[發(fā)明專利]基于電子標(biāo)簽數(shù)據(jù)分析的無人值守門店貨架布局優(yōu)化方法

在審

• 申請?zhí)枺?/td>: 201710673599.9
• 申請日: 2017-08-09
• 公開（公告）號: CN107545042A
• 公開（公告）日: 2018-01-05
• 發(fā)明（設(shè)計）人: 肖亮;汪澍;李曉敏;袁霄
• 申請（專利權(quán)）人: 浙江工商大學(xué)
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06K7/10;G06K17/00
• 代理公司: 杭州天正專利事務(wù)所有限公司33201
• 代理人: 王兵,黃美娟

1.基于電子標(biāo)簽數(shù)據(jù)分析的無人值守門店貨架布局優(yōu)化方法，包括以下步驟：

步驟1.商品實時數(shù)據(jù)采集：無人值守門店內(nèi)安裝有電子標(biāo)簽與RFID技術(shù)，利用電子價格標(biāo)簽采集每個商品銷售數(shù)據(jù)和銷售價格，以及商品的貨架位置，并將電子標(biāo)簽系統(tǒng)所存儲的數(shù)據(jù)導(dǎo)入SQL數(shù)據(jù)庫；

步驟2.數(shù)據(jù)預(yù)處理：通過數(shù)據(jù)清理操作刪除原始數(shù)據(jù)中雜亂數(shù)據(jù)，糾正錯誤數(shù)據(jù)，除去空白數(shù)據(jù)、噪聲和無關(guān)數(shù)據(jù)等；如刪除退貨信息、將多個表進(jìn)行連接查詢、商品進(jìn)行歸類；

步驟3.挖掘頻繁項集：利用Top-K頻繁項集來挖掘頻繁項，用戶只需要設(shè)置期望挖掘項集的個數(shù)K，K表示用戶想要挖掘的K個最頻繁項集；無需針對不同數(shù)據(jù)庫設(shè)置不同支持?jǐn)?shù)；

31)構(gòu)造POC-Tree：根節(jié)點標(biāo)記為null，每個節(jié)點由4個參數(shù)組成：NodeName，NOdeCount，Children-list，Order，POC-Tree節(jié)點數(shù)據(jù)圖如圖1所示；POC-Tree是一種前綴樹的變形，每一條分支上的項按照支持度遞減排序通過共享前綴的方式壓縮事務(wù)數(shù)據(jù)集；前序遍歷整個POC-Tree為每個節(jié)點N設(shè)置前序編號N.NodeName＝p.Name，那么N.Count＝N.Count+1，否則創(chuàng)建一個節(jié)點N使得N.NodeName＝p.NodeName且N.NodeCount＝1，Q.Children-list＝N；

32)節(jié)點集：對于POC-Tree的一個節(jié)點N，將它的先序遍歷序號和支持度定義為該節(jié)點的N-info，即N-info(N)＝(Order，NOdecount)；

相同項的節(jié)點信息集合，稱為該項的節(jié)點集(Nodeset)，設(shè)置節(jié)點集為：

item.Nodestets＝∪N_i.info,N_i.NodeName＝item(1)

設(shè)定i的節(jié)點集：

Nodesets＝{(od₁,a₁),(od₂,a₂)......(od_n,a_n)}(2)

如I＝i₁i₂i₃...i_k是k-頻繁項集，其中i_j∈F₁,i₁＞i₂＞...i_k，令I(lǐng)₁＝i₁i₃...i_k，I₂＝i₂i₃...i_k其節(jié)點分別表示為和那么有：

NodesetsI=NodesetsI1∩NodesetsI2---(3)]]>

支持度為：

i₁i₂...i_kNodeCount＝a₁+a₂+a₃+...a_m(4)

33)K-頻繁項集的生成：TBN算法采用Top-K-Rank表結(jié)構(gòu)，通過動態(tài)生成支持度挖掘最頻繁K個項集；

給定一個事務(wù)數(shù)據(jù)庫D和頻繁項集A，設(shè)R_A為該頻繁項集的序列，那么有：

RA=|{Sup(B)|B⊆I and sup(B)≥Sup(A)}|---(5)]]>

R_A反映了項集A在所有結(jié)果中的頻繁程度，其值大小表示頻繁項集A的支持?jǐn)?shù)的排名情況；頻繁項集A為最頻繁項集時，不存在Sup(B)≥Sup(A),B≠A，因此R_A＝1表示項集A支持?jǐn)?shù)排名第一；

給定一個R值，那么用R^k.items來表示序列為k的項集，記為：

Rk.items={i|Ri=k,i⋐I}---(6)]]>

將已挖掘出的項集按照支持?jǐn)?shù)降序排列,既相同支持?jǐn)?shù)的項集排列一起，令為R＝k對應(yīng)項集的支持?jǐn)?shù)，那么稱為邊界支持?jǐn)?shù)：

∂=Sup(Rk.items)---(7)]]>

給定一個事務(wù)數(shù)據(jù)庫D和K(表示支持度最高的前K個項集)有：

Top-k-R={A|A⊆I and Sup(A)≥∂}---(8)]]>

即支持?jǐn)?shù)大于或者等于Top-k邊界支持?jǐn)?shù)的項集共同組成Top-k頻繁項集；

步驟4.算法剪枝：根據(jù)生成的K項集，進(jìn)行剪枝，縮小搜索空間；TBN算法引用兩個剪枝策略：

41)父等價剪枝技術(shù)：

給定項集S和項i，如果S的支持度等于S∪{i}的支持度，則對于任意項集A，A∩S＝Φ且有A∪S的支持度等于A∪S∪{i}的支持度；

42)前瞻剪枝技術(shù)：

如果當(dāng)前節(jié)點與右側(cè)所有鄰居節(jié)點的并集是已挖掘的最大頻繁項集的子集，則以當(dāng)前節(jié)點為根節(jié)點的子樹不可能存在最大頻繁項集；

即如果存在Sup(I)＝Sup(I∪s),那么存在：

通過此性質(zhì)可以大大縮小搜索空間，提升算法效率；

步驟5.興趣度測量：

由數(shù)據(jù)庫D中找出的頻繁項集，計算強(qiáng)關(guān)聯(lián)規(guī)則，強(qiáng)關(guān)聯(lián)規(guī)則滿足最小支持度和最小置信度；對于置信度數(shù)學(xué)公式為：

confidence(A⇒B)=P(A|B)=count(A∪B)count(A)---(10)]]>

其中count(A∪B)是包含項集A∪B的事物數(shù)，而count(A)是包含項集A的事物數(shù)；

說明買A對買B起抑制作用，改進(jìn)的興趣度模型為：

int erest(A⇒B)=conf(A⇒B)-conf(A‾⇒B)=P(AB)P(A)-P(A‾B)P(A‾)=(P(AB)P(A)P(B)-P(AB‾)P(A‾)P(B))*P(B)=(lift(A,B)-lift(A‾,B))*P(B)---(11)]]>

因此基于相關(guān)的新的興趣度模型為：

int erest(A⇒B)=lift(A,B)-lift(A‾,B)Max(lift(A,B),lift(A‾,B))---(12)]]>

其中是標(biāo)準(zhǔn)化因子，使得興趣度的范圍為[-1,1]；

步驟6.貨架布局優(yōu)化：通過數(shù)據(jù)分析產(chǎn)生的關(guān)聯(lián)分析，發(fā)現(xiàn)哪些商品頻繁的被顧客同時購買，分析顧客購買行為，而后進(jìn)行商品位置的優(yōu)化。