[發明專利]一種基于遺傳算法和改進興趣度的智慧零售數據挖掘方法

在審

• 申請號: 201710673608.4
• 申請日: 2017-08-09
• 公開（公告）號: CN107491988A
• 公開（公告）日: 2017-12-19
• 發明（設計）人: 肖亮;石佳文;汪澍;袁霄
• 申請（專利權）人: 浙江工商大學
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06F17/30;G06N3/12
• 代理公司: 杭州天正專利事務所有限公司33201
• 代理人: 王兵,黃美娟

1.一種基于遺傳算法和改進興趣度的智慧零售數據挖掘方法，包括以下步驟：

1)從商店顧客的消費記錄數據庫中讀取購物信息，確定項集：I＝{I₁,I₂,I₃......I_n}，項集內包含各類商品，n＝k是k項集如I＝{I₁,I₂,I₃......I_n},表示各類商品的組成的集合；

2)事務數據庫T＝{t₁,t₂,t₃......t_n},其中事務數據庫中的每一項都包含項集I中的一項或者若干項，事務數據庫中包含每一條購物的消費記錄，每一個事務都用一個TID進行表示；

3)定義項集X支持度，用sup(X)表示，sup(X)等于包含X項集的事務數除以事務數據庫中總的事務數，即

sup(X)=Count(x)||T||*100%---(1)]]>

其中Count(x)表示包含X項集的事務數；T事務數據庫中總的事務數，即購物記錄數；

4)定義置信度，若顧客購買商品X和購買商品Y同時發生記為C,則關聯規則X→Y的置信度為C的支持度的值除以購買商品X的支持度的值，用conf表示置信度，則

conf(X→Y)=sup(C)sup(X)=sup(X∪Y)sup(X)---(2)]]>

即關聯規則X→Y的置信度是商品X和商品Y同時出現的事務數跟只出現商品X的事務數的比值，體現了購買商品Y對購買商品X的依賴程度，即在購買商品X發生的情況下再購買商品Y的概率；

5)引入興趣度函數來去除不合理的商品關聯，興趣度模型如下：

Interest(A→B)=LIFT(A,B)-1LIFT(A,B)+1---(3)]]>

其中LIFT(A,B)表示提升度，

6)初始化參數：定義種群大小為m，交叉概率P_c，變異概率P_m，迭代終止代數T，最小支持度minsup，最小支持度minconf，最小興趣度mininterest；

7)初始化種群P＝{P_c1,P_c2,…P_cm}，每個個體根據編碼規則生成；

8)計算每個個體的適應度函數，

Fit(Ri)=count(R)m*1min sup-1---(4)]]>

將Fit(R_i)≥0個體選擇進入下一代，否則淘汰掉；

9)補充種群的個體：統計上一步操作之后被選入下一代的個體數量n，若n<m則對上一代適應度函數從高到低進行排序，選中m‐n個；

10)適應度值較高的個體復制到下一代中，直到種群大小變為n＝m；

11)初始化交配池，令交配池C＝φ_i；

12)找出群體中相同屬性的個體并把它們歸為一類，定義該類為第i(i＝l，2，...，n)類，個體濃度為個體的濃度概率為顯然然后定義個體的選擇概率為Q，Q由適應度概率Q_f，和濃度概率Q_i決定：Q＝αQ_f+(1-α)Q_i,其中是常數；

13)交叉操作：采用自適應方法隨機動態調節交叉概率，使得交叉概率Q_c能夠隨適應度自動改變.當種群中個體的適應度趨于一致或者趨于局部最優時，使Q_c增加，而當群體適應度比較分散時，使Q_c減小，其中交叉概率

Qc={Qc1-(Qc1-rand(Qc2))(f′-favg)fmax-favg,f′≥favgQc1,f′<favg---(5)]]>

式中：Q_c1＝0.9；0.6≤Q_c2<0.9；f’為要交叉的2個個體中較大的適應度值,f_max是最大適應度值；f_avg是平均適應度值；

14)變異操作，采用自適應方法隨機動態調節變異概率，使得變異概率Q_m，能夠隨適應度自動改變,當種群中個體的適應度趨于一致或者趨于局部最優時，使Q_m增加，而當群體適應度比較分散時，使Q_m減小,其中變異概率

Qm={Qm1-(Qm1-rand(Qm2))(f′-favg)fmax-favg,f′≥favgQm1,f′<favg---(6)]]>

式中：Q_m1＝0.1；0.001≤Q_m2<0.1；f為要變異個體的適應度值；

15)判斷終止條件，看是否滿足終止條件，若滿足則終止并輸出關聯規則，判斷生成規則是否滿足置信度:

其中興趣度模型interest(R_i)為：

否則轉到第3)步；

16)輸出滿足最小支持度minsup，最小置信度minconf和最小興趣度的關聯規則。