。其中线段的粗细程度由商品被同时购买的频繁所决定,频数越高,连线越粗,反之越细。图像下方线段显示的阈值条,限定了图中显示连线的频数值。我们将阈值条网左侧拉动,可以去除网络图中关系较浅的线;同理,把右侧按钮往左移,可以去除强关联的线,这里我们调整阈值, 可得到图4。图4提高阈值的网络图从图4可见,啤酒、冻肉和罐装蔬菜被划分一个商品组,葡萄酒和甜食在此被划成一个商品组,鱼和蔬菜水果被划成另一个商品组。这几个商品组合容易被顾客同时购买,说明这几个商品组合具有潜在的联系。在进行促销设计或商品推荐时可以参考该潜在联系。添加“Apriori”节点并运算,进一步说明如何向他们推荐其他商品,建模过程如图5所示,关联规则的结果如图6所示。图5关联规则建模过程图图6关联规则结果从图6中,我们看到,共运算出三条规则。以第一行为例,该规则告诉我们, 对已经购买了啤酒和罐装蔬菜的顾客来说,他们很可能继续购买冻肉。原因是在历史的数据中,我们发现同时购买啤酒和罐装蔬菜的顾客有167人,占总数的 17.785%,在这些顾客中,有87.425%的顾客也同时购买了“冻肉”。同时购买了此三种商品的顾客占比为15.548%,采用此规则向客户推荐冻肉比随机推荐该商品会提高效率2.718倍,该规则还适用于2.236%的顾客。利用该关联模型,可以对会员进行商品推荐,在计算出关联规则模型后加入表格节点并运行,会得到图7所示的结果,例如对于会员ID为64752的顾客可以推荐冻肉,推荐的把握程度为0.874。图7关联规则结果应用图从图7中我们发现,只有少部分顾客可以继续推荐商品,而大部分顾客没有可以推荐的项目,这是由于找出的关联规则较少造成的。本文中,为了更多地推荐商品,可以适当调整模型参数,以获得更多的规则。现将最低条件支持度调整为6%,最低规则置信度调整为60%,可以得到7条规则,如图8所示。图8调整参数后关联规则结果图
全文预览
