论文部分内容阅读
零售企业根据直觉做决策的时代已经一去不复返了,它们必须利用高级数据挖掘技术从拥有的零售数据中发现知识、捕捉价值,来指导他们的商业决策制定,从而帮助他们在与对手的激烈竞争中占据零售市场的部分份额。然而在这场企业生存之战中,零售企业也会遇到处理大数据量以及知识发现方法等棘手问题。与此同时,随着市场逐渐朝着以客户为中心的方向演化发展,我们需要在客户购买行为方面做更多更深入的分析与研究。基于人类处理外部信息的方式,有学者提出了针对零售领域的概念性的认知模型-KID(数据-信息-知识)模型来支持零售领域大数据分析。在KID认知模型中,最核心的部分是知识库。零售领域的先验知识或者专家知识被事先嵌入到知识库中,同时它应该被设计为支持使用先验知识将不断流入的数据解释为有用的信息,将这些有意义的信息吸收同化到知识库中进行知识的增长、更新或者修改,以及实例化知识库中的知识到具体应用惠及零售商。基于用于重建本体的Gruninger&Fox方法、图数据库、规则引擎以及Maryam Fazel Zarandi设计开发的零售本体,本文为KID认知模型提出并设计了嵌入基于规则的知识发现引擎的零售语义图知识库,并为提出的零售语义图知识库设计了一种融合统计和逻辑的协同推理机制,基于规则的知识发现引擎利用前向链规则调用事先嵌入算法池的算法进行数据加载、数据解释、同化吸收有意义的信息到知识库以及使用前后向混合推理机制进行知识的推理化查询。同时本文使用关系型数据库的构建数据仓库和信息存储仓库,在此基础上开发了基于KID模型和零售语义图知识库的认知原型。为了支持认知原型高效的数据分析,本文也致力于探索研究其它数据结构用来存储和检索零售数据支持本文提出的认知原型。基于Mazzagatti的KStore数据存储引擎,本文为KStore结构中的非根节点增加了一个值域,同时引进了前缀树和字典数据结构改善了 KStore的数据查询性能。为了验证本文提出的嵌入基于规则的知识发现引擎的零售语义图知识库以及认知原型,本文使用用来表示顾客购买行为的RFM(最后购买时间-某一时间段的购买次数-某一时间段内的消费总金额)分析模型和K-means聚类算法从源零售数据中挖掘客户价值。