基于關聯規則的超市購物個性化推薦研究

摘 要：【目的】優化因消費者需求改變而受到局限的傳統方法。【方法】通過收集沃爾瑪超市兩個時段9 835名顧客的消費數據，使用Apriori算法對數據進行挖掘和分析，得到3種推薦方法，分別為按商品銷售排名推薦最暢銷的前N件商品、根據Apriori算法挖掘出的關聯規則進行商品捆綁銷售、根據定義的強關聯規則推薦系數來推薦商品。【結果】在運行程序后，發現后兩種推薦方式挖掘出的關聯規則商品不完全相同，且對相同關聯規則商品的推薦度不同?！窘Y論】推薦策略的實施將提高超市商品的銷售量，有助于滿足顧客的個性化需求。

關鍵詞：關聯規則；Apriori算法；推薦系數；個性化推薦

中圖分類號：TP18" " "文獻標志碼：A" " 文章編號：1003-5168（2023）13-0032-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2023.13.006

Research on Personalized Recommendation of Supermarket

Shopping Based on Association Rules

WAN Zhenqi YANG Jiaxian LI Xueting LIU Yeqing

（School of Mathematics and Statistics， Henan University of Science and Technology， Luoyang 471000，China）

Abstract：[Purposes] The aim of this paper is to optimize traditional methods that are limited by changes in consumer demand. [Methods] By collecting the consumption data of 9 835 customers in Wal-Mart supermarket in two periods， Apriori algorithm was used to mine and analyze the data， and three recommendation methods were obtained， which were recommending the best-selling top N items according to the sales ranking of goods， bundling goods according to the association rules mined by Apriori algorithm， and recommending goods according to the defined strong association rule recommendation coefficient.[Findings] After running the program， it is found that the association rule products mined by the latter two recommendation methods are not exactly the same， and the recommendation degree of the same association rule products is different. [Conclusions] The implementation of the recommendation strategy will increase the sales of supermarket goods and help to meet the personalized needs of customers.

Keywords： association rules; Apriori algorithm; recommendation coefficient; personalized recommendation

0 引言

近年來，隨著人們的生活水平的不斷提高，對商品的消費偏好也逐漸發生變化，然而超市的售賣方案缺乏針對性。為提高超市銷量，有必要對超市的個性化營銷策略不斷創新［1］。超市營銷策略的重點是掌握消費者購買行為的變化規律，從而適應消費者的個性化需求。本研究通過關聯分析算法來處理沃爾瑪超市的銷售數據，找出其中隱藏的關聯規則，從而對超市的售賣方案進行改進，為顧客提供更方便、快捷的個性化推薦服務。

1 研究背景

關聯規則是數據挖掘的一個重要應用，是Agrawal等［2］于1993年首次提出的，用于挖掘顧客交易數據中項集之間的關聯規則。Agrawal等［3］又于1994年提出基于關聯規則的Apriori算法。隨著眾多研究者對關聯規則挖掘問題的研究，更高效率的算法也被相繼提出，如FP-Growth算法等。與國外相比，中國對數據挖掘算法的研究起步較晚，馮玉才等［4］于1998年提出關聯規則的增量式更新算法；黃傳明［5］以DHP算法為基礎，提出一種基于散列函數和冗雜事務壓縮的TFDHP算法；陸建江等［6］考慮數據間存在模糊關系，為拓寬關聯規則的使用范圍，從而提出一種基于模糊的關聯規則并行算法。隨著新算法的提出及應用，基于關聯規則的個性化推薦也越來越完善。

2 推薦系數

2.1 理論基礎

在超市銷售數據中，顧客購買一件商品為一項，包含零個或多個項的集合為項集。假設A是由商品構成的集合，如果項集A中包含k件商品，則稱其為k項集［7］。其中，項集支持度是指數據集中包含該項集的數據所占比例；頻繁項集是指支持度大于或等于最小支持度閾值的項集；關聯規則是形如X→Y的蘊涵式，X和Y分別為關聯規則的前項和后項 。關聯規則常用支持度和置信度進行衡量。

關聯規則的支持度是指同時包含M和H事務占所有事務的比例［8］，見式（1）。

support（M→H）=P（M?H） （1）

關聯規則的置信度是指包含M事務（商品）中同時包含H事務（商品）的比例，即同時包含M和H的事務（商品）占包含M事務的比例［9］，見式（2）。

Confidence（M→H）=P（M|H） （2）

從概率角度來看，支持度能反映出一組商品被選擇的概率，置信度可用于判斷用戶最有可能選擇哪些商品組合，即顧客在選擇M商品的條件下也選擇H商品的概率。

強關聯規則。如果定義了一個關聯規則的最小支持度和最小置信度，當某一規則的兩個指標都大于或等于最低要求時，則形成強關聯規則［8］。

2.2 推薦系數定義

雖然關聯規則算法在一定程度上能建立個性化推薦模型，但其也存在著缺陷。若推薦模式是一種靜態方式，在進行一次關聯規則挖掘后，便會永久使用［9］。這種靜態推薦模式并不適合如今大型超市的發展，其在短時間內推出的商品購買效果可能會很好，但隨著消費者興趣的轉移，這種模式得到的推薦結果就會與實際情況產生偏差。因此，本研究通過引入動態推薦系數來對挖掘出的關聯結果進行推薦。

將兩批次的消費者購買數據記為[FriD]、[SecD]，關聯規則置信度記為[FConfidence]、[SConfidence]，兩批數據挖掘出的關聯規則分別記為[FRuleSet]、[SRuleSet]。找出在兩個商品數據集中都出現的關聯規則，并比較其置信度。由于置信度自身存在局限，可能會錯估某個關聯規則的重要性。為解決這個問題，同時實現動態推薦，該規則的推薦系數r表達見式（3）。

r=SConfidence／FConfidence （3）

式中：r為一個由置信度之比得到的動態系數，其反映所有因素（包括季節和氣候等的改變、售賣價格和消費觀念等）變化對消費者購買行為的影響。由這些因素引起的顧客消費行為變化被統稱為顧客對商品的興趣度發生變化。

當r是關聯規則所蘊含商品組合的推薦系數時，r的取值范圍為rgt;0。當0lt;rlt;1時，說明顧客近期對該商品組合的興趣度有所下降；當r=1時，說明顧客對該商品組合的興趣度與之前相同；當rgt;1時，說明顧客近期對該商品組合的興趣度有所提升。

根據每個地方超市營業情況的不同，選擇合適的時間間隔，設定從現在開始，在一個時間段內，超市商品銷售情況有一定變化，統計當下超市的銷售數據，觀察各個商品的銷量較一開始有哪些變化，并分析商品之間的關系是否也隨之改變。以此類推，每經過相同時間間隔就分析超市在這個時間段內銷售的變化情況，從而總結出關于推薦系數r的變化規律。

3 推薦方式對比分析

試驗數據為沃爾瑪超市兩個時段9 835名顧客的購物籃數據，共有43 367個觀測值。使用spyder軟件對原始數據進行數據探索性分析和預處理，通過Apriori算法對數據進行挖掘和分析，得到數據的關聯結果。根據實際情況選取支持度計數最小閾值為40、置信度最小閾值為0.5。在推薦方式上，本研究選用3種推薦方法進行推薦。

第一種方法是基于支持度計數來找出最暢銷的前N種商品，并將其推薦給新顧客，先選取10件最暢銷的商品，得到的結果見表1。

第二種方法是通過挖掘商品的強關聯規則進行推薦，找出在兩個數據集中同時出現的強關聯規則，按照所得到的結果來設置商品組合，并向顧客進行出售，結果見表2。

第三種方法是按照本研究定義的推薦系數大小來設置商品組合并進行推薦。計算出表2中關聯規則的推薦系數，并進行排序，結果見表3。

對最暢銷的商品和根據商品間的強關聯性進行推薦的兩種方式進行比較。當顧客在超市暫未消費時，選擇第一種推薦方式，即向顧客推薦銷量最高的商品。假設顧客S還未購買任何商品，銷售人員先向顧客S推薦全脂牛奶和其他蔬菜等最暢銷的物品；當顧客已購買部分商品時，觀察顧客在超市已購買的商品，將與這些商品相關聯的其他物品推薦給顧客。假設顧客S已購買酸奶和黃油，銷售人員就可向其推薦全脂牛奶。商品間的關聯性很重要，關聯性越大的商品，擺放或推薦時就更要放在一起。通過關聯銷售（捆綁銷售）可提高商品的銷量，在滿足消費者購買需求的同時，節約消費者時間。

通過推薦系數的商品推薦方式是對商品間的強關聯性進一步優化。推薦系數是通過兩個數據集的置信度之比計算得到的。消費者購買興趣的改變會導致商品間的關聯性發生變化，而推薦系數能幫助超市判斷商品間強關聯性的變化情況。超市在掌握不同商品間關聯性的變動情況后，會及時調整售賣方案，對推薦系數變大的商品組合給予更多、更好的活動支持，對推薦系數變小的商品組合不再完全捆綁銷售。超市營銷策略的不斷調整實現了對商品的靈活推薦。

4 結語

本研究基于關聯規則對超市商品提出3種進行個性化推薦的方法，一是對新顧客按照最暢銷的商品排名進行推薦；二是對已經購買部分商品的顧客，按挖掘出的關聯規則，根據商品間的關系進行推薦；三是當消費者購買興趣發生變化時，根據定義的推薦系數進行推薦。推薦系數反映出消費者購買興趣的變化情況，能幫助超市提供更好的個性化推薦。以上3種個性化推薦策略為超市實行個性化營銷提供參考依據，有助于改善超市發展現狀，增強其競爭力。

參考文獻：

［1］肖同林.基于關聯規則的超市營銷策略研究［J］.今日中國論壇，2013（11）：53-54.

［2］ AGRAWAL R.Mining association rules between sets of items in large databases［C］//Acm Sigmod International Conference on Management of Data. ACM，1993：207-216.

［3］AGRAWAL R，SRIKANT R.Fast algorithms for mining association rules［C］// Proceedings of the 20th International Conference on Very Large Data Bases.IEEE，1994：487-499.

［4］馮玉才，馮劍琳.關聯規則的增量式更新算法［J］.軟件學報，1998（4）：62-67.

［5］黃傳明.一種基于散列技術和事務壓縮的關聯規則挖掘算法［J］.計算機工程，2003（22）：117-118.

［6］陸建江，徐寶文，鄒曉峰，等.模糊關聯規則的并行挖掘算法［J］.東南大學學報（自然科學版），2005（2）：165-170.

［7］王旭，劉明剛.關聯規則研究［J］.經濟研究導刊，2010（11）：198-199.

［8］劉俊，劉希玉.基于廣義離散Morse理論的強關聯規則挖掘［J］.計算機工程，2011（16）：45-47.

［9］馬仲兵.基于關聯規則的高校圖書館個性化推薦模型［J］.新世紀圖書館，2013（7）：42-44.