数据挖掘技术及其在超市CRM中的应用

【摘要】：数据挖掘是随着信息技术不断发展而兴起的一门新学科。聚类分析作为数据挖掘领域内最为常见的技术之一，是个非常重要的研究课题。尽管有多种不同的聚类算法，但这些算法还存在一些问题：如算法的效率、初值的选择、最优解的问题等等。因此对聚类算法还需要作进一步的优化、改进研究，以更好的适用于解决工程实际问题。这样不仅有助于算法理论的完善，更有助于算法的推广和应用。本文重点对聚类算法特别是K-means进行了改进，提出了三种重要的改进方法。 本文的主要工作有： 【1】介绍了数据挖掘的定义、基本特征、主要的数据挖掘技术、聚类技术的基本概念以及主要的聚类分析算法；对经典K-means聚类算法进行了较为详细的介绍，分析其主要优缺点，提出了要改进和努力的方向。 【2】使用复合形法对K-means算法进行优化。复合形法是基于最坏点进行迭代的一种有效的随机搜索寻优方法，有着效率高，程序简单，结果稳定的特点。利用Matlab7.0中的数据作为仿真试验数据，结果表明，改进后的算法提高了计算效率和鲁棒性，基本满足工程需要。 【3】根据复合形局部搜索能力强而遗传算法全局搜索能力强的特点，将复合形与遗传算法相结合构成复合形—遗传算法(complex-GA)，其中把复合形法作为一个算子嵌套到遗传算法中，来提高遗传算法的局部搜索能力。利用一组600×4的数据进行聚类，结果表明，complex-GA所得结果的迭代次数，最小目标函数值及平均目标函数值都较为理想。 【4】将遗传算法与复合形法构成组合优化方法，用于K-means优化聚类。首先使用遗传算法进行大范围搜索，在取得较优结果时加入记忆体，用来存储最优解群体，然后利用局部搜索能力较强的复合形算法、以最优解群体作为初始顶点作进一步优化，从而达到最优解或者接近最优解。结果表明该方法的迭代次数及总体所耗时间都大大降低，在提高效率的同时也改善了解的质量。 【5】将以上的研究成果用于某超市CRM系统设计，包括数据表的设计、数据转换以及数据仓库的建立等功能模块的设计。选取顾客年龄，购买总额，购买次数三个属性，分别采用改进后的聚类算法和基本k-means聚类算法对客户类型进行聚类，采用MATLAB7.0图像处理工具将聚类结果进行处理。由结果可以看出，改进后的聚类算法对客户的聚类更加合理，能够较好的反映客观现实，有着重要的参考和实用价值，具有较强的理论和实践意义。