多商店下的關聯規則挖掘

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：119

、訪客IP：52.15.158.238

姓名

沈仁傑(Ren-Jieh Shen) 查詢紙本館藏

畢業系所

資訊管理學系

論文名稱

多商店下的關聯規則挖掘

相關論文

★ 零售業商業智慧之探討	★ 有線電話通話異常偵測系統之建置
★ 資料探勘技術運用於在學成績與學測成果分析 -以高職餐飲管理科為例	★ 利用資料採礦技術提昇財富管理效益 -以個案銀行為主
★ 晶圓製造良率模式之評比與分析－以國內某DRAM廠為例	★ 商業智慧分析運用於學生成績之研究
★ 運用資料探勘技術建構國小高年級學生學業成就之預測模式	★ 應用資料探勘技術建立機車貸款風險評估模式之研究－以A公司為例
★ 績效指標評估研究應用於提升研發設計品質保證	★ 基於文字履歷及人格特質應用機械學習改善錄用品質
★ 以關係基因演算法為基礎之一般性架構解決包含限制處理之集合切割問題	★ 關聯式資料庫之廣義知識探勘
★ 考量屬性值取得延遲的決策樹建構	★ 從序列資料中找尋偏好圖的方法 - 應用於群體排名問題
★ 利用分割式分群演算法找共識群解群體決策問題	★ 以新奇的方法有序共識群應用於群體決策問題

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

從交易資料庫中利用關聯規則的挖掘可以找出商品之間的關聯性，對於行銷推廣、商品搭配、商品貨架設計、生產排程等有絕大的幫助。傳統關聯規則挖掘方式只能針對單店的環境來挖掘出關聯規則，但在連鎖系列商店中，各家商店為了提高競爭力，每一家商店在不同的地點及時節會販賣不一樣的商品。例如醫院附近連鎖店所販賣的醫療性用品、觀光地區附近所販賣的觀光性商品、夏天所販賣的冰品、以及冬天所販賣的火鍋、特殊節日所販賣的禮品等。傳統關聯規則挖掘方式對於這些季節性及地區性商品在計算support值時都一視同仁地處理。此種方式將會造成其support值的低估而忽略了該商品於短期內或某區域內造成熱賣的事實。
為了解決傳統關聯規則挖掘方式應用在多商店環境時所產生的問題，我們提出了包含時間地點的關聯規則挖掘方式，此方法在計算不同商品的support值時，必須考量到不同的商品具有不同的上架地點及時間，而不是一視同仁地處理，如此算出來的support值才是正確的。而對於正確的confidence值的計算方式，我們也另外提出一個演算法來解決。
最後實驗模擬的結果證明，傳統關聯規則挖掘方式如果應用在多商店的環境之下時，將會造成釵h地區性或季節性商品的關聯規則無法被挖掘出來，而使用包含時間地點的關聯規則挖掘方式時，將可以解決這些問題。

關鍵字(中)

★ 連鎖商店
★ 關聯規則
★ 資料挖掘

關鍵字(英)

★ association rule
★ data mining

論文目次

第一章緒論 1
第二章定義 6
第三章時間地點關聯規則的挖掘 9
第一節建立PT_INTERVAL 11
第二節 1-ITEMSET 14
第三節 N-ITEMSET 17
第四節 CANDIDATE ITEMSET的產生 18
第五節 CONFIDENCE值的計算及規則的產生 20
第四章實例說明 25
第五章實驗模擬 37
第一節實驗設計 37
第二節參數設定 40
第三節評量方式 41
第四節實驗結果 43
第五節被低估的SUPPORT值及CONFIDENCE值 50
第六節相關應用 51
第六章結論與未來展望 53
參考文獻 54
附錄 58

參考文獻

[AIS93] Rakesh Agrawal, Tomasz Imielinski, and Arun Swami, “ Mining Association Rules Between Sets of Items in Large Databases” Proceedings of the ACM SIGMOD International conference on Management of Data, Pages 207-216, 1993.
[AR00] Juan M. Ale, Gustavo H. Rossi, “ An Approach to Discovering Temporal Association Rules”, Proceedings of the 2000 ACM symposium on Applied computing 2000 (volume 1), Pages 294-300, 2000.
[AS94] Rakesh Agrawal, Ramakrishnan Srikant, “ Fast Algorithms for Mining Association Rules, ” Proc. of the 20 th VLDB Conference Santiago, Chile, 1994.
[AS95] R. Agrawal and R. Srikant, “ Mining Sequential Patterns, ” Proceedings of the 7th International Conference on Data Engineering, pp. 3-14, 1995.
[AS96] A Agrawal and J.C. Shafer, “ Parallel Mining of Association Rules, ” IEEE Transactions on Knowledge and Data Engineering, vol. 8, no. 6, 962-969, Dec. 1996.
[BL99] J. Borges and M. Levene, “ Mining Association Rules in Hypertext Databases, ” Knowledge Discovery and Data Mining, 1999.
[BMUT97] S, Brin, R. Motwani, J. Ullman, and S. Tsur, “ Dynamic Itemset Counting and Implication Rules for Market Basket Data, ” ACM SIGMOD Conf. Management of Data, May 1997.
[C01] 陳彥良等, “ 資料間隱含關係的挖掘與展望, ” 二十一世紀台灣湧現中的資訊管理議題專家研討會, “大溪,鴻禧山莊”, 2001。
[CFK00] E. Clementini, P.D. Felice, and K. Koperski. “ Mining Multiple-level Spatial Association Rules for Objects with a Broad Boundary, ” Data and Knowledge Engineering, vol. 34, no. 3, pp. 251-270, Sep. 2000.
[CNFF96] D.W. Cheung, V.T. Ng, A.W. Fu, and Y. Fu, “ Efficient Mining of Association Rules in Distributed Databases, ” IEEE Transactions on Knowledge and Data Engineering, vol. 8, no. 6, pp. 911-922, Dec. 1996.
[F99] A. A. Freitas, “ On Rule Interestingness Measures, ” Knowledge-Based Systems, vol. 12, no. 5, pp. 309-315, Oct. 1999.
[GC99] Sanjay Goil, Alok Choudhary, “ A parallel scalable infrastructure for OLAP and data mining, “ Database Engineering and Applications, 1999. IDEAS ’’99. International Symposium Proceedings , 1999 Page(s): 178 -186
[H99] C. Hidber. “ Online Association Rule Mining, ” SIGMOD’’99, 1999.
[HDY99] J. Han, G. Dong, and Y. Yin, “ Efficient Mining of Partial Periodic Patterns in Time Series Database, ” Proceedings of the 15th International Conference on Data Engineering, pp. 106-115, 1999.
[HF99] J. Han and Y. Fu, “ Mining Multiple-Level Association Rules in Large Databases, ” IEEE Transactions on Knowledge and Data Engineering, vol. 11, no. 5, pp. 798-805, 1999.
[HPY00] J. Han, J. Pei, and Y. Yin. “ Mining Frequent Patterns without Candidate Generation, ” Proc. 2000 ACM-SIGMOD Int. Conf. on Management of Data (SIGMOD’’00), Dallas, TX, May 2000.
[JA99] R. J. Bayardo Jr. and R. Agrawal, “ Mining the Most Interesting Rules, ” In Proc. of the 5th ACM SIGKDD Int’’l Conf. on Knowledge Discovery and Data Mining, Aug. 1999.
[KFW98] C.M. Kuok, A.W. Fu, M.H. Wong, “ Mining Fuzzy Association Rules in Databases, ” SIGMOD Record, vol. 27, no. 1, pp. 41-46, 1998.
[KH95] K. Koperski and J. Han, “ Discovery of Spatial Association Rules in Geographic Information Databases, ” Proc. 4th Int’’l Symp. on Large Spatial Databases (SSD95), Maine, pp. 47-66, Aug. 1995.
[LAS97] B. Lent, R. Agrawal and R. Srikant, “ Discovering Trends in Text Databases, ” Proc. of the 3rd Int’’l Conference on Knowledge Discovery in Databases and Data Mining, Newport Beach, California, August 1997.
[LFH00] H. Lu, L. Feng, and J. Han. “ Beyond Intra-Transaction Association Analysis: Mining Multi-Dimensional Inter-Transaction Association Rules, ” ACM Transactions on Information Systems, vol. 18, no. 4, pp. 423-454, 2000.
[LHL99] S. Li, S. Hong, and C. Ling, “ New Algorithms for Efficient Mining of Association Rules, ” Information Sciences, vol. 118, no. 1-4, pp. 251-268, Sep. 1999.
[ORS98] B. Ozden, S. Ramaswamy, and A. Silberschatz, “ Cyclic Association Rules, ” Proceedings of the 14th International Conference on Data Engineering, pp. 412-421, 1998.
[PBTL99] N. Pasquier, Y. Bastide, R. Taouil, and L. Lakhal, “ Efficient Mining of Association Rules Using Closed Itemset Lattices, ” Information Systems, vol. 24, no. 1, pp. 25-46, Mar. 1999.
[PCY97] J.-S. Park, M.-S. Chen, and P. S. Yu, “ Using a Hash-Based Method with Transaction Trimming for Mining Association Rules, ” IEEE Trans. on Knowledge and Data Engineering, vol. 9, no. 5, pp. 813-825, Oct. 1997.
[PH00] V. Pudi and J.R. Haritsa. “ Quantifying the Utility of the Past in Mining Large Databases, ” Information Systems, vol. 25, no. 5, pp. 323-343, July 2000.
[PHMZ00] J. Pei, J. Han, B. Mortazavi-Asl, and H. Zhu, “ Mining Access Pattern Efficiently from Web Logs, ” Pacific-Asia Conference on Knowledge Discovery and Data Mining, pp. 396-407, 2000.
[RS98] R. Rastogi and K. Shim, “ Mining Optimized Association Rules with Categorical and Numeric Attributes, ” the 14th International Conference on IEEE Data Engineering, Orlando, Florida, 1998.
[SA96] R. Srikant, R. Agrawal: “ Mining Quantitative Association Rules in Large Relational Tables, ” Proc. of the ACM-SIGMOD 1996 Conference on Management of Data, Montreal, Canada, June 1996.
[T93] Tansel, A. et al: Temporal Databases: Theory, Design, and Implementation. Benjaming/Cummings.1993.
[T96] H. Toivonen, “ Sampling Large Databases for Association Rules, ” the 22-th International Conference on Very Large Databases (VLDB’’96), pp. 134-145, Mumbay, India, September 1996.
[Z00] M.J. Zaki, “ Scalable Algorithms for Association Mining, ” IEEE Trans. on Knowledge and Data Engineering, vol. 12, no. 3, pp. 372-390, May-June 2000.
[Z98] M.J. Zaki, “ Efficient Enumeration of Frequent Sequences, ” 7th International Conference on Information and Knowledge Management, pp 68-75, Washington DC, Nov. 1998.
[ZHLH98] Osmar R. Za?ane, Jiawei Han, Ze-Nian Li, Jean Hou.,“ Mining Multimedia Data, ” Proc. CASCON’’98: Meeting of Minds, Toronto, Canada, November 1998

指導教授

陳彥良(Yen-Liang Chen)

審核日期

2002-6-22

推文