髻塞恩濂恭 ＦＰ－Ｇｒｏｗｔｈ算法在电子商务中的应用 １．肇庆学院计算机学院田庆’朱俊岭’刘永梅 广东肇庆５２６０６１ ２．首都师范大学信息工程学院北京１０００４８ Ｉ摘耍】针对电子商务推荐销售的需求ｆｆ．ＦＰ—Ｇｒｏｗｔｈ算法不产生候选 集的特性，提出利用ＦＰ—ＧＰ０ｗｔｈ算法，运用Ｖｃ＋＋程序开发工具，对某一电商 ｋ。 定义二：每个事务Ｔ是项集Ｉ的一个子集，ｆｌＰＴ￣Ｉ。每个事务有一个 卖家的数据进行频繁项集挖掘，针对挖掘得到的频繁Ｋ项集，指导卖家如何 唯一的标识符，记作ＴＩＤ。事务全体构成了事务数据库Ｄ。 组合商品销售。试验结果表明利用ＦＰ—Ｇｒｏｗｔｈ算法在电商组合销售中是有效 定义三：设项集ｘ，有ｘ Ｔ。关联规则是形如ｘ等Ｙ的蕴涵式，其中 的。 Ｉ关镶词ｌ候选集；频繁项集；电子商务；ＦＰ－－Ｇｒｏｗｔｈ ＦＰ—Ｔｒｅｅ ｘｃ Ｉ，Ｙｃ Ｉ，并且Ｘｃ￣Ｙ＝ｚ。表示项集Ｘ在某一交易中出现，则导致Ｙ以 某一概率也会出现。用户关心的关联规则，可以用两个标准来衡量：支 持度（ｓｕｐｐｏｒｔ）和可信度（ｃｏｎｆｉｄｅｎｃｅ）。 ＦＰ－Ｇｒｏｗｔｈ Ａｌｇｏｒｉｔｈｍ ｆｏｒ Ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｅ－ｃｏｍｍｅｒｃｅ 定义四：支持度是项集同时包含ｘ和Ｙ的项集个数与项集个数之 Ｔｉａｎ Ｑｉｎｇ ，Ｚｈｕ Ｊｕｎｌｉｎｇ ，Ｌｉｕ Ｙｏｎｇｍｅｉ 比。它是概率Ｐ（Ｘｖ Ｙ）。可信度是指包含Ｘ和Ｙ的项集个数与包含Ｘ的项 １．Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，Ｚｈａｏ Ｑｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ 集个数之比，它是条件概率Ｐ（ＹＩＸ）。即 Ｇｕａｎｇ Ｄｏｎｇ ５２６０６１。Ｃｈｉｎａ ｓｕｐｐｏｒｔ（Ｘ￣Ｙ）＝Ｐ（ｘｕ Ｙ） （１） ２．Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，Ｚｈａｏ Ｑｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ， ｃｏｎｆｉｄｅｎｃｅ（Ｘ．￣Ｙ）＝Ｐ（ＹＩＸ） （２） Ｇｕａｎｇ Ｄｏｎｇ ５２６０６１，Ｃｈｉｎａ 定义五：设关联规则的最小支持度和最小可信度分别为ｓｕｐ—ｍｉｎ ３．Ｃｏｌｌｅｇｅ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃａｐｉｔａｌ Ｎｏｒｍａｌ ￣０ｃｏｎｆ—ｍｉｎ，支持度小于ｓｕｐ—ｍｉｎｆ￣置信度小于ｃｏｎｆ—ｍｉｎ的规则记作 Ｕｎｉｖｅｒｓｉｔｙ。Ｂｅｉｊｉｎｇ １０００４８，Ｃｈｉｎａ 强关联规则。关联规则挖掘的目的就是找出这种强关联规则。 Ａｂｓｔｒａｃｔ Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｎｅｅｄｓ ｏｆ ｅ－ｃｏｍｍｅｒｃｅ ｓａｌｅｓ 定义六：支持度不小于ｓｕｐ—ｍｉｎ的项集称为频繁集，长度为ｋ的频 ａｎｄ ＦＰ—Ｇｒｏｗｔｈ ａｌｇｏｒｉｔｈｍ ｄｏｅｓ ｎｏｔ ｐｒｏｄｕｃｅ ａ ｃａｎｄｉｄａｔｅ ｓｅｔ， 繁集称为ｋ＿频繁集。 ｔｈｉｓ ｐａｐｅｒ ｐｒｅｓｅｎｔ ｕｓｉｎｇ ＦＰ－Ｇｒｏｗｔｈ ａｌｇｏｒｉｔｈｍ ａｎｄ ＶＣ＋＋ 通过以上定义，我们知道关联规则挖掘的两个主要问题是： ａｐｐｌｉｃａｔｉｏｎ ｄｅｖｅｌｏｐｍｅｎｔ ｔｏｏｌｓ ｔｏ ｔｏ ｍｉｎｅ ｔｈｅ ｆｒｅｑｕｅｎｔ ｉｔｅｍ （１）找出项集数据库中所有大干或者等于ｓｕｐ＿ｍｉｎ的频繁项集。 ｓｅｔｓ．Ｉｎ ＶｉｅＷ ｏｆ ｔｈｅ ｆｒｅｑｕｅｎｔ Ｋ—ｉｔｅｍ ｓｅｔ．ｇｕｉｄｅ ｏｎｌｉｎｅ ｓｅｌｌｅｒｓ （２）根据ｃｏｎｆ＿ｍｉｎ筛选出强关联规则。 ｒｅｃｏｍｍｅｎｄｅｄ ｃｏｍｂｉｎａｔｉｏｎ ｏｆ ｓａｌｅｓ ｔｏ ｔｈｅ ｂｕｙｅｒ．Ｔｈｅ ｒｅｓｕｌｔｓ 在这两个问题中，找出频繁集是比较困难，所以目前所有的关联规 ｓｈｏｗｅｄ ｔｈａｔ ｕｓｉｎｇ ｏｆ ＦＰ－Ｇｒｏｗｔｈ ａｌｇｏｒｉｔｈｍ ｉｎ ｅ－ｃｏｍｍｅｒｃｅ 则算法主要是针对第一个问题进行研究，而有了频繁集再生成强关联 ｓａｌｅｓ ｉｓ ｖａｌｉｄ． 规则就相对容易了ａ Ｋｅｙ ｗｏｒｄｓ Ｃａｎｄｉｄａｔｅ ＳｅｔｓｌＦｒｅｑｕｅｎｔ Ｉｔｅｍ Ｓｅｔｓ； ２．ＦＰ增长算法应用 ｅ－ｃｏｍｍｅｒｃｅＩＦＰ—ＧｒｏｗｔｈｌＦＰ—－Ｔｒｅ，ｅ ＦＰ－Ｇｒｏｗｔｈ算法是一种不产生候选集的挖掘频繁项集算法。它 通过构造一个数据结构（ＦＰ－ｔｒｅｅ），高度压缩原来的事务数据库。ＦＰ－ 引言 Ｇｒｏｗｔｈ的算法共扫描两次数据库０】：第１次扫描数据库，得到频繁卜项 在过去的数十年中，经济发展迅猛，信息化水平不断提高，网络购 集，第２次扫描数据库，利用频繁卜项集过滤数据库中的非频繁项，同 物成为人们购物的新趋势，各大电子商务平台方便快捷的收集了海量数 时生成ＦＰ＿１、ｒｅｅ。最后通过这棵树生成关联规则。 据，利用好这些数据就可以为网络销售提供丰富的、有用的商业信息。 ２．１建立原始样本数据库 频繁项集挖掘就是利用这些数据的一个典型算法，很早之前就开始应 设事务数据库中有５个事务，见下表ｌ所示。 用到传统零售行业的购物篮分析 ０ ，把这种数据挖掘算法应用在电子 表１样本数据库 商务中就是购物车分析 】。其核心思想是通过频繁项集的分析处理，发 编号 购买项 现买家“购物车”中所有商品之间的关联，获悉顾客的购买习惯。这种 １００ ｛ｆ，ａ，ｃ，ｄ，ｇ，ｉ，ｍ，Ｐ｝ 关联的发现可以帮助电商卖家了解哪些商品会被顾客同时购买，帮助他 ２００ ｛ａ，ｂ，Ｃ，ｆ，１，ｍ，ｏ｝ 们设计更好的组合销售营销策略 例如，如果顾客在当当网购买点读笔 ３００ ｛ｂ，ｆ，ｈ，ｊ，０｝ 的同时，他们有多大可能也同时购买点读材料（以及何种点读材料），这 ４００ ｛ｂ，Ｃ，ｋ，Ｓ，Ｐ｝ 种信息可以帮助电商合理组合商品优惠，吸引消费者购买更多产品，从 ５００ ｛ａ，ｆ，Ｃ，ｅ，ｌ，Ｐ，ｍ，ｎ｝ 而增加销售量。购物车分析的目标是在顾客的购买交易中分析出同时购 ２．２建立频繁项集头表 买一类产品或一组产品的可能性（相互关联），从购物车分析中获得的知 假定最小事务支持计数为３（Ｈｐｍｉｎ—ｓｕｐ＝３／５＝６０％）。扫描数据库 识是很有价值的。关联规则挖掘在数据挖掘是一个活跃的研究内容。其 一次，得到频繁卜项集，把项集按支持度递减排序，确定频繁项集头表 中比较常用的算法有早期的Ａｐｒｉｏｒｉｔ５１的算法，ＦＰ－Ｇｒｏｗｔｈ算法，以及 Ｈｅａｄ。它由具有最小支持度的候选卜项集组成，见表２所示。 这两种算法的各种改进版本。本文旨在为中小电商卖家（如淘宝、天猫 上的店铺）提供一些有效的数据分析，因此在算法上选择比较经典ＦＰ－ 表２频薰 ：项集头表 表头 Ｇｒｏｗｔｈ算法，这种算法主要通过ＦＰ—＿Ｔｒｅｅ来构造频繁集。 项 频率 ＦＰ＿＿１、ｒｅｅ是一个数据库里跟产生频繁项集有关的信的压缩表示。 Ｃ ４ 在具体的实现中，我们通过了一系列的信息的从低到高的数据结构来实 ｆ ４ 现它，并进而实现整个算法。 ａ ３ １．关联规剿挖掘基本概念 ｂ ３ ＦＰ—Ｇｒｏｗｔｈ算法的优点是节省时间和空间，对大规模数据采用 ｍ ３ 分治的办法以避免规模巨大难以接受。ＦＰ－Ｇｒｏｗｔｈ算法主要通过ＦＰ－ ｐ ３ Ｔｒｅｅ来构造频繁集。这里仅介绍与ＦＰ增长算法有关的基础概念。 ２．３建立ＦＰ－Ｔｒｅｅ 定义一：设Ｉ＝｛Ｉ１，１ ２…．，Ｉ ｎ｝是ｎ个不同项的集合，称Ｉｋ 首先，创建树的根结点，用”ＮＵＬＬ”标记。然后扫描数据库Ｄ，每 为一个项目，项目的集合Ｉ称为项集，其中元素的个数称为项集的长度 个事务中的项依据递减支持度计数排序，并对每个事务创建一个分枝。 １４８ Ｌ … 缎黎 如第一个事务”ＴＩＯ０：ｆ’ａ，ａ，ｄ，ｇ，ｉ，ｍ，Ｐ”按Ｈｅａｄ的次序包含五 我们随机的从淘宝某卖家的实验样本中抽取了＿一部分数据（如表６ 个项｛ｃ，ｆ，ａ，ｍ，ｐ｝，导致构造树的第一个分枝＜（ｃ：１），（ｆ：１），（ａ：１）， 所示）模拟ＦＰ增长算法的过程。表格中的数据表示不同的顾客购买不 （ｍ：１），（ｐ：１）＞。该分枝有五个结点，ｃ是根结点的子链接，然后依次是ｆ 同的商品种类，表格开头一列是顾客的编号，每一行表示的是顾客购物 链接ｃ，ａ链接ｆ，ｍ链接ａ，ｐ链接ｍ。第－－４＂事务Ｔ２００按Ｈｅａｄ的次序包 车中的商品名称编号，对这个原始购物车数据可以挖掘出商品间的关联 含项｛ｃ，ｆ，ａ，ｂ，ｍ／，它导致一个分枝，然而，该分枝应当与Ｔ！Ｏ０已存 关系。 在的路径共享前缀＜（ｃ：１），（ｆ：１），（ａｔ１）＞。这样，我们将结点（ｃ：１），（ｆ：１）， 表６原始购物车数据 （ａ：１）的计数增ｊＪｌ￣１，并创建一个新分支（ｂ：１）和（ｍ：１），其中ｍ链接到ｂ。该 顾客编号 商品１ 商品２ 商品３ 商品２２ 分支作为（ａ：２）的子链接。以此类推下去，得到的新数据库以及ＦＰ－Ｔｒｅｅ １ ｌ０ ｌ１ ２ｌ １２７ 如表３及图１所示。 ＴＩＤ ２ ｌＯ ２０ ２ｌ １２６ １００ ２００ ３００ ４００ ５００ 表３新数据库 购买项 ｆ，ａ，ｃ，ｄ。ｇ，ｉ，ｍ，Ｐ｝ ｛ａ，ｂ，ｃ，ｆ，１，ｍ，ｏ｝ ｛ｂ，ｆ，ｈ，ｊ，ｏ｝ ｛ｂ，ｃ，ｋ，ｓ，Ｐ｝ ａ，ｆ，ｃ，ｅ，ｌ，Ｐ，ｍ，ｎ｝ ３ ｌＯ ｌＯ １９ １４ ２ｌ ２２ １２６ １２６ 有序的购买项 ｛ｃ，ｆ，ａ，ｍ，Ｐ｝ ｛ｃ，ｆ，ａ，ｂ，ｍ｝ ｛ｆ，ｂ｝ ｛ｃ，ｂ，Ｐ｝ ｛ｃ，ｆ，ａ，ｍ，Ｐ｝ ８１２４ ｔ８１２ｔＪ＜１．■蚺蚋 ） ｌ ｆ７９２４】｛ｉ 日帅鲫 ） ４ ｔ７９ｔ４１ ：ｉ．呻０呻Ｂ） ４ Ｃ７４８Ｂ】‘ｉ ｅ鲫嘲０） ６［ｆｉＢ１２１｛１．卿鳓姻０） ｆ５６１２】（１．蝴帅０舳） ４ ｔＳ１７６１《，． ０∞） ８ ｌ ９３６】＜１．嘲２【４７４８】《１．嘲蜘嘲） ●啪｝ ｌ ８ 【 ９２哇）‘秘．，７５３８２） ４［４６盘０：ｌ‘１ 蜘 猢ｊ鼬 ６ ￡ ６ｔ】Ｃ１．日蚰∞矗） Ｓ【 ０８ ｌ｛ ．ｑｑ日 Ｉ●Ｉ， ２６ Ｅ哇２毋８）（１．Ｂ日■Ｂ嘲） １７【哇尊４扛１‘ｌ。日目聃柏） 唾８７【７９ｉ 】＜日．９ ４１５１３ 喀９ｌ ｆ７９０６ｊ（０．９９７７２８￣ ４ ８ ￡７４ ８】《日．９２１７１３） 住ｌ Ｅ３９Ｇ １（１．日日期 ∞） ２７［３９ｌ‘】（ｉ，鲫 ＇。吲 Ｓ ｔ３ ‘ｌ‘１ 聃讳半∞Ｂ＞ ４ ３４ ｆ’２９６１＜啊．９２１９ｔ１） 嘻，ｌ Ｉ ２８８】（０．９ｌ９７３８｝ ７ ３６［６８１２】‘ ．８３８５０３３＇ １ ３６ ｆ６６２Ｂ１《瞎 ９３５噜３７） ４ ３６［６６Ｄ２ ＜０．８３噜２１８｝ Ｅ３６５６）‘１．啪Ｂ晌） ４ ３６［６４６４】＜Ｂ・８６３２４８￣ ４ ６８［４１５Ｋ１｛辑 ８ｔ￣９３７） ☆４ ８７ ９１ ‘ｎ ３４ ’【３５２８＇（１．日日 Ｈ ０｝ ３ Ｅ３５１６ ＜ｔ．９日驯ａ明＞ ｉ【３３７６ｌ（１． ∞∞ ４ ，秘ｌ（３６６４１＜Ｂ－７Ｂ ＃Ｂ３） 噜哇４ ｂ‘３４口０ ‘８７ ９ｔ ｂ 瞄＿坌ｒ睁 ４ １２６ １３６４￣Ｊ（目－７８３２４６｝ 日ｓ【３２＾ Ｊ ｔ１．卿目ｑＢ岫） ８ ３ ３ ３ ３ Ｅ３１Ｓ２ Ｊ＜１．ｎ ２５ Ｅ３ Ｌ∞ （１． 鼬 ［３５２８１（辑．？ＳＯ５３Ｂ｝ 睁ｔ ３６ Ｂ’ ７ ６ ６ ６ ６ 日ｉ棘ｉ［３４Ｗ２１‘曲．７Ｂ３４０｛） 呻） ２６ ２９［３４￣Ｓ】＜Ｈ．８ｎ，８８‘） ３ ８｝ ，０ ８ 哇 ｌ，缸哇３６，ｔ ｒ｛３６ ８７ Ｂ７ ｆ２７７６ １＜１．０蜘 增日＇ ｌ ７ ７ ｌ 譬 国ｌ ２ｌ［３１８４ ‘日．８Ｂ２４１９’ ２６ １Ｂ１【３１Ｓ２】＜ｎ．７哇９８＂ｆ，Ｖ） ｉ７ １２７ ｆ２８４臂１＜辑．７日４９５１） ｆ 静４ ３６ ８７ 褂４ ３６ ３４ ４ ３６ ９１， 栩Ｃ２５５６ Ｊ‘１．哪鲴 瑚嗽） Ｂ ｆ２５ｌ２】（１．８∞∞日） ；ｌ哇哇９ ３ ３￡７ ６‘６ ６ ２ ６ ２ ２ ２ ８ ０ ７ ８ ２ ２ ２ ２ Ｃｎ．＃９＇Ｆ￣９５） （Ｂ．８ｉ２６５喀， ｛Ｂ． １５１９） 《甜． ’２Ｂ３３＇。 ＜Ｂ．７ ２日３３》 唾３６ ０７ ９ｉ ３＇４￡６２７２】‘国．７７２８３３） 圈２频繁项每挖掘结果 圈１ ＦＰ－Ｔｒｅｅ ． 图２中的结果是由ＦＰ增长算法计算所得，图中的数据表示频繁卜 ２．４）￣ＦＰ－Ｔｒｅｅ到条件模式库 项集、频繁２一项集、频繁３一项集、频繁４一项集以及频繁５一项集的挖掘 按每个频繁项的连接遍历ＦＰ－Ｔｒｅｅ，列出能够到达此项的所有前 结果。根据挖掘结果，尝试将９４、３６、８７、３４号商品组合销售，其销售效 缀路径，得到条件模式库，如表４所示。 果证明ＦＰ—Ｇｒｏｗｔｈ算法在电商的组合销售中是有效的。 ２程序模块设计和代码实现 表４条件模式库 ．Ｈｅａｄ ｉｔｅｍ ｆ ａ ｃｏｎｄｉｔｉｏｎ ｐａｔｔｅｒｎ ｂａｓｅ ｃ：４ ｃｆｚ３ ３．２．１程序模块设计 原始数据 ！ （（（《（《＜（ｂ ｍ ｃｆａ：１，ｃｆ：１，ｃ：１ ｃｆａ：２，ｃｆａｂ：１ ， 《（ 处理数据 ｐ ｃｆａｍ：２，ｃｂ．１ 焉日● 砖鞠冉仔尊Ｂ融曰 ● ■ ■ ● ● ■ ● ■ ■ ０７，日ｌ ９，Ｂ ９ ｅ ８９ ４ ３ Ｚ Ｓ ２ｌ ３日Ｂ ｜，７ ７ ，， Ｉ 诤，）２．５从条件模式库得到频繁项集 从条件模式库的Ｐ项开始，遍历其条件模式库中的每一项，列出公 共部分，包括单项及多项之间的组合，并进行相应的计数，得到条件ＦＰ— ）ｌ ０ ６ ８ ３））：一一一・一一一－｝一一一一一一一 ｅ１ ６ ６ Ｓ ７ ５ Ｓ ６ ２ｉ ））），） ６ ０ ８ Ｓ ０ ５ ４ ７ ０， ： ）…一 Ｔｒｅｅ，再将条件ＦＰ－Ｔｒｅｅ与相应的头表项进行连接，最终生成频繁项 集。如表５所示。 Ｈｅａｄ ｃ口捌Ｉ埘帅 舭ｍ ＦＰ．Ｔｒｅｅ ！ ’ 条件模式库 Ｃｏ￣ｉｏｎ ＦＰ．１ｈ Ｆｒｅｑｕｅｎｃｙ Ｉｔｅｍ ’ 条件ＦＰ—Ｔｒｅｅ ｃｐ：３ ……一 ……一 ｐ 俩 曲 （ｃ：３＞ 辩 ｅｆｔ２，ｅＪｏｂ：ｌ ｑ：３垂３ ３．唾３脚：３扫：３．触 ｂ ｃｌｅｆ， ‘ｃ：ｌ ＜ｃ：３＞ 口 删 ｜ ｃ：４ Ｃ 咖 ｃｍ：３，ｆｍ：Ｊ，ａｍ：Ｊ，ｅ￣．＇３，ｃａｍ：３ｄｒｇｍｅ：Ｊ，ｅｆｍｍ．＇￥ ｅｂ．＇３ ％３缸３小：３ 输出频繁项 ＜ ＞ （ｅ：４＞ ｃｈａｒ ｓｔｒ［２５５］ｌ ｃｈａｒ ｃＩＤ澜Ｉ ｉｎｔ ｉ，ｊ，ｍ，ｒｅａｄｃｎｔ，ｔｅｍｐ， ３．ＦＰ增长算法应用实例和程序实现 ３．１应用实例 ｈｅａｄｅｒＴａｂｌｅＬｉｎｋ＝（ＦＰＴｒｅｅＮｏｄｅ＊）ｍａｌｌｏｃ（ｓｉｚｅｏｆ（ＦＰＴｒｅｅＮｏｄｅ） （＞ 下转第１５１页） 镳憨援 的１１０３０ｍ、１０５￣Ｃ测温的１６００ｍ，总计使用量为２７９１０ｍ，配置调制解调 （＞＞＿上接第１４９页） ． 器１９６套。根据感温电缆ｌ５元／ｍ，调制解调器１５００元／套的价格估算，该 ｝ｎｕｍＬａｒｇｅ［０］）； 线型探测器部分约花费７１２６５０元。Ｂ工程施工图中（不包含脱硫区域） ｉｆ（ｈｅａｄｅｒＴａｂｌｅＬｉｎｋ＝＝ＮＵＬＬ）｛ 光纤感温探测系统最终使用量为光纤分布式温度监测主机５套，配光纤 ｐｒｉｎｔｆ（”ｏｕｔ ｏｆ ｍｅｍｏｒｙ＼ｎ”）； ４８１００ｍ。根据感温光纤ｌＯ元／ｍ、主机２Ｏ万／套的价格估算，该线型探 ｅｘｉｔ（１）｝ ｝ 测部分约花费１４８１０００万元。考虑到无论是线型感温电缆还是光纤感温 ｆｏｒ（ｉ＝Ｏ；ｉ＜ｎｕｍＬａｒｇｅ［０］；ｉ＋＋） 探测都需要通过输入模块将信号传输给火灾报警系统主机，作者也对 ｈｅａｄｅｒＴａｂｌｅＬｉｎｋ［ｉ】＝ＮＵＬＬｌ 两个工程最终消耗的输入模块进行了统计。Ａ工程为１９６套，Ｂ工程为９７ ｒｏｏｔ＝（ＦＰＴｒｅｅＮ０ｄｅ）ｍａｌｌｏｃ（ｓｉｚｅｏｆ（ＦＰＮｏｄｅ））； 套，两个工程间使用数量差距大约在１００套，估值为２００００元。在工程施 ｉｆ（ｒｏｏｔ＝＝ＮＵＬＬ）｛ 工阶段的经济数据对比中，ＢＹ＿程该项费用要多出７Ｏ万左右（数据中未 ｐｒｉｎｔｆ（”ｏｕｔ ｏｆ ｍｅｍｏｒｙ＼ｎ”）Ｉ 比对人工费）。 ｅｘｉｔ（１）； ｝ ７．优化方案 ｒｏｏｔ－＞ｎｕｍＰａｔｈ＝１； 从光纤感温探测系统本身的特点可以看出，其整体设备的先进性 ｒｏｏｔ－＞ｐａｒｅｎｔ＝ＮＵＬＬ ｌ 和灵敏性是传统感温电缆无法比拟的。从火灾报警系统监控掌握的角 ｒｏｏｔ－＞ｃｈｉｌｄｒｅｎ＝ＮＵＬＬＩ 度出发，光纤感温探测系统测点灵活、区域设定简洁明了，更有利于值 ｒｏｏｔ－＞ｈｌｉｎｋ＝ＮＵＬＬ； 班人员对报警状态的及早发现。但该系统应用在电厂中也存在明显的缺 ｆｒｅｑＩｔｅｍＰ＝（ｉｎｔ＋）ｍａｌｌｏｃ（ｓｉｚｅｏｆ（ｉｎｔ）・ｎｕｍＩｔｅｍ）｝ 陷。由于电厂布局（尤其是燃煤机组）具有整体分散，局部集中的特点， ｉｆ（ｆｒｅｑＩｔｅｍＰ＝＝ＮＵＬＬ）｛ 光纤感温探测系统在全厂应用时测温距离大大增加，导致测温光纤浪 ｐｒｉｎｔｆ（”ｏｕｔ ｏｆ ｍｅｍｏｒｙ＼ｎ”）｝ 费严重、昂贵的主机利用率不高。结合多个工程的设计经验，作者提出 ｅｘｉｔ（１）Ｉ ｝ 以下优化方案。充分利用输煤系统这个局部单一，总体跨度大的特点， ｉｎｄｅｘＬｉｓｔ＝（ｉｎｔ ）ｍａｌｌｏｃ（ｓｉｚｅｏｆ（ｉｎｔ）＋ｎｕｍＩｔｅｍ）， 采用光纤测温进行报警，并根据规模选配主机。在回路数或单根光纤 ｉｆ（ｉｎｄｅｘＬｉｓｔ＝：ＮＵＬＬ）｛ 长度富裕时，可涵盖保护桥架单一的区域。针对主厂房区域等桥架密集 ｐｒｉｎｔｆ（”ｏｕｔ ｏｆ ｍｅｍｏｒｙ＼ｎ”）ｌ 区，可按工程机组划分探测点（太过密集增加标识难度，容易串分区）也 ｅｘｉｔ（１）； ｝ 可以根据实际情况酌情选用。其余偏远的辅助厂房建筑、厂区桥架等均 ４，结柬语 考虑采用感温电缆的模式。 本文利用程序把以上分析的ＦＰ—Ｇｒｏｗｔｈ算法实现，并挑选了＿一些 ８．结论 中小电商卖家的销售数据进行实验。试验结果表明，这些挖掘算法在电 分布式光纤测温系统，是基于拉曼散射原理和光时域反射技术， 子商务的购物车分析中有相当大的优势，为电商卖家提供了非常有说服 以光纤测温主机和测温光纤为核心部件，能准确探测光纤沿线任意测 力的销售策略数据。但是当数据量巨大是，我们选择的挖掘算法就难以 量点的温度，分别配套针对不同应用场合而开发的监控系统。经过多年 顺利进行。因此需要针对大数据量背景下的挖掘算法改进，其中思路之 的努力，光纤感温探测系统作为一项新型的测温手段，在实质性应用阶 一就是利用Ｈａｄｈｏｏｐ框架实现并行化且负载均衡的ＦＰ－Ｇｒｏｗｔｈ算法， 段，已经形成了一定的应用规模。目前，国内有多家设备厂已不局限于进 以解决原有ＦＰ－Ｇｒｏｗｔｈ算法在内存和计算能力上的问题，为当当、京 口销售商的身份，走上了自主研发的道路。光纤感温探测系统的主机也 东、亚马逊等大型电商平台提供组合推荐销售的理论依据。 随着国产化的到来。价格全面下调，更具竞争优势。 参考文献 ［１】李爱风．基于数据挖掘技术的购物篮模式研究【Ｊ】＿计算机应用与软 件，２０１ Ｉ，ｚａ（１２）：１５６－－１５８． 【２】方玮玮．基于关联规则的购物篮分析【Ｊ】．四川理工学院学 报，２０１０，２５（４）：４３０－－４３４． ［５］王江伟，郭民．关联规则在电子商务推荐系统中的应ｒｅ［Ｊ］．现代电子技 术，２０１１，５４（１９）：１７９—１８２． ［４】廖福蓉，王成良．基于有序ＦＰ—ｔｒｅｅ的最大长度频繁项集挖掘算法［Ｊ】． 计算机工程与应用，２０１２，４８（３ｏ）：１４ １５０． 参考文献 ［５］刘华婷，郭仁祥，姜浩．关联规则挖掘Ａｐｒｉｏｒｉ算法的研究与改进【Ｊ］．计 【１】Ｉｆｒ华人民共和国建设部中华人民共和国国家质量监督检验检疫总 算机应用与软件，２００９，２６（１）：１４６－－１４９． 局ＧＢ５０２２９－－２００６ 《火力发电厂与变电所设计防火规范》 北京中国计 【６】刘双印．电子商务智能推荐系统中基于领域本体的案例检索算法【Ｊ】． 划出版社２００７ 计算机应用，２０１Ｏ，５０（Ｏ５）：Ｉ５０４－－１３０８． 【２】国家质量技术监督局中华人民共和国建设部ＧＢ５Ｏｌ１６－２０１５《火 【７】湛宁，宋文军．基于关联规则的电子商务推荐系统【Ｊ】．科技通 灾自动报警系统设计规范》北京中国计划出版社２０１５ 报，２０１５，２９（￣）：１９５—１９７． 【５】蒙明朝，刘颖．火灾报警中的分布式光纤温度传感系统设计．Ｆｉｒｅ 【８］ｚ盈．基于关联规则的电子商务个・ｌｉ，ｆｅ．，推荐模型研究【Ｄ】．辽宁：东北 Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ．２００；５．５．Ｖ０ｌ ２２．ＮＯ．５ 财经大学，２０１２ ［４】刘建胜，李铮，张其善．光纤完全分布式温度传感器系统研究进展． 【ｇ］￣ｏｌ锡玲．关联规则挖掘算法及其在购物篮分析中的应用研究［Ｄ］．江 电子科技导报．１９９９（３）：１０－Ｉ５ 苏：苏州大学信息学院，２００９．’ 【５ＮＩ＇￣－，李伟良．分布式光纤温度传感检测技术及其应用．广东电力． 【１Ｏ】范明，孟小峰（ｉｆ－）．数据挖掘一概念与技术【Ｍ】．北京：机械工业出版 ２００２．Ｖ０１．１ ５．Ｎｏ．４ 社，２００８． 【６】王玉田等．光电子学与光纤传感器技术．国防工业出版社．２００５ 作者简介 【７】原荣．光纤通信．北京．电子工业出版社．２００２ 田庆（１９７９一），女，硕士研究生，讲师，研究领域为计算机应用和网络 作者简介 安全；朱傻岭（１９８０－），男，硕士研究生，讲师，研究领域为人工智能和计 谢颖（１９８２－－），女，浙江杭州人，工程师，从事发电厂及电力系统设计 算机应用；刘永梅（１９７９－），女，硕士研究生，助理研究贞，研究方向：智能 及研究工作． 信息处理与嵌入式系统设计。 １５１
