基于關(guān)聯(lián)規(guī)則模型的商品分類問題研究

伏蘭蘭　黃秋萍　盧葉園　廖靜　甘宇健

摘要：關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘的重要方法之一， Apriori是傳統(tǒng)關(guān)聯(lián)規(guī)則中的經(jīng)典算法。提出基于大量商品價格的數(shù)據(jù)集，分別建立單維和二維商品價格關(guān)聯(lián)規(guī)則模型，挖掘單維和二維商品價格的強關(guān)聯(lián)規(guī)則。通過對比分析單維和二維商品價格強關(guān)聯(lián)規(guī)則，以發(fā)現(xiàn)同類或價格關(guān)聯(lián)度高的相關(guān)產(chǎn)品。

關(guān)鍵詞關(guān)鍵詞：關(guān)聯(lián)規(guī)則；商品分類；Apriori算法

DOIDOI：10.11907/rjdk.171888

中圖分類號：TP319

文獻(xiàn)標(biāo)識碼：A文章編號文章編號：16727800（2017）011018303

0引言

1993年Agrawal等[12]提出了第一個關(guān)聯(lián)規(guī)則挖掘算法AIS，但性能較差。隨后于1994年提出了項目集格空間理論，并依據(jù)該理論提出了著名的Apriori算法。1999年P(guān)asquier等[3]研究人員提出了閉合項目集挖掘理論，得出基于此理論的CLOSE算法。2000年HanJiawei等[4]為了提高挖掘效率，減少對原數(shù)據(jù)集的讀取次數(shù)及候選頻繁項目集生成，提出了FP_GROWTH算法。但關(guān)聯(lián)規(guī)則挖掘算法依然存在問題：篩選出的規(guī)則過多，不能得到真正實用的規(guī)則。楊剛[5]以房地產(chǎn)交易價格為研究對象，從房地產(chǎn)交易數(shù)據(jù)中挖掘得到關(guān)聯(lián)規(guī)則，對未來房地產(chǎn)價格進行預(yù)測。劉志勇[6]研究頻繁模式挖掘算法，提出將部分關(guān)聯(lián)規(guī)則挖掘算法與并行計算技術(shù)結(jié)合。孟月昊等[7]提出一種基于規(guī)則前后部約束的關(guān)聯(lián)規(guī)則挖掘算法AR_F&R。該算法根據(jù)用戶需求，構(gòu)造指定關(guān)聯(lián)規(guī)則的前后部項集，得出針對用戶需求的頻繁項集和關(guān)聯(lián)規(guī)則。本文利用計算機爬蟲在網(wǎng)上抓取的商品價格數(shù)據(jù)，以Apriori算法建立單維和二維商品價格關(guān)聯(lián)規(guī)則模型，挖掘出同時滿足最小支持度和最小置信度的強關(guān)聯(lián)規(guī)則，并對比分析單維和二維關(guān)聯(lián)規(guī)則結(jié)果，由此對商品進行分類，利用分類結(jié)果對同類或相關(guān)度高的商品進行價格預(yù)測。

1關(guān)聯(lián)規(guī)則理論

1.1關(guān)聯(lián)規(guī)則挖掘原理

數(shù)據(jù)挖掘是指運用某一種方法分析數(shù)據(jù)，從中得到一些潛在的有用的信息，又稱知識發(fā)現(xiàn)。關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘的重要方法，是從大量數(shù)據(jù)中挖掘出事物之間可能存在的某種關(guān)聯(lián)或聯(lián)系，最著名的案例就是啤酒與尿布的故事。關(guān)聯(lián)規(guī)則可以定義為：假設(shè)給定一個交易數(shù)據(jù)集T，T由n個不同項目P和m個不同交易天數(shù)組成。如果有X→Y，就說X→Y是一條關(guān)聯(lián)規(guī)則。其中XP，YP，X是關(guān)聯(lián)規(guī)則的前件，Y是關(guān)聯(lián)規(guī)則的后件。在關(guān)聯(lián)規(guī)則挖掘過程中，需要先設(shè)置最小支持度和最小置信度，將滿足條件的規(guī)則提取出來形成有價值的信息。挖掘工作分為兩個步驟：①生成頻繁項集：找出滿足最小支持度的頻繁項集；②生成關(guān)聯(lián)規(guī)則：從頻繁項集中生成滿足最小置信度的關(guān)聯(lián)規(guī)則。

1.2關(guān)聯(lián)規(guī)則衡量指標(biāo)

關(guān)聯(lián)規(guī)則分析中的指標(biāo)主要有支持度（Support）和置信度（Confidence）。支持度揭示X和Y同時出現(xiàn)的概率，置信度揭示X出現(xiàn)時，Y是否一定會出現(xiàn)。計算公式分別如式（1）和式（2）所示。

Supp（X→Y）=P（X∩Y）（1）

Conf（X→Y）=P（YX）=P（Y∩X）P（X）（2）

式（1）中P（X∩Y）代表支持度，式（2）中P（Y|X）代表置信度。對比式（1）和式（2），發(fā)現(xiàn)任何一條關(guān)聯(lián)規(guī)則都是Conf（X→Y）≥（Supp（X→Y）。需要注意的是：支持度和置信度只是兩個參考值，并非絕對。一條關(guān)聯(lián)規(guī)則的支持度表示這條規(guī)則的可能性大小，如果一個規(guī)則支持度很小，表明它在交易集合中覆蓋范圍很小，很有可能是偶然發(fā)生的；若置信度很低，則表明很難根據(jù)X推出Y。若一條關(guān)聯(lián)規(guī)則的支持度和置信度都很高，不代表這個規(guī)則之間就一定存在某種關(guān)聯(lián)。

1.3Apriori算法

Apriori算法不僅可用來比較和評價其它算法性能，還可用來挖掘關(guān)聯(lián)規(guī)則。主要思想是：假設(shè)存在某個項目集滿足用戶設(shè)定的支持度，那么該項目集稱為頻繁項目集。反之，稱為非頻繁項目集，它的非空子集也是非頻繁項目集。同理，頻繁項目集的非空子集也是頻繁項目集。Apriori算法通過從低級到高級的方式向項目集進行逐層搜索，找出所有的頻繁項目集。

2商品價格關(guān)聯(lián)規(guī)則模型構(gòu)建

2.1商品價格數(shù)據(jù)預(yù)處理

本文隨機選擇160種不同商品進行關(guān)聯(lián)規(guī)則挖掘，利用Apriori算法分析不同商品價格之間的關(guān)聯(lián)關(guān)系。商品價格數(shù)據(jù)長度為2013年11月20日至2015年11月20日共730天的價格數(shù)據(jù)，要求輸入數(shù)據(jù)的維度相同，但筆者獲取的數(shù)據(jù)存在一定的遺漏問題。為了解決維度不相同問題，需要在預(yù)處理時對數(shù)據(jù)進行補齊，補齊方法為將無價格的時間用上一日時間代替，如缺少2014年12月2日的價格則用2014年12月1日的價格代替。補齊數(shù)據(jù)后還要進一步處理成交易數(shù)據(jù)集。

商品價格間的關(guān)聯(lián)關(guān)系表現(xiàn)為：當(dāng)Y商品跟隨X商品的價格變化時（正向變化或逆向變化），XY商品存在一定關(guān)聯(lián)關(guān)系。因此，模型首先把商品的價格數(shù)據(jù)改成漲跌數(shù)據(jù)，用當(dāng)天商品價格與昨日價格數(shù)據(jù)比較。若當(dāng)日價格高，則為上漲，標(biāo)記為1；不變則標(biāo)記為0；下跌則標(biāo)記為-1。

2.2模型實現(xiàn)

數(shù)據(jù)預(yù)處理后，需要設(shè)置最小支持度和置信度。經(jīng)過數(shù)次調(diào)整后，確定了關(guān)聯(lián)規(guī)則模型支持度和置信度。其中，設(shè)定單維關(guān)聯(lián)規(guī)模的最小支持度為0.05，最小置信度為0.8；二維關(guān)聯(lián)規(guī)則模型的最小支持度為0.15，最小置信度為0.8。計算完成后發(fā)現(xiàn)，商品在大多數(shù)時間價格不變，而人們關(guān)心的是商品價格波動，所以在篩選關(guān)聯(lián)規(guī)則時，將商品價格不變的規(guī)則刪去，再根據(jù)運行結(jié)果對商品進行分類。為獲取更多信息，模型計算時保留價格不變的數(shù)據(jù)，以保持?jǐn)?shù)據(jù)的完整性。在過濾掉多余的規(guī)則（如商品價格不變的規(guī)則）后，便可根據(jù)結(jié)果對商品進行分類，運用分析得出的結(jié)果進行價格預(yù)測。endprint

3商品價格關(guān)聯(lián)規(guī)則分類結(jié)果

3.1商品數(shù)據(jù)的單維關(guān)聯(lián)規(guī)則結(jié)果

設(shè)置最小支持度為0.05，最小置信度為0.8，建立商品價格的單維關(guān)聯(lián)規(guī)則模型，結(jié)果如表1所示。由表1中的商品關(guān)聯(lián)規(guī)則結(jié)果可知，維生素A上升→維生素C上升，維生素A下降→維生素E下降，說明維生素A、維生素C和維生素E三者之間的關(guān)聯(lián)緊密。另外，從醋酸丁酯下降→醋酸乙酯下降、滌綸FDY下降→滌綸POY下降兩條關(guān)聯(lián)規(guī)則可知，醋酸丁酯和醋酸乙酯、滌綸FDY和滌綸POY這兩對商品各自關(guān)聯(lián)緊密。

較為意外的規(guī)則是：丁二烯下降→鍍鋅板下降，鈷業(yè)下降→鍍鋅板下降，兩者的支持度和置信度也頗高。進一步調(diào)查發(fā)現(xiàn)，丁二烯可作為制造鍍鋅板的防腐層涂料，所以不難理解其關(guān)聯(lián)性，但是否就此歸類還需進一步分析。至于鈷業(yè)和鍍鋅板二者存在什么關(guān)系，需要收集更多數(shù)據(jù)加以驗證。

此外，其它關(guān)聯(lián)規(guī)則支持度，如“多晶硅上升→維生素E下降”和“黨參上升→冷軋板下降”兩個關(guān)聯(lián)規(guī)則的支持度相對較小，進一步研究發(fā)現(xiàn)從2013年11月20日到2015年11月20日維生素E和冷軋板的價格基本上一直在下降，這種單邊走勢容易產(chǎn)生偽關(guān)聯(lián)規(guī)則，導(dǎo)致用戶得到錯誤結(jié)論。存在類似問題的規(guī)則還有六氟丙烯下降→維生素E下降和木糖醇下降→維生素E下降，防止類似問題的發(fā)生可通過對更長的價格數(shù)據(jù)進行關(guān)聯(lián)分析。

3.2商品數(shù)據(jù)的二維關(guān)聯(lián)規(guī)則結(jié)果

計算完單維關(guān)聯(lián)規(guī)則后，將最小支持度調(diào)整為0.15，進行二維關(guān)聯(lián)規(guī)則挖掘，以提取出更有價值的規(guī)則。為了避免得到與單維關(guān)聯(lián)規(guī)則前件和后件相同的二維關(guān)聯(lián)規(guī)則，將二維關(guān)聯(lián)規(guī)則中的前件和后件同時存在的規(guī)則刪去。例如：存在規(guī)則{維生素A上升，大豆上升}→{維生素C上升}，因該規(guī)則中的前件“維生素A上升”和后件“維生素C上升”同時出現(xiàn)在表1的規(guī)則中，可刪去。根據(jù)這一篩選原則，提取出滿足最小支持度和最小置信度的二維關(guān)聯(lián)規(guī)則，結(jié)果如表2所示。由表2可知，在進行二維關(guān)聯(lián)規(guī)則挖掘后，發(fā)現(xiàn)多條二維關(guān)聯(lián)規(guī)則中同時包含黃金和白銀或螺紋鋼和熱軋卷或鋁業(yè)、銅業(yè)、鎳業(yè)和鉛業(yè)。因此可認(rèn)為金銀產(chǎn)品、螺紋鋼和熱軋卷及鋁業(yè)、銅業(yè)、鎳業(yè)和鉛業(yè)這3類商品分別有著各自的關(guān)聯(lián)性。

4結(jié)語

本文基于關(guān)聯(lián)規(guī)則Apriori算法，分別建立了單維和二維商品價格關(guān)聯(lián)規(guī)則模型，并對隨機選取的160種商品價格數(shù)據(jù)進行分析。單維模型結(jié)果分析，可將維生素A、維生素C和維生素E，醋酸丁酯和醋酸乙酯，滌綸FDY和滌綸POY分為3類商品；二維模型結(jié)果分析，可將金銀產(chǎn)品、螺紋鋼和熱軋卷及鋁業(yè)、銅業(yè)、鎳業(yè)和鉛業(yè)分為3類商品。通過對比還發(fā)現(xiàn)，二維關(guān)聯(lián)規(guī)則的模型結(jié)果包含了一維關(guān)聯(lián)規(guī)則結(jié)果，說明通過建立多維關(guān)聯(lián)規(guī)則模型，可挖掘出更多符合條件的關(guān)聯(lián)規(guī)則。

在今后的研究工作中，要繼續(xù)優(yōu)化模型，提出更合理的商品價格關(guān)聯(lián)模型，對更多商品進行正確分類。

參考文獻(xiàn)參考文獻(xiàn)：

[1]AGRAWAL， RAKESH. Mining association rules between sets of items in large databases[J].ACM SIGMOD Record，1993，22（2）：207216.

[2]AGRAWAL， RAKESH， SRIKANT，et al. Fast algorithms for ming association rulers[M]. Readings in database systems， Morgan Kaufmann Publishers Inc，1998.

[3]NICOLAS PASQUIER， YVES， YVES BASTIDE， et al. Efficient mining of association rules using closed itemset lattices[J]. Information Systems，1999，24（1）：2546.

[4]HAN JIAWEI， PEI JIAN，YIN YIWEN. Mining frequent patterns without candidate generation[C].Proc of the ACM SIGMOD International Conference on Management of Data. New York，NY：ACM，2000：112.

[5]楊剛.基于數(shù)據(jù)挖掘的房地產(chǎn)價格分析預(yù)測研究[D].南昌：南昌大學(xué)，2014.

[6]劉智勇.關(guān)聯(lián)規(guī)則挖掘的并行化算法研究[D].南京：東南大學(xué)，2016.

[7]孟月昊，王朝霞，郭宇棟.基于規(guī)則前后部約束的關(guān)聯(lián)規(guī)則挖掘算法[J].后勤工程學(xué)院學(xué)報，2017（5）：125128.

責(zé)任編輯（責(zé)任編輯：杜能鋼）endprint