商业是国家经济的一个重要组成部分,在国民经济中占有非常重要的地位。随着科技的发展和互联网的普及,商业行为逐渐向信息化,智能化发展。在商品交易特别是零售商品销售中积累了大量的数据,如何利用这些数据,分析出有价值的信息,从而指导商业决策,已经成为了一个热点研究问题。由于商业数据存在着数据量巨大、数据结构不统一以及数据缺失等问题,对于商业数据的挖掘一直是数据挖掘领域的一个难点。基于以上背景,本文开展了对数据挖掘技术在零售商品数据上应用的一系列探索性研究。具体的,在分析了数据挖掘在零售商品数据上的研究和应用的现状后,针对零售商品数据的特征,本文提出了一系列针对零售商品的数据挖掘应用方案。本文的主要研究及成果如下:1,本文提出了一种基于动态商品共买网络的商品个性化推荐算法。该算法利用用户在购买商品时形成的用户与商品关联关系,转化为商品与商品的关联关系;将商品作为节点,商品之间的关联关系作为边,建立动态商品共买网络;并随着时间的推移,迭代的更新网络边的权重;通过以过滤权重较小的节点和边的方式降低网络规模,减小计算困难程度;最后利用基于改进模块度的聚类算法发现群组,进行商品推荐。通过与其他推荐算法在相同的数据集上进行对比实验,证明了该算法的有效性和高效性。2,本文提出了一种商品购买决策算法,通过使用一种基于包含突变节点的滑动窗口的分段线性表示方法提取商品价格变化的特征;对商品描述和商品价格特征进行分析,寻找出与目标商品相似的商品,利用相似商品的历史价格数据对商品的价格数据进行补全,建立训练集;采用决策树算法对训练数据进行训练,建立决策模型,对是否购买商品进行决策。通过在真实数据上进行实验,证明该算法的有效性。3,设计并实现了一套面向消费者的商品购买辅助决策系统。系统采用B/S架构,使用网络爬虫技术获得数据,并通过实现本文提出的商品个性化推荐算法和商品购买决策算法为使用者提供商品个性化推荐服务和商品购买决策服务,并将结果以可视化的形式展现给用户。