چکیده

کاوش مجموعه اقلام پرتکرار، تکنیکی است که بیشتر در زمینه‌ی داده کاوی مانند امور مالی و سیستم مراقبت سلامت استفاده می‌شود. تمرکز ما بر روی روش‌شناسی‌های استخراج دانش مفید از روی داده‌های مفروض با استفاده از کاوش مجموعه اقلام پرتکرار است. مهم‌ترین کاربرد FIM، تقسیم‌بندی مشتریان در بازاریابی، تحلیل سبد خرید، مدیریت ارتباط، کاوش کاربرد وب، ردیابی بازیکن و مانند آن است. قانون وابستگی برای پیدا کردن گروه‌های پرتکرار اقلام داده‌ی موجود در سبد خرید است. در این مقاله، کاربرد تکنیک‌های FIM را بر روی پلتفرم نگاشت – کاهش  بررسی می‌کنیم. در FIM، از دو الگوریتم موازی یعنی Dist-eclat و Big-FIM استفاده می‌نماییم. که الگوریتم Dist-eclat عمدتا بر روی هدف سرعت کار می‌کند در حالی که الگوریتم‌های Big-FIM بیشتر بر روی بهینه‌سازی کلان داده کار می‌نمایند. پس برای کاوش تعداد زیادی از  مجموعه داده‌ها، دو روش جدید معرفی می‌شوند: ابتدا، Dist-eclat بر روی سرعت تمرکز می‌کند و دوم، Big-FIM بر روی مجموعه داده‌های واقعا بزرگ برای بهینه‌سازی اجرا می‌شود. ما در مقاله‌ی خود مقیاس‌پذیری روش‌هایمان را نشان می‌دهیم. با استفاده از این روش‌ها و با در نظر گرفتن تحلیل رفتار مشتری از خرید کالا، کالای انتخابی مشتری به ما پیشنهاد می‌شود، پس مزایای کار خرده فروشی در سطح بالا حداکثر می‌گردد.

1-مقدمه

فرض کنید مینی‌مارکت X می‌خواهد عادت‌های خرید مشتریان را تحلیل کند تا بتواند روابط و هم‌بستگی‌های بین اقلام موجود در سبد خرید آن‌ها را پیدا کند. به ویژه هدف این تحلیل سبد خرید، مشخص کردن آن است که مشتریان کدام اقلام را به طور مکرر با هم خرید می‌کنند. اپلیکیشن داده‌کاوی چندبعدی طراحی شده به این شیوه را انجام می‌دهد که در آن هر متغیر در یک بعد ویژه بازنمایی می شود....

 میتوانید از لینک ابتدای صفحه، مقاله انگلیسی را رایگان دانلود فرموده و چکیده انگلیسی و سایر بخش های مقاله را مشاهده فرمایید