網(wǎng)上書店訂單數(shù)據(jù)關(guān)聯(lián)數(shù)據(jù)分析

江霞

摘要：數(shù)據(jù)挖掘技術(shù)在網(wǎng)上書店系統(tǒng)中起著重要作用，使用數(shù)據(jù)挖掘技術(shù)分析訂單數(shù)據(jù)，通過關(guān)聯(lián)規(guī)則挖掘得到相同種類圖書之間和不同種類圖書之間的關(guān)聯(lián)關(guān)系，根據(jù)分析結(jié)果可以在客戶下訂單時(shí)，為客戶推薦相關(guān)書籍，從而增加銷售額。該文介紹網(wǎng)上書店訂單數(shù)據(jù)關(guān)聯(lián)分析的過程和結(jié)果。

關(guān)鍵詞：數(shù)據(jù)挖掘；關(guān)聯(lián)規(guī)則；網(wǎng)上書店；商品推薦

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2014）36-8597-02

網(wǎng)上書店以其圖書數(shù)量大、品種多、檢索方便、價(jià)格相對(duì)便宜、突破了時(shí)間和空間的限制等優(yōu)勢(shì)吸引了讀者，圖書購(gòu)買的需求已是網(wǎng)上書店讀者的首要需求。為了能夠充分滿足以及了解使用者的需求，開發(fā)一套網(wǎng)上書店管理信息系統(tǒng)是必要的。從商務(wù)網(wǎng)站系統(tǒng)中得到的大量數(shù)據(jù)用數(shù)據(jù)庫(kù)保存起來，在競(jìng)爭(zhēng)日益激烈的知識(shí)經(jīng)濟(jì)環(huán)境下，數(shù)據(jù)庫(kù)不再只是用于查詢、輸出報(bào)表等一般的用途，還要在眾多的數(shù)據(jù)中挖掘出有用的知識(shí)以便作為決策支持。

1 數(shù)據(jù)挖掘在網(wǎng)上書店的應(yīng)用

數(shù)據(jù)挖掘（Data Mining）就是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實(shí)際應(yīng)用數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識(shí)的過程。它綜合利用了統(tǒng)計(jì)學(xué)、模式識(shí)別、人工智能、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等學(xué)科的知識(shí)，從大量信息中提取有用的模式和規(guī)律，以輔助決策。

考察書店中涉及許多交易的事務(wù)：事務(wù) 1 中出現(xiàn)了書甲，事務(wù) 2 中出現(xiàn)了書乙，事務(wù) 3 中則同時(shí)出現(xiàn)了書甲和書乙。那么，書甲和書乙在事務(wù)中的出現(xiàn)相互之間是否有規(guī)律可循呢？在網(wǎng)上書店的前端訂單系統(tǒng)收集存儲(chǔ)了大量的購(gòu)書數(shù)據(jù)，這些數(shù)據(jù)是一條條的購(gòu)買事務(wù)記錄，每條記錄存儲(chǔ)了事務(wù)處理時(shí)間，顧客購(gòu)買的書籍、物品的數(shù)量及金額等。這些數(shù)據(jù)中常常隱含形式如下的關(guān)聯(lián)規(guī)則：在購(gòu)買 JSP 書的顧客當(dāng)中，有 70%的人同時(shí)購(gòu)買了 Java 圖書。這些關(guān)聯(lián)規(guī)則很有價(jià)值，書店管理人員可以根據(jù)這些關(guān)聯(lián)規(guī)則更好地規(guī)劃書店，如把 Java 和 JSP 圖書其中一種促銷，能夠促進(jìn)另一種通圖書的銷售。

2 數(shù)據(jù)庫(kù)準(zhǔn)備

根據(jù)上面的數(shù)據(jù)庫(kù)需求分析及系統(tǒng)功能模塊的劃分，網(wǎng)上書店系統(tǒng)數(shù)據(jù)庫(kù)主要包括如下幾張表，其中用戶表和訂單表部分字段設(shè)置如表1、表2所示。

· _user（用戶）表 （表1），用來存儲(chǔ)用戶信息。

表1 _user表

[字段名＼&數(shù)據(jù)類型＼&備注＼&userid＼&Int not null＼&用戶ID，自動(dòng)增加＼&username＼&Nvarchar（50） not null＼&用戶名，主鍵＼&useremail＼&Nvarchar（50） not null＼&用戶email＼&password＼&Nvarchar（50） not null＼&用戶密碼＼&]

· myorder（我的訂單）表 （表2），用來存儲(chǔ)用戶購(gòu)買圖書的信息。

表2 myorder表

[字段名＼&數(shù)據(jù)類型＼&備注＼&Myorder_id＼&int not null＼&訂單ID，自動(dòng)增加，主鍵＼&username＼&Nvarchar（50）＼&訂單的用戶名＼&name＼&Nvarchar（255）＼&購(gòu)買的商品名稱＼&]

3 數(shù)據(jù)分析

網(wǎng)上書店訂單數(shù)據(jù)的關(guān)聯(lián)規(guī)則頻繁項(xiàng)集挖掘可采用 Apriori 算法實(shí)現(xiàn)。假設(shè)當(dāng)日銷售的數(shù)據(jù)庫(kù)中的一段事務(wù)數(shù)據(jù)，數(shù)據(jù)庫(kù)中有 10 個(gè)事務(wù)，即|D|=10。Apriori 假定事務(wù)中的項(xiàng)按字典次序存放，Ik代表具體的書目或者一類圖書，比如I1-Java 類圖書，I2-JSP 圖書，I3-數(shù)據(jù)挖掘圖書，I4-C 語言圖書，I5-網(wǎng)頁制作圖書等等。

打開Microsoft SQL Server 2005中的Business Intelligence Development Studio， 在解決方案資源管理器中為數(shù)據(jù)庫(kù)ZT新建數(shù)據(jù)源、為view_myorder， view_user新建數(shù)據(jù)源視圖，新建挖掘結(jié)構(gòu)。

在解決資源管理器中基于ZT數(shù)據(jù)源和數(shù)據(jù)源視圖新建名為User.dmm的關(guān)聯(lián)規(guī)則挖掘結(jié)構(gòu)。選取“_user”為事例表，“myorder”為嵌套表，將事例表_user的username字段選取為鍵列，將嵌套表myorder的name字段選取為鍵列、輸入列和可預(yù)測(cè)列，勾選“運(yùn)行鉆取”，最后點(diǎn)擊“完成”按鈕。

先看看顧客的購(gòu)買記錄，如表3所示。

表3 顧客的購(gòu)買記錄表

[用戶名＼&購(gòu)買的圖書＼&C1＼&數(shù)據(jù)庫(kù)，數(shù)據(jù)結(jié)構(gòu)，離散數(shù)學(xué)，計(jì)算機(jī)網(wǎng)絡(luò)，C語言程序設(shè)計(jì)案例教程，計(jì)算機(jī)組成原理＼&C2＼&操作系統(tǒng)，離散數(shù)學(xué)，C語言程序設(shè)計(jì)案例教程，計(jì)算機(jī)組成原理＼&C3＼&數(shù)據(jù)結(jié)構(gòu)，數(shù)據(jù)庫(kù)，計(jì)算機(jī)網(wǎng)絡(luò)，C語言程序設(shè)計(jì)案例教程＼&C4＼&離散數(shù)學(xué)，C語言程序設(shè)計(jì)案例教程＼&]

點(diǎn)擊“挖掘模型查看器”，可以在“項(xiàng)集”這個(gè)選項(xiàng)中，設(shè)置“最低支持”和“最小項(xiàng)集大小”。

點(diǎn)擊“挖掘模型預(yù)測(cè)”，可以對(duì)顧客的購(gòu)買記錄進(jìn)行關(guān)聯(lián)、序列分析。

1） 查看哪些商品會(huì)一起購(gòu)買（針對(duì)關(guān)聯(lián)模型創(chuàng)建預(yù)測(cè)查詢）

首先在挖掘模型對(duì)話框中點(diǎn)擊“選擇模型”，選擇ZT下的User，點(diǎn)擊“確定”按鈕，在下面網(wǎng)格中“源”處，選擇“預(yù)測(cè)函數(shù)”，在“字段”處選擇“PredictAssociation”，將挖掘模型中的myorder托放到條件/參數(shù)中，并在后添加，3，點(diǎn)擊“結(jié)果”。

2） 給定一種商品或兩種商品，查看和它一起購(gòu)買的商品以及一起購(gòu)買此商品的概率（向單獨(dú)預(yù)測(cè)查詢添加輸入和概率）

單擊“單獨(dú)查詢按鈕”，在單獨(dú)查詢輸入中添加“C語言”，挖掘模型也選擇ZT下的User，在下面網(wǎng)格中“源”處，選擇“預(yù)測(cè)函數(shù)”，在“字段”處選擇“PredictAssociation”，將挖掘模型中的myorder托放到條件/參數(shù)中，并在后添加include_statistics6，點(diǎn)擊“結(jié)果”。

4 結(jié)束語

本文以網(wǎng)上書店為平臺(tái)，介紹顧客購(gòu)書訂單模塊的數(shù)據(jù)庫(kù)的設(shè)計(jì)，并用SQL Server 2005的Business intelligence development studio對(duì)商務(wù)網(wǎng)站交易數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，發(fā)現(xiàn)被顧客購(gòu)買的商品之間的關(guān)聯(lián)，為商品導(dǎo)購(gòu)提供數(shù)據(jù)支持。

參考文獻(xiàn)：

[1] 馬剛.關(guān)聯(lián)規(guī)則挖掘在電子商務(wù)中的研究與應(yīng)用[D].上海：上海交通大學(xué)，2008：40-44.

[2] 魏建香，馮春輝.SQL Server 數(shù)據(jù)庫(kù)應(yīng)用技術(shù)[M].北京：中國(guó)計(jì)劃出版社，2007：8-9.

[3] 謝邦昌.商務(wù)智能與數(shù)據(jù)挖掘 Microsoft SQL Server應(yīng)用[M].北京：機(jī)械工業(yè)出版社，2008：35-40.

[4] 左鳳朝.基于 Web 的數(shù)據(jù)庫(kù)訪問技術(shù)探析[J].計(jì)算機(jī)工程與應(yīng)用，2005，52（15）.

[5] John H.Heinrichs，Jeen-Su Lim.Integrating Web-based Data Mining Tools with Business Models for Knowledge Management[J].Decision Support Systems，2003，35.endprint

摘要：數(shù)據(jù)挖掘技術(shù)在網(wǎng)上書店系統(tǒng)中起著重要作用，使用數(shù)據(jù)挖掘技術(shù)分析訂單數(shù)據(jù)，通過關(guān)聯(lián)規(guī)則挖掘得到相同種類圖書之間和不同種類圖書之間的關(guān)聯(lián)關(guān)系，根據(jù)分析結(jié)果可以在客戶下訂單時(shí)，為客戶推薦相關(guān)書籍，從而增加銷售額。該文介紹網(wǎng)上書店訂單數(shù)據(jù)關(guān)聯(lián)分析的過程和結(jié)果。

關(guān)鍵詞：數(shù)據(jù)挖掘；關(guān)聯(lián)規(guī)則；網(wǎng)上書店；商品推薦

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2014）36-8597-02

網(wǎng)上書店以其圖書數(shù)量大、品種多、檢索方便、價(jià)格相對(duì)便宜、突破了時(shí)間和空間的限制等優(yōu)勢(shì)吸引了讀者，圖書購(gòu)買的需求已是網(wǎng)上書店讀者的首要需求。為了能夠充分滿足以及了解使用者的需求，開發(fā)一套網(wǎng)上書店管理信息系統(tǒng)是必要的。從商務(wù)網(wǎng)站系統(tǒng)中得到的大量數(shù)據(jù)用數(shù)據(jù)庫(kù)保存起來，在競(jìng)爭(zhēng)日益激烈的知識(shí)經(jīng)濟(jì)環(huán)境下，數(shù)據(jù)庫(kù)不再只是用于查詢、輸出報(bào)表等一般的用途，還要在眾多的數(shù)據(jù)中挖掘出有用的知識(shí)以便作為決策支持。

1 數(shù)據(jù)挖掘在網(wǎng)上書店的應(yīng)用

數(shù)據(jù)挖掘（Data Mining）就是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實(shí)際應(yīng)用數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識(shí)的過程。它綜合利用了統(tǒng)計(jì)學(xué)、模式識(shí)別、人工智能、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等學(xué)科的知識(shí)，從大量信息中提取有用的模式和規(guī)律，以輔助決策。

考察書店中涉及許多交易的事務(wù)：事務(wù) 1 中出現(xiàn)了書甲，事務(wù) 2 中出現(xiàn)了書乙，事務(wù) 3 中則同時(shí)出現(xiàn)了書甲和書乙。那么，書甲和書乙在事務(wù)中的出現(xiàn)相互之間是否有規(guī)律可循呢？在網(wǎng)上書店的前端訂單系統(tǒng)收集存儲(chǔ)了大量的購(gòu)書數(shù)據(jù)，這些數(shù)據(jù)是一條條的購(gòu)買事務(wù)記錄，每條記錄存儲(chǔ)了事務(wù)處理時(shí)間，顧客購(gòu)買的書籍、物品的數(shù)量及金額等。這些數(shù)據(jù)中常常隱含形式如下的關(guān)聯(lián)規(guī)則：在購(gòu)買 JSP 書的顧客當(dāng)中，有 70%的人同時(shí)購(gòu)買了 Java 圖書。這些關(guān)聯(lián)規(guī)則很有價(jià)值，書店管理人員可以根據(jù)這些關(guān)聯(lián)規(guī)則更好地規(guī)劃書店，如把 Java 和 JSP 圖書其中一種促銷，能夠促進(jìn)另一種通圖書的銷售。

2 數(shù)據(jù)庫(kù)準(zhǔn)備

根據(jù)上面的數(shù)據(jù)庫(kù)需求分析及系統(tǒng)功能模塊的劃分，網(wǎng)上書店系統(tǒng)數(shù)據(jù)庫(kù)主要包括如下幾張表，其中用戶表和訂單表部分字段設(shè)置如表1、表2所示。

· _user（用戶）表 （表1），用來存儲(chǔ)用戶信息。

表1 _user表

[字段名＼&數(shù)據(jù)類型＼&備注＼&userid＼&Int not null＼&用戶ID，自動(dòng)增加＼&username＼&Nvarchar（50） not null＼&用戶名，主鍵＼&useremail＼&Nvarchar（50） not null＼&用戶email＼&password＼&Nvarchar（50） not null＼&用戶密碼＼&]

· myorder（我的訂單）表 （表2），用來存儲(chǔ)用戶購(gòu)買圖書的信息。

表2 myorder表

[字段名＼&數(shù)據(jù)類型＼&備注＼&Myorder_id＼&int not null＼&訂單ID，自動(dòng)增加，主鍵＼&username＼&Nvarchar（50）＼&訂單的用戶名＼&name＼&Nvarchar（255）＼&購(gòu)買的商品名稱＼&]

3 數(shù)據(jù)分析

網(wǎng)上書店訂單數(shù)據(jù)的關(guān)聯(lián)規(guī)則頻繁項(xiàng)集挖掘可采用 Apriori 算法實(shí)現(xiàn)。假設(shè)當(dāng)日銷售的數(shù)據(jù)庫(kù)中的一段事務(wù)數(shù)據(jù)，數(shù)據(jù)庫(kù)中有 10 個(gè)事務(wù)，即|D|=10。Apriori 假定事務(wù)中的項(xiàng)按字典次序存放，Ik代表具體的書目或者一類圖書，比如I1-Java 類圖書，I2-JSP 圖書，I3-數(shù)據(jù)挖掘圖書，I4-C 語言圖書，I5-網(wǎng)頁制作圖書等等。

打開Microsoft SQL Server 2005中的Business Intelligence Development Studio， 在解決方案資源管理器中為數(shù)據(jù)庫(kù)ZT新建數(shù)據(jù)源、為view_myorder， view_user新建數(shù)據(jù)源視圖，新建挖掘結(jié)構(gòu)。

在解決資源管理器中基于ZT數(shù)據(jù)源和數(shù)據(jù)源視圖新建名為User.dmm的關(guān)聯(lián)規(guī)則挖掘結(jié)構(gòu)。選取“_user”為事例表，“myorder”為嵌套表，將事例表_user的username字段選取為鍵列，將嵌套表myorder的name字段選取為鍵列、輸入列和可預(yù)測(cè)列，勾選“運(yùn)行鉆取”，最后點(diǎn)擊“完成”按鈕。

先看看顧客的購(gòu)買記錄，如表3所示。

表3 顧客的購(gòu)買記錄表

[用戶名＼&購(gòu)買的圖書＼&C1＼&數(shù)據(jù)庫(kù)，數(shù)據(jù)結(jié)構(gòu)，離散數(shù)學(xué)，計(jì)算機(jī)網(wǎng)絡(luò)，C語言程序設(shè)計(jì)案例教程，計(jì)算機(jī)組成原理＼&C2＼&操作系統(tǒng)，離散數(shù)學(xué)，C語言程序設(shè)計(jì)案例教程，計(jì)算機(jī)組成原理＼&C3＼&數(shù)據(jù)結(jié)構(gòu)，數(shù)據(jù)庫(kù)，計(jì)算機(jī)網(wǎng)絡(luò)，C語言程序設(shè)計(jì)案例教程＼&C4＼&離散數(shù)學(xué)，C語言程序設(shè)計(jì)案例教程＼&]

點(diǎn)擊“挖掘模型查看器”，可以在“項(xiàng)集”這個(gè)選項(xiàng)中，設(shè)置“最低支持”和“最小項(xiàng)集大小”。

點(diǎn)擊“挖掘模型預(yù)測(cè)”，可以對(duì)顧客的購(gòu)買記錄進(jìn)行關(guān)聯(lián)、序列分析。

1） 查看哪些商品會(huì)一起購(gòu)買（針對(duì)關(guān)聯(lián)模型創(chuàng)建預(yù)測(cè)查詢）

首先在挖掘模型對(duì)話框中點(diǎn)擊“選擇模型”，選擇ZT下的User，點(diǎn)擊“確定”按鈕，在下面網(wǎng)格中“源”處，選擇“預(yù)測(cè)函數(shù)”，在“字段”處選擇“PredictAssociation”，將挖掘模型中的myorder托放到條件/參數(shù)中，并在后添加，3，點(diǎn)擊“結(jié)果”。

2） 給定一種商品或兩種商品，查看和它一起購(gòu)買的商品以及一起購(gòu)買此商品的概率（向單獨(dú)預(yù)測(cè)查詢添加輸入和概率）

單擊“單獨(dú)查詢按鈕”，在單獨(dú)查詢輸入中添加“C語言”，挖掘模型也選擇ZT下的User，在下面網(wǎng)格中“源”處，選擇“預(yù)測(cè)函數(shù)”，在“字段”處選擇“PredictAssociation”，將挖掘模型中的myorder托放到條件/參數(shù)中，并在后添加include_statistics6，點(diǎn)擊“結(jié)果”。

4 結(jié)束語

本文以網(wǎng)上書店為平臺(tái)，介紹顧客購(gòu)書訂單模塊的數(shù)據(jù)庫(kù)的設(shè)計(jì)，并用SQL Server 2005的Business intelligence development studio對(duì)商務(wù)網(wǎng)站交易數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，發(fā)現(xiàn)被顧客購(gòu)買的商品之間的關(guān)聯(lián)，為商品導(dǎo)購(gòu)提供數(shù)據(jù)支持。

參考文獻(xiàn)：

[1] 馬剛.關(guān)聯(lián)規(guī)則挖掘在電子商務(wù)中的研究與應(yīng)用[D].上海：上海交通大學(xué)，2008：40-44.

[2] 魏建香，馮春輝.SQL Server 數(shù)據(jù)庫(kù)應(yīng)用技術(shù)[M].北京：中國(guó)計(jì)劃出版社，2007：8-9.

[3] 謝邦昌.商務(wù)智能與數(shù)據(jù)挖掘 Microsoft SQL Server應(yīng)用[M].北京：機(jī)械工業(yè)出版社，2008：35-40.

[4] 左鳳朝.基于 Web 的數(shù)據(jù)庫(kù)訪問技術(shù)探析[J].計(jì)算機(jī)工程與應(yīng)用，2005，52（15）.

[5] John H.Heinrichs，Jeen-Su Lim.Integrating Web-based Data Mining Tools with Business Models for Knowledge Management[J].Decision Support Systems，2003，35.endprint

摘要：數(shù)據(jù)挖掘技術(shù)在網(wǎng)上書店系統(tǒng)中起著重要作用，使用數(shù)據(jù)挖掘技術(shù)分析訂單數(shù)據(jù)，通過關(guān)聯(lián)規(guī)則挖掘得到相同種類圖書之間和不同種類圖書之間的關(guān)聯(lián)關(guān)系，根據(jù)分析結(jié)果可以在客戶下訂單時(shí)，為客戶推薦相關(guān)書籍，從而增加銷售額。該文介紹網(wǎng)上書店訂單數(shù)據(jù)關(guān)聯(lián)分析的過程和結(jié)果。

關(guān)鍵詞：數(shù)據(jù)挖掘；關(guān)聯(lián)規(guī)則；網(wǎng)上書店；商品推薦

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2014）36-8597-02

網(wǎng)上書店以其圖書數(shù)量大、品種多、檢索方便、價(jià)格相對(duì)便宜、突破了時(shí)間和空間的限制等優(yōu)勢(shì)吸引了讀者，圖書購(gòu)買的需求已是網(wǎng)上書店讀者的首要需求。為了能夠充分滿足以及了解使用者的需求，開發(fā)一套網(wǎng)上書店管理信息系統(tǒng)是必要的。從商務(wù)網(wǎng)站系統(tǒng)中得到的大量數(shù)據(jù)用數(shù)據(jù)庫(kù)保存起來，在競(jìng)爭(zhēng)日益激烈的知識(shí)經(jīng)濟(jì)環(huán)境下，數(shù)據(jù)庫(kù)不再只是用于查詢、輸出報(bào)表等一般的用途，還要在眾多的數(shù)據(jù)中挖掘出有用的知識(shí)以便作為決策支持。

1 數(shù)據(jù)挖掘在網(wǎng)上書店的應(yīng)用

數(shù)據(jù)挖掘（Data Mining）就是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實(shí)際應(yīng)用數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識(shí)的過程。它綜合利用了統(tǒng)計(jì)學(xué)、模式識(shí)別、人工智能、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等學(xué)科的知識(shí)，從大量信息中提取有用的模式和規(guī)律，以輔助決策。

考察書店中涉及許多交易的事務(wù)：事務(wù) 1 中出現(xiàn)了書甲，事務(wù) 2 中出現(xiàn)了書乙，事務(wù) 3 中則同時(shí)出現(xiàn)了書甲和書乙。那么，書甲和書乙在事務(wù)中的出現(xiàn)相互之間是否有規(guī)律可循呢？在網(wǎng)上書店的前端訂單系統(tǒng)收集存儲(chǔ)了大量的購(gòu)書數(shù)據(jù)，這些數(shù)據(jù)是一條條的購(gòu)買事務(wù)記錄，每條記錄存儲(chǔ)了事務(wù)處理時(shí)間，顧客購(gòu)買的書籍、物品的數(shù)量及金額等。這些數(shù)據(jù)中常常隱含形式如下的關(guān)聯(lián)規(guī)則：在購(gòu)買 JSP 書的顧客當(dāng)中，有 70%的人同時(shí)購(gòu)買了 Java 圖書。這些關(guān)聯(lián)規(guī)則很有價(jià)值，書店管理人員可以根據(jù)這些關(guān)聯(lián)規(guī)則更好地規(guī)劃書店，如把 Java 和 JSP 圖書其中一種促銷，能夠促進(jìn)另一種通圖書的銷售。

2 數(shù)據(jù)庫(kù)準(zhǔn)備

根據(jù)上面的數(shù)據(jù)庫(kù)需求分析及系統(tǒng)功能模塊的劃分，網(wǎng)上書店系統(tǒng)數(shù)據(jù)庫(kù)主要包括如下幾張表，其中用戶表和訂單表部分字段設(shè)置如表1、表2所示。

· _user（用戶）表 （表1），用來存儲(chǔ)用戶信息。

表1 _user表

[字段名＼&數(shù)據(jù)類型＼&備注＼&userid＼&Int not null＼&用戶ID，自動(dòng)增加＼&username＼&Nvarchar（50） not null＼&用戶名，主鍵＼&useremail＼&Nvarchar（50） not null＼&用戶email＼&password＼&Nvarchar（50） not null＼&用戶密碼＼&]

· myorder（我的訂單）表 （表2），用來存儲(chǔ)用戶購(gòu)買圖書的信息。

表2 myorder表

[字段名＼&數(shù)據(jù)類型＼&備注＼&Myorder_id＼&int not null＼&訂單ID，自動(dòng)增加，主鍵＼&username＼&Nvarchar（50）＼&訂單的用戶名＼&name＼&Nvarchar（255）＼&購(gòu)買的商品名稱＼&]

3 數(shù)據(jù)分析

網(wǎng)上書店訂單數(shù)據(jù)的關(guān)聯(lián)規(guī)則頻繁項(xiàng)集挖掘可采用 Apriori 算法實(shí)現(xiàn)。假設(shè)當(dāng)日銷售的數(shù)據(jù)庫(kù)中的一段事務(wù)數(shù)據(jù)，數(shù)據(jù)庫(kù)中有 10 個(gè)事務(wù)，即|D|=10。Apriori 假定事務(wù)中的項(xiàng)按字典次序存放，Ik代表具體的書目或者一類圖書，比如I1-Java 類圖書，I2-JSP 圖書，I3-數(shù)據(jù)挖掘圖書，I4-C 語言圖書，I5-網(wǎng)頁制作圖書等等。

打開Microsoft SQL Server 2005中的Business Intelligence Development Studio， 在解決方案資源管理器中為數(shù)據(jù)庫(kù)ZT新建數(shù)據(jù)源、為view_myorder， view_user新建數(shù)據(jù)源視圖，新建挖掘結(jié)構(gòu)。

在解決資源管理器中基于ZT數(shù)據(jù)源和數(shù)據(jù)源視圖新建名為User.dmm的關(guān)聯(lián)規(guī)則挖掘結(jié)構(gòu)。選取“_user”為事例表，“myorder”為嵌套表，將事例表_user的username字段選取為鍵列，將嵌套表myorder的name字段選取為鍵列、輸入列和可預(yù)測(cè)列，勾選“運(yùn)行鉆取”，最后點(diǎn)擊“完成”按鈕。

先看看顧客的購(gòu)買記錄，如表3所示。

表3 顧客的購(gòu)買記錄表

[用戶名＼&購(gòu)買的圖書＼&C1＼&數(shù)據(jù)庫(kù)，數(shù)據(jù)結(jié)構(gòu)，離散數(shù)學(xué)，計(jì)算機(jī)網(wǎng)絡(luò)，C語言程序設(shè)計(jì)案例教程，計(jì)算機(jī)組成原理＼&C2＼&操作系統(tǒng)，離散數(shù)學(xué)，C語言程序設(shè)計(jì)案例教程，計(jì)算機(jī)組成原理＼&C3＼&數(shù)據(jù)結(jié)構(gòu)，數(shù)據(jù)庫(kù)，計(jì)算機(jī)網(wǎng)絡(luò)，C語言程序設(shè)計(jì)案例教程＼&C4＼&離散數(shù)學(xué)，C語言程序設(shè)計(jì)案例教程＼&]

點(diǎn)擊“挖掘模型查看器”，可以在“項(xiàng)集”這個(gè)選項(xiàng)中，設(shè)置“最低支持”和“最小項(xiàng)集大小”。

點(diǎn)擊“挖掘模型預(yù)測(cè)”，可以對(duì)顧客的購(gòu)買記錄進(jìn)行關(guān)聯(lián)、序列分析。

1） 查看哪些商品會(huì)一起購(gòu)買（針對(duì)關(guān)聯(lián)模型創(chuàng)建預(yù)測(cè)查詢）

首先在挖掘模型對(duì)話框中點(diǎn)擊“選擇模型”，選擇ZT下的User，點(diǎn)擊“確定”按鈕，在下面網(wǎng)格中“源”處，選擇“預(yù)測(cè)函數(shù)”，在“字段”處選擇“PredictAssociation”，將挖掘模型中的myorder托放到條件/參數(shù)中，并在后添加，3，點(diǎn)擊“結(jié)果”。

2） 給定一種商品或兩種商品，查看和它一起購(gòu)買的商品以及一起購(gòu)買此商品的概率（向單獨(dú)預(yù)測(cè)查詢添加輸入和概率）

單擊“單獨(dú)查詢按鈕”，在單獨(dú)查詢輸入中添加“C語言”，挖掘模型也選擇ZT下的User，在下面網(wǎng)格中“源”處，選擇“預(yù)測(cè)函數(shù)”，在“字段”處選擇“PredictAssociation”，將挖掘模型中的myorder托放到條件/參數(shù)中，并在后添加include_statistics6，點(diǎn)擊“結(jié)果”。

4 結(jié)束語

本文以網(wǎng)上書店為平臺(tái)，介紹顧客購(gòu)書訂單模塊的數(shù)據(jù)庫(kù)的設(shè)計(jì)，并用SQL Server 2005的Business intelligence development studio對(duì)商務(wù)網(wǎng)站交易數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，發(fā)現(xiàn)被顧客購(gòu)買的商品之間的關(guān)聯(lián)，為商品導(dǎo)購(gòu)提供數(shù)據(jù)支持。

參考文獻(xiàn)：

[1] 馬剛.關(guān)聯(lián)規(guī)則挖掘在電子商務(wù)中的研究與應(yīng)用[D].上海：上海交通大學(xué)，2008：40-44.

[2] 魏建香，馮春輝.SQL Server 數(shù)據(jù)庫(kù)應(yīng)用技術(shù)[M].北京：中國(guó)計(jì)劃出版社，2007：8-9.

[3] 謝邦昌.商務(wù)智能與數(shù)據(jù)挖掘 Microsoft SQL Server應(yīng)用[M].北京：機(jī)械工業(yè)出版社，2008：35-40.

[4] 左鳳朝.基于 Web 的數(shù)據(jù)庫(kù)訪問技術(shù)探析[J].計(jì)算機(jī)工程與應(yīng)用，2005，52（15）.

[5] John H.Heinrichs，Jeen-Su Lim.Integrating Web-based Data Mining Tools with Business Models for Knowledge Management[J].Decision Support Systems，2003，35.endprint