摘  要： 利用聚類的基本知識(shí)，根據(jù)不同顧客購(gòu)買商品的相似性的大小，提出了運(yùn)用K-means聚類算法。利用相似度代替歐氏距離，對(duì)該網(wǎng)絡(luò)進(jìn)行聚類分析，劃分出相似性大的顧客群體，并根據(jù)每個(gè)群體中顧客購(gòu)買每類商品占總商品數(shù)的比例進(jìn)行排序，從而為商品陳列提供依據(jù)。
關(guān)鍵詞： 聚類；K-means聚類算法；相似性；商品陳列

　隨著經(jīng)濟(jì)的發(fā)展，商品的種類越來(lái)越多，作為顧客自由購(gòu)物場(chǎng)所的商店，可利用有限的營(yíng)業(yè)空間，在顧客瀏覽商品時(shí)，刺激顧客的購(gòu)買欲望，達(dá)到擴(kuò)大銷售的目的。商品的陳列在銷售過(guò)程中扮演者重要的角色，是商品沉默的推銷員[1]。因此如何合理地對(duì)商品進(jìn)行陳列[2]，成為商店推銷過(guò)程的一個(gè)必須要考慮的問(wèn)題。由于不同顧客購(gòu)買的商品之間具有一定的相似性，可以根據(jù)不同商品間的相似性，構(gòu)造具有關(guān)聯(lián)性的商品網(wǎng)絡(luò)[3]形成聚類，并根據(jù)不同顧客購(gòu)買商品的相似性的大小，運(yùn)用K-means聚類算法，利用相似度代替歐氏距離，對(duì)該商品網(wǎng)絡(luò)進(jìn)行聚類分析[4]，劃分出相關(guān)性大的顧客群體，并根據(jù)每個(gè)群體中顧客購(gòu)買每類商品的均值占總商品數(shù)得比例進(jìn)行排序[5]，從而得到商品陳列的依據(jù)，這樣顧客在瀏覽商品時(shí)，便會(huì)刺激其購(gòu)買欲望，進(jìn)而達(dá)到擴(kuò)大銷售的目的。如圖1所示。

1 聚類分析的理論基礎(chǔ)
1.1 聚類簡(jiǎn)介
　聚類[6]（Clustering）是數(shù)據(jù)挖掘中一種重要的挖掘方法，它是將物理或抽象對(duì)象進(jìn)行分組并將相似的對(duì)象歸為一類的過(guò)程。聚類分析將物理或抽象對(duì)象分為幾個(gè)群體，在每個(gè)群體內(nèi)部，對(duì)象之間具有較高的相似性，而在群體之間相似性則比較低。聚類算法大體可以劃分為：劃分方法、層次方法、基于密度的方法、基于網(wǎng)格的方法和基于模型的方法[7]。
1.2 K-means聚類算法簡(jiǎn)介
　K-means算法[8]屬于聚類方法中的一種劃分方法，該算法具有較好的可伸性和很高的效率，適合處理大文檔集。K-means算法將一組物理的或抽象的對(duì)象，根據(jù)它們之間的相似程度分為若干組，其中相似的對(duì)象構(gòu)成一組。它采用歐式距離作為相似性的評(píng)價(jià)指標(biāo)，即認(rèn)為兩個(gè)樣本的距離越近，其相似度越大。其以最大歐式距離原則選取新的聚類中心，以最小歐式距離原則進(jìn)行模式歸類。

4.2 商品的陳列算法
　依據(jù)上面算法分成的k個(gè)顧客群體，在每類群體中，計(jì)算每種商品占商品總數(shù)的比例，依據(jù)比例的大小，由近到遠(yuǎn)對(duì)商品進(jìn)行排列，從而得到商品的排列次序。
　本文根據(jù)顧客的購(gòu)買記錄，根據(jù)其購(gòu)買的商品間的相似性，劃分出相似性大的顧客群體，再根據(jù)每個(gè)群體中的每種商品占商品總數(shù)的比例大小進(jìn)行排序，從而得到商品排序的理論依據(jù)，進(jìn)而使商品得到合理排序，這樣顧客在瀏覽商品時(shí)，便會(huì)刺激其購(gòu)買欲望，達(dá)到擴(kuò)大銷售的目的。但是每種商品，由于其品牌不同，知名度、信譽(yù)度等也不同，并且商品陳列時(shí)還要考慮場(chǎng)地位置，顏色搭配等，從而為商品陳列帶來(lái)新的問(wèn)題，因此在為其提供基礎(chǔ)的同時(shí)為下一步工作指明了方向。
參考文獻(xiàn)
[1] 傅強(qiáng).超市商品陳列對(duì)消費(fèi)心理的影響[J].中國(guó)商貿(mào)，2010（3）.
[2] 朱海紅，江庭友，司丹丹，基于數(shù)據(jù)挖掘技術(shù)的商品陳列研究[J].商場(chǎng)現(xiàn)代化，2010（12）.
[3] 王金龍，徐從富，徐嬌芬，等.利用銷售數(shù)據(jù)的商品影響關(guān)系挖掘研究[J].電子科技大學(xué)學(xué)報(bào)，2007（2）.
[4] 崔春生，吳祈宗，王瑩，用于推薦系統(tǒng)聚類分析的用戶興趣度研究[J].計(jì)算機(jī)工程與應(yīng)用，2011（7）.
[5] 劉金嶺.數(shù)據(jù)挖掘技術(shù)在商品銷售預(yù)測(cè)方面的應(yīng)用[J].商場(chǎng)現(xiàn)代化，2008（2）.
[6] BERRY M， LINOFF G. Data mining techniques for marketing， sales， and customer relationship management[M]. 2nd ed. [S.l.]： John Wiley & Sons， Inc， 2004.
[7] 黃韜，劉勝輝，譚艷娜.基于k－means聚類算法的研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2011（7）.
[8] 安建成，德增.一種改進(jìn)的K-means算法[J].電腦開發(fā)與應(yīng)用，2011（4）.
[9] 韓瑞凱，孟嗣儀，劉云，等.基于興趣相似度的社區(qū)結(jié)構(gòu)發(fā)現(xiàn)算法研究[J].計(jì)算機(jī)應(yīng)用，2010（10）.
[10] Han Jiawei， KAMBER M.數(shù)據(jù)挖掘概念與技術(shù)[M].北京：機(jī)械工業(yè)出版社，2001.
[11] 王德榮，李衛(wèi)華.網(wǎng)絡(luò)號(hào)百用戶興趣模型挖掘算法[J].現(xiàn)代計(jì)算機(jī)，2010（4）.
[12] 趙鳳霞、福鼎，基于K-means聚類算法的復(fù)雜網(wǎng)絡(luò)社團(tuán)發(fā)現(xiàn)新算法[J].計(jì)算機(jī)應(yīng)用研究，2009（6）.
[13] 樊寧.K均值聚類算法在銀行客戶細(xì)分中的研究[J]，.計(jì)算機(jī)仿真，2011（3）.