—種茶葉；對于未曾有購買行為的用戶，默認為推薦TOP-N最受歡迎的茶葉。

4.2.4 動態(tài)更新關聯(lián)規(guī)則庫。用戶的興趣愛好隨著時間的推移呈現(xiàn)出周期性變化的特征，因而，需要定期根據(jù)銷售數(shù)據(jù)和用戶興趣更新規(guī)則庫，最終實現(xiàn)動態(tài)地把客戶興趣變化反映到推薦結果中。

4.3 系統(tǒng)管理模塊

茶葉電子商務推薦系統(tǒng)角色分為系統(tǒng)管理員和普通用戶。其中，系統(tǒng)管理員負責更新用戶數(shù)據(jù)庫，負責對用戶開放用戶權限范圍內的系統(tǒng)功能。普通用戶可在登錄后查詢購買記錄，并對系統(tǒng)推薦的茶葉進行喜好反饋，喜歡表示推薦有效，不喜歡則再下一次推薦中不出現(xiàn)此種茶葉。反饋越多越及時，系統(tǒng)向用戶推薦的精準率就越高。

5 結論

茶葉推薦系統(tǒng)一直是解決茶葉信息過載的有效方法之一，是茶葉商家向消費者進行個性化推薦，增強消費者粘度，提升商家效益的重要途徑。本文對實施電子商務推薦系統(tǒng)提升各商業(yè)系統(tǒng)核心競爭力具有一定的參考價值。