[发明专利]非频繁序列中挖掘可决策负序列模式的购买行为分析方法

说明书

技术领域

本发明涉及数据挖掘的序列模式分析技术领域，特别涉及一种非频繁序列中挖掘可决策负序列模式的购买行为分析方法。

背景技术

随着互联网的普及，网络购物已经成为非常重要的购物方式。中国互联网络信息中心(CNNIC)2012年1月发布的《第29次中国互联网络发展状况统计报告》显示：截至2011年12月底，中国网民达到5.13亿，全年新增网民5580万；互联网普及率较上年底提升4个百分点，达到38.3％。中国手机网民规模达到3.56亿，同比增长17.5％，与前几年相比，中国的整体网民规模增长进入平台期。2016年1-11月，全国网络零售交易额为4.6万亿元，同比增长26.2％。

与传统的经营方式相比，网络购物非常的方便，我们随时随地都可以挑选需要够买的产品，大大节省了逛街的时间；产品种类丰富，我们现实中不好买到的产品在网上可以很容易的找到，选择的范围广，补充了传统商店某些产品的短缺；可以货比N家，我们花一整天的时间，最多也就逛十几家商场，而在网上，仅需一个小时的时间就可以搜索上百家店铺。网络购物给消费者带来的优势是不言而喻的，但是目前的电子商务商家通常不能直观的去了解消费者，获取的相关数据有限(比如用户的注册信息，购买记录等)。通过对大量的消费者购买记录进行分析和挖掘，发现消费者的频繁访问序列模式，针对不同的消费者属性和网上购物步骤，采用不同的商品推荐形式，适时的向消费者推荐恰当的商品，并优化电子商务网站商品的摆放位置，可以有效的增加消费者的交易机会，并缩短交易花费的时间，将网站浏览者转变为购买者，提高交叉销售能力，提高消费者的忠诚度，以及提高购物网站的服务质量和经济效益。

消费者在一段时间的购物记录是一个序列数据库，通过研究消费者购买商品的先后关系，找出其中的规律，即不仅需要确定商品与其它商品购买的先后顺序，而且需要确定哪些商品被购买(不被购买)后哪些商品很可能不会被购买(被购买)。传统的序列模式挖掘仅考虑了已经发生的事件(已经购买的商品)，也称为正序列模式(Positive Sequential Pattern，PSP)挖掘。

与正序列模式挖掘相比，负序列模式(Negative Sequential Pattern，NSP)挖掘不仅考虑了已经发生的事件，还考虑了未发生事件，它不但能够更深入的挖掘序列数据库中容易被人们忽略但是又非常有价值的信息，而且能够在单纯的正序列模式挖掘可能会误导决策时辅助决策。例如：a代表面包，b代表茶，c代表瓜子，表示客户频繁购买商品的序列，该序列说明客户在购买了商品a，没有购买商品b的情况下，最有可能购买商品c，而不是其他商品。所以我们在摆放商品时，要将a和c摆放在一起然后是b，而不是<abc>的顺序。如今负序列模式的价值越来越被人们认可，在智能检测系统以及许多信息应用领域发挥着不可替代的作用，尤其是将客户的购买行为分析应用于商品推荐上，更是对商品成功交易了以及交易金额起到了巨大的推动作用。

电子商务平台中的网站用户购买订单数据为挖掘的数据源。以5个客户在2个月内的交易为例，如表1是由客户ID和交易时间为关键字所排序的事务数据库。一个事务数据库，一个事务代表一笔交易，一个单项代表交易的商品，单项属性中的字母记录的是商品ID。进行数据预处理，将表1的事务数据库整理成表2的序列数据库。

表1 事务数据库

表2 序列数据库