电子商务前沿讲座

《电子商务前沿讲座》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、电子商务前沿讲座数据挖掘在电子商务中的应用姓名王颖学号2008012854班级08级（1）班完成时间2012.12.6第16页共16页数据挖掘在电子商务中的应用摘要：随着Internet的普及，电子商务的兴起，正在改变着人们的商务理念，经销商和客户之间通过互联网进行交易，节省了大量的费用和时间。如何更快更好的利用这一现代交易手段，缩短经销商和客户之间的距离，这是目前电子商务亚待解决的问题我们知道，如果能跟踪客户在Web上的浏览行为并进行模式分析，就能很好地解决这一问题。这正是目前数据挖掘研究的领域。在在线市场访问的每一个客户，都会在它的服务器上

2、留下日志文件通过对这些日志文件进行挖掘，如客户的访问行为频度、内容、时间等，提取客户相关的知识，展开有针对性的电子商务行为。关键字：电子商务；数据挖掘；信息处理一，数据挖掘概述（一）数据挖掘定义（二）数据挖掘常用技术1.人工神经网络2.决策树3.遗传算法4近邻算法5规则推导（三）数据挖掘研究内容和本质（四）数据挖掘过程二，电子商务概述（一）电子商务定义（二）电子商务分类（三）电子商务特点三，面向电子商务的数据挖掘（一）面向电子商务中的数据挖掘的数据源（二）电子商务中数据挖掘过程（三）电子商务中数据挖掘的技术支持四，数据挖掘案例分析第16页共16

3、页一，数据挖掘概述（一）数据挖掘定义数据挖掘--从大量数据中寻找其规律的技术，是统计学、数据库技术和人工智能技术的综合（二）数据挖掘常用技术1.人工神经网络神经网络近来越来越受到人们的关注，因为它为解决大复杂度问题提供了一种相对来说比较有效的简单方法。神经网络可以很容易的解决具有上百个参数的问题（当然实际生物体中存在的神经网络要比我们这里所说的程序模拟的神经网络要复杂的多）。神经网络常用于两类问题：分类和回归。在结构上，可以把一个神经网络划分为输入层、输出层和隐含层（见图4）。输入层的每个节点对应一个个的预测变量。输出层的节点对应目标变量，可有

4、多个。在输入层和输出层之间是隐含层（对神经网络使用者来说不可见），隐含层的层数和每层节点的个数决定了神经网络的复杂度　　除了输入层的节点，神经网络的每个节点都与很多它前面的节点（称为此节点的输入节点）连接在一起，每个连接对应一个权重Wxy，此节点的值就是通过它所有输入节点的值与对应连接权重乘积的和作为一个函数的输入而得到，我们把这个函数称为活动函数或挤压函数。如图5中节点4输出到节点6的值可通过如下计算得到：　　W14*节点1的值+W24*节点2的值　　神经网络的每个节点都可表示成预测变量（节点1，2）的值或值的组合（节点3-6）。注意节点6的

5、值已经不再是节点1、2的线性组合，因为数据在隐含层中传递时使用了活动函数。实际上如果没有活动函数的话，神经元网络就等价于一个线性回归函数，如果此活动函数是某种特定的非线性函数，那神经网络又等价于逻辑回归。调整节点间连接的权重就是在建立（也称训练）神经网络时要做的工作。最早的也是最基本的权重调整方法是错误回馈法，现在较新的有变化坡度法、类牛顿法、Levenberg-Marquardt法、和遗传算法等。无论采用那种训练方法，都需要有一些参数来控制训练的过程，如防止训练过度和控制训练的速度。第16页共16页　　决定神经网络拓扑结构（或体系结构）的是隐

6、含层及其所含节点的个数，以及节点之间的连接方式。要从头开始设计一个神经网络，必须要决定隐含层和节点的数目，活动函数的形式，以及对权重做那些限制等，当然如果采用成熟软件工具的话，他会帮你决定这些事情。在诸多类型的神经网络中，最常用的是前向传播式神经网络，也就是我们前面图示中所描绘的那种。我们下面详细讨论一下，为讨论方便假定只含有一层隐含节点。　　可以认为错误回馈式训练法是变化坡度法的简化，其过程如下：　　前向传播：数据从输入到输出的过程是一个从前向后的传播过程，后一节点的值通过它前面相连的节点传过来，然后把值按照各个连接权重的大小加权输入活动函数

7、再得到新的值，进一步传播到下一个节点。　　回馈：当节点的输出值与我们预期的值不同，也就是发生错误时，神经网络就要“学习”（从错误中学习）。我们可以把节点间连接的权重看成后一节点对前一节点的“信任”程度（他自己向下一节点的输出更容易受他前面哪个节点输入的影响）。学习的方法是采用惩罚的方法，过程如下：如果一节点输出发生错误，那么他看他的错误是受哪个（些）输入节点的影响而造成的，是不是他最信任的节点（权重最高的节点）陷害了他（使他出错），如果是则要降低对他的信任值（降低权重），惩罚他们，同时升高那些做出正确建议节点的信任值。对那些收到惩罚的节点来说，

8、他也需要用同样的方法来进一步惩罚它前面的节点。就这样把惩罚一步步向前传播直到输入节点为止。　　对训练集中的每一条记录都要重复这个步骤，用前向传播得到输