俞濤

摘 要：電商使用個(gè)性化推薦系統(tǒng)分析用戶的興趣偏好，幫助用戶從龐大的商品目錄中挑選真正適合自己需要的商品，為每個(gè)用戶提供個(gè)性化服務(wù)。在很多電商個(gè)性化推薦技術(shù)中，作為當(dāng)今運(yùn)用最廣泛、最成功的推薦策略，從而改善了SVM算法在電商數(shù)據(jù)挖掘方面的性能，并且驗(yàn)證了采用數(shù)據(jù)挖掘算法應(yīng)用到電商研究是可行的，并且具有較高的準(zhǔn)確性。

關(guān)鍵詞：SVM 電商 聚類 數(shù)據(jù)挖掘

中圖分類號： TP311 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2018）12（c）-0035-02

隨著新一代社交網(wǎng)絡(luò)、數(shù)字城市等大規(guī)?；ヂ?lián)網(wǎng)應(yīng)用的迅猛發(fā)展。大數(shù)據(jù)的特點(diǎn)為：（1）彈性服務(wù)。（2）按需服務(wù)。（3）資源池化。（4）服務(wù)可計(jì)費(fèi)。（5）泛在接入。大數(shù)據(jù)主要就是云架構(gòu)計(jì)算技術(shù)，并且云架構(gòu)計(jì)算是分布式計(jì)算、互聯(lián)網(wǎng)技術(shù)以及大規(guī)模資源管理等技術(shù)的發(fā)展與融合，其應(yīng)用和研究涉及資源虛擬化、信息安全、海量數(shù)據(jù)處理等亟待處理的重要問題。

數(shù)據(jù)挖掘于2003年正式開啟開發(fā)和研究工作，美國的七所頂尖院校的研究人員共同提出了“數(shù)據(jù)挖掘VGrADS和網(wǎng)格虛擬化”的項(xiàng)目，之后Amazon、Giftag、Saleforce.com以及IBM都使用數(shù)據(jù)挖掘來提高自己在業(yè)界的競爭力。針對數(shù)據(jù)挖掘算法以及在解決電商研究領(lǐng)域中解決復(fù)雜問題的優(yōu)勢及不足，本文提出一種基于支持向量機(jī)SVM算法的電商聚類算法，并將基于隨機(jī)森林模型下的基尼指標(biāo)特征加權(quán)的支持向量機(jī)方法應(yīng)用于電商分析中。從而改善了SVM算法在分類識別方面性能，并且驗(yàn)證了采用數(shù)據(jù)挖掘算法應(yīng)用到電商研究是可行的，并且具有較高的準(zhǔn)確性。

1 利用數(shù)據(jù)挖掘技術(shù)進(jìn)行電商研究的流程

隨著新一代社交網(wǎng)絡(luò)、數(shù)字城市等大規(guī)?；ヂ?lián)網(wǎng)應(yīng)用的迅猛發(fā)展。大數(shù)據(jù)的特點(diǎn)為：彈性服務(wù)。大數(shù)據(jù)主要就是云架構(gòu)計(jì)算技術(shù)，并且云架構(gòu)計(jì)算是分布式計(jì)算、互聯(lián)網(wǎng)技術(shù)以及大規(guī)模資源管理等技術(shù)的發(fā)展與融合，其應(yīng)用和研究涉及資源虛擬化、信息安全、海量數(shù)據(jù)處理等亟待處理的重要問題。數(shù)據(jù)挖掘的過程主要包括以下幾個(gè)方面：

（1）根據(jù)已知的條件，確定數(shù)據(jù)挖掘目的。

（2）需要挖掘數(shù)據(jù)的準(zhǔn)備，即對數(shù)據(jù)的清洗、數(shù)據(jù)的篩選等步驟。

（3）根據(jù)選定的算法對已有的數(shù)據(jù)進(jìn)行挖掘。

（4）依據(jù)上述挖掘的結(jié)果，對數(shù)據(jù)挖掘的模式評估與知識進(jìn)行表示。

2 支持向量機(jī)SVM算法

2.1 支持向量機(jī)SVM算法

支持向量機(jī)SVM算法將我們待解決的問題通過一個(gè)二次規(guī)劃來進(jìn)行解決。例如，通過假設(shè)樣本集上存在超平面能夠?qū)⒁延械臉颖緞澐譃閮纱箢?，其中?xùn)練集為，那么有一個(gè)超平面能使兩類樣本到其距離的和能達(dá)到最大值，那么該平面為超平面，并且超平面的計(jì)算公式為：

（1）

（2）

其中，是松弛變量，是一個(gè)閾值，是懲罰參數(shù)。

我們將上述計(jì)算最佳平面的問題通過Lagrange算子轉(zhuǎn)化為二次規(guī)劃的對偶問題，其計(jì)算公式為：

（3）

（4）

其中，是Lagrange乘子，解決此對偶問題得到的決策函數(shù)為：

（5）

雖然支持向量機(jī)SVM的理論目前的應(yīng)用領(lǐng)域很廣泛，但是它在我們實(shí)際的應(yīng)用過程中還會(huì)遇到一些如核函數(shù)的選擇、歸納、優(yōu)化及內(nèi)積參數(shù)尋優(yōu)等問題。

2.2 改進(jìn)的支持向量機(jī)SVM

特征加權(quán)支持向量機(jī)由核函數(shù)經(jīng)特征加權(quán)構(gòu)造的支持向量機(jī)。并且特征加權(quán)核函數(shù)定義為：

（6）

改進(jìn)支持向量機(jī)SVM算法的詳細(xì)步驟如下：

Step1.確定樣本集S，即為：

其中為特征變量，為類別量。

Step2.所得指標(biāo)參數(shù)對其相應(yīng)的特征屬性加權(quán)，構(gòu)造加權(quán)的特征向量：來優(yōu)化核函數(shù)中的原始特征內(nèi)積。

Step3.構(gòu)造待輸入空間的線性變換矩陣，以建立特征加權(quán)的核函數(shù)。

Step4.應(yīng)用所構(gòu)造的特征加權(quán)的核函數(shù)在程序設(shè)計(jì)中替換傳統(tǒng)的支持向量機(jī)SVM模型中的線性核函數(shù)，并且輸出核心的SVM構(gòu)造分類器，與此同時(shí)，對構(gòu)造的改進(jìn)的支持向量機(jī)SVM算法進(jìn)行性能測試。

3 基于SVM算法的電商協(xié)同過濾推薦

本文將SVM，F(xiàn)WSVM，改進(jìn)的支持向量機(jī)SVM3種算法在數(shù)據(jù)庫中的多個(gè)電商研究電商分析數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，將數(shù)據(jù)集分別應(yīng)用前面所提到的SVM，F(xiàn)WSVM，改進(jìn)的支持向量機(jī)SVM三種算法在MATLAB 2014a環(huán)境中進(jìn)行仿真實(shí)驗(yàn)，其統(tǒng)計(jì)結(jié)果如圖1所示。

UCI電商研究電商分析數(shù)據(jù)集對比實(shí)驗(yàn)結(jié)果的分析如圖1所示，在這5個(gè)分析數(shù)據(jù)上，可以看出本文所提出的改進(jìn)的支持向量機(jī)SVM算法平均的識別性能相對最高，而經(jīng)典的SVM算法的識別性能最差，但總體而言，本文所提出的改進(jìn)的支持向量機(jī)SVM算法在電商研究中識別的正確率最高，效果最為明顯。

4 結(jié)語

通過分析數(shù)據(jù)挖掘算法以及在解決電商研究領(lǐng)域中復(fù)雜問題的優(yōu)勢及不足，提出一種基于支持向量機(jī)SVM算法的電商聚類算法，并將基于隨機(jī)森林模型下的基尼指標(biāo)特征加權(quán)的支持向量機(jī)方法應(yīng)用于電商分析中。從而改善了SVM算法在分類識別方面性能，而且驗(yàn)證了采用數(shù)據(jù)挖掘算法應(yīng)用到電商研究的可行性以及準(zhǔn)確性，實(shí)驗(yàn)結(jié)果表明，本文所提出的改進(jìn)的支持向量機(jī)SVM算法在電商研究中識別的正確率最高，效果最為明顯。

參考文獻(xiàn)

[1] Valentine K， Kopcha TJ. The embodiment of cases as alternative perspective in a mathematics hypermedia learning environment[J].Educational Technology Research & Development，2016，64（6）：1-24.

[2] 黃晟.基于變電站為中心的配電網(wǎng)電壓態(tài)勢圖片圖形特征的態(tài)勢評估模型及算法[D].杭州電子科技大學(xué)， 2017.