本發(fā)明涉及數(shù)據(jù)分析領域，特別是涉及一種高適用性的并行關聯(lián)規(guī)則挖掘算法。

背景技術：

目前百貨商場的運營模式從貨物的采購到運輸、管理、營銷、服務等方面進行了創(chuàng)新和完善，以人體行為動作為研究對象，通過視頻采集消費者的行為動作數(shù)據(jù)來分析消費者在店內(nèi)的感興趣服裝的一系列行為動作并關聯(lián)該服裝的銷量，從而找出關聯(lián)規(guī)則，利用這些關聯(lián)規(guī)則來提高商店的銷售。

現(xiàn)有技術中關聯(lián)規(guī)則挖掘即為了發(fā)現(xiàn)一個事件和其他事件之間的依賴和聯(lián)系，找出隱藏在數(shù)據(jù)庫中的關聯(lián)信息，目前采用的挖掘方法有通過建立數(shù)據(jù)所在領域的項相關性模型進行層次聚類，不利于新規(guī)則的挖掘；采用粗略剪枝的方法誤差較大，降低挖掘結果的準確性；一種基于檢測點的apriori改進算法，減少了候選項的生成和挖掘時間，需要多次掃描數(shù)據(jù)庫，不能保證挖掘算法的高效性；所以，亟需一種能夠提高挖掘算法高效性的數(shù)據(jù)關聯(lián)規(guī)則挖掘算法。

技術實現(xiàn)要素：

本發(fā)明的目的是提供一種能夠提高挖掘結果的準確度和適用性，保證算法高效性的并行關聯(lián)挖掘算法。

為實現(xiàn)上述目的，本發(fā)明提供了如下方案：

一種高適用性的并行關聯(lián)規(guī)則挖掘算法包括：

采集商場中消費者對一件衣服a做出的動作a，動作b，動作c，動作d，動作e，并對應存儲為動作項集{a}，動作項集,動作項集{c},動作項集xv3r9jzsqg，動作項集{e}；

在統(tǒng)計時間內(nèi)，采集商場中消費者對所述某件衣服a做出的動作項集，獲得在所述統(tǒng)計時間內(nèi)第一段時間內(nèi)的動作項集{a}、{c}、xv3r9jzsqg，在第二段時間內(nèi)的動作項集、{c}、{e}，在第三段時間內(nèi)的動作項集{a}、、{c}、{e}，在第四段時間內(nèi)的動作項集、{e}；

根據(jù)所述動作項集{a}、{c}、xv3r9jzsqg，動作項集、{c}、{e}，動作項集{a}、、{c}、{e}，動作項集、{e}，獲得各所述動作項集{a}、、{c}、xv3r9jzsqg、{e}的支持度；

根據(jù)各所述動作項集{a}、、{c}、xv3r9jzsqg、{e}的支持度進行迭代，獲得集合{b,c}、集合{b,e}及集合{a,c}，各所述集合{b,c}、{b,e}、{a,c}均為頻繁2-動作項集；

分別根據(jù)所述頻繁2-動作項集{b,c}和{b,e}中的第二項組成集合{c,e}，所述集合{c,e}為候選2-動作項集；

判斷所述候選2-動作項集{c,e}的支持度是否大于二項支持度閾值，如果是，將所述頻繁2-動作項集{b,c}、{b,e}和所述候選2-動作項集{c,e}組合成候選3-動作項集{b,c,e}，停止迭代；否則，計算各所述頻繁2-動作項集{b,c}、{b,e}、{a,c}的頻繁度，并相加獲得總頻繁度；

根據(jù)所述動作項集{a}、{c}、xv3r9jzsqg，動作項集、{c}、{e}，動作項集{a}、、{c}、{e}，動作項集、{e}，獲得所述候選3-動作項集{b,c,e}的頻繁度；

通過比較所述候選3-動作項集{b,c,e}，各所述頻繁2-動作項集{b,c}、{b,e}、{a,c}和所述候選2-動作項集{c,e}的頻繁度，篩選出頻繁度值最高的三個集合，并將所述三個集合的頻繁度值相加獲得總頻繁度；

如果所述總頻繁度大于所述頻繁度閾值，則表示所述第一段時間、第二段時間、第三段時間、第四段時間內(nèi)所述某件衣服a在所述商場中的人氣較高。

可選的，各所述動作項集{a}、、{c}、xv3r9jzsqg、{e}的支持度的計算方法：

分別確定各所述動作項集{a}、、{c}、xv3r9jzsqg、{e}在各時間段內(nèi)是否出現(xiàn)過，如果出現(xiàn)過標記為1，否則標記為0；

統(tǒng)計各所述動作項集{a}、、{c}、xv3r9jzsqg、{e}在各時間段內(nèi)出現(xiàn)過的次數(shù)；

分別計算各所述動作項集{a}、、{c}、xv3r9jzsqg、{e}的次數(shù)與時間段數(shù)的百分比。

可選的，所述候選2-動作項集{c,e}的支持度的計算方法：

分別確定所述動作項集{c}和動作項集{e}在同一時間段內(nèi)是否同時出現(xiàn)過，如果出現(xiàn)過標記為1′，否則標記為0′；

統(tǒng)計各所述動作項集{c}和動作項集{e}在各時間段內(nèi)同一時間段內(nèi)同時出現(xiàn)過的次數(shù)；

計算所述動作項集{c}和動作項集{e}在同一時間段內(nèi)同時出現(xiàn)過的次數(shù)與時間段數(shù)的百分比。

可選的，所述計算所述候選2-動作項集{c,e}的頻繁度，各所述頻繁2-動作項集{b,c}、{b,e}、{a,c}的頻繁度和所述候選3-動作項集{b,c,e}的頻繁度的方法：

設各所述動作項集{a}、、{c}、xv3r9jzsqg、{e}的權重值分別為q1,q2,q3,q4,q5；

所述候選2-動作項集{c,e}的頻繁度等于所述動作項集{c}和所述動作項集{e}的支持度與對應所述權重值q3,q5的乘積之和；

各所述頻繁2-動作項集{b,c}、{b,e}、{a,c}的頻繁度分別等于所述動作項集和所述動作項集{c}的支持度與對應所述權重值q2,q3的乘積之和，所述動作項集和所述動作項集{e}的支持度與對應所述權重值q2,q5的乘積之和，所述動作項集{a}和所述動作項集{c}的支持度與對應所述權重值q1,q3的乘積之和；

所述候選3-動作項集{b,c,e}的頻繁度等于所述動作項集，所述動作項集{c}和所述動作項集{e}的支持度與對應所述權重值q2,q3,q5的乘積之和。

可選的，所述迭代具體包括：根據(jù)各所述動作項集{a}、、{c}、xv3r9jzsqg、{e}的支持度，篩選出支持度大于一項支持度閾值的對應各所述動作項集，獲得動作項集{a}、動作項集、動作項集{c}、動作項集{e}，所述動作項集{a}、動作項集、動作項集{c}、動作項集{e}為頻繁1-動作項集；

將各所述頻繁1-動作項集{a}、、{c}、{e}中任意兩項組合成各候選2-動作項集{a,c}、{b,c}、{b,e}、{c,e}、{a,e}、{a,b}；

計算出各所述候選2-動作項集{a,c}、{b,c}、{b,e}、{c,e}、{a,e}、{a,b}的支持度，并篩選出大于二項支持度閾值的各所述候選2-動作項集，獲得各所述候選2-動作項集{a,c}、{b,c}、{b,e}、{c,e}為頻繁2-動作項集。

根據(jù)本發(fā)明提供的具體實施例，本發(fā)明公開了以下技術效果：本發(fā)明中通過采集商場中的消費者對一件衣服不同時間段內(nèi)做出的動作，計算所述動作項集的支持度和頻繁度，通過多次迭代，得出采集時間段內(nèi)的一件衣服在商場中的人氣是否較高，根據(jù)支持度設定檢測點，減少了候選項的生成，提高了挖掘效率，保證了挖掘結果的準確性和適用性，保證了算法的高效性。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明計算方法的流程圖；

圖2為本發(fā)明迭代過程的流程圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

本發(fā)明的目的是提供一種能夠提高挖掘結果的準確度和適用性，保證算法的高效性的并行關聯(lián)挖掘算法。

為使本發(fā)明的上述目的、特征和優(yōu)點能夠更加明顯易懂，下面結合附圖和具體實施方式對本發(fā)明作進一步詳細的說明。

如圖1所示，一種高適用性的并行關聯(lián)規(guī)則挖掘算法包括：

步驟100：采集商場中消費者對一件衣服a做出的動作a，動作b，動作c，動作d，動作e，并對應存儲為動作項集{a}，動作項集，動作項集{c}，動作項集xv3r9jzsqg，動作項集{e}。

步驟200：在統(tǒng)計時間內(nèi)，采集商場中消費者對所述某件衣服a做出的動作項集，獲得在所述統(tǒng)計時間內(nèi)第一段時間內(nèi)的動作項集{a}、{c}、xv3r9jzsqg，在第二段時間內(nèi)的動作項集、{c}、{e}，在第三段時間內(nèi)的動作項集{a}、、{c}、{e}，在第四段時間內(nèi)的動作項集、{e}。

步驟300：根據(jù)所述動作項集{a}、{c}、xv3r9jzsqg，動作項集、{c}、{e}，動作項集{a}、、{c}、{e}，動作項集、{e}，獲得各所述動作項集{a}、、{c}、xv3r9jzsqg、{e}的支持度。

步驟400：根據(jù)各所述動作項集{a}、、{c}、xv3r9jzsqg、{e}的支持度進行迭代，獲得集合{b,c}、集合{b,e}及集合{a,c}，各所述集合{b,c}、{b,e}、{a,c}均為頻繁2-動作項集。

步驟500：分別根據(jù)所述頻繁2-動作項集{b,c}和{b,e}中的第二項組成集合{c,e}，所述集合{c,e}為候選2-動作項集，計算所述候選2-動作項集{c,e}的支持度。

步驟600：判斷所述候選2-動作項集{c,e}的支持度是否大于二項支持度閾值，如果是，執(zhí)行步驟700；否則，執(zhí)行步驟800。

步驟700：將所述頻繁2-動作項集{b,c}、{b,e}和所述候選2-動作項集{c,e}組合成候選3-動作項集{b,c,e}，停止迭代。

步驟800：計算各所述頻繁2-動作項集{b,c}、{b,e}、{a,c}的頻繁度，并相加獲得總頻繁度。

步驟900：根據(jù)所述動作項集{a}、{c}、xv3r9jzsqg，動作項集、{c}、{e}，動作項集{a}、、{c}、{e}，動作項集、{e}，獲得所述候選3-動作項集{b,c,e}的頻繁度。

步驟1000：通過比較所述候選3-動作項集{b,c,e}，各所述頻繁2-動作項集{b,c}、{b,e}、{a,c}和所述候選2-動作項集{c,e}的頻繁度，篩選出頻繁度值最高的三個集合，并將所述三個集合的頻繁度值相加獲得總頻繁度。

步驟1100：如果所述總頻繁度大于所述頻繁度閾值，則表示所述第一段時間、第二段時間、第三段時間、第四段時間內(nèi)所述某件衣服a在所述商場中的人氣較高。

可選的，各所述動作項集{a}、、{c}、xv3r9jzsqg、{e}的支持度的計算方法：

步驟301：分別確定各所述動作項集{a}、、{c}、xv3r9jzsqg、{e}在各時間段內(nèi)是否出現(xiàn)過，如果出現(xiàn)過標記為1，否則標記為0。

步驟302：統(tǒng)計各所述動作項集{a}、、{c}、xv3r9jzsqg、{e}在各時間段內(nèi)出現(xiàn)過的次數(shù)，動作項集{a}在第一段時間和第三段時間內(nèi)出現(xiàn)過，所以動作項集{a}出現(xiàn)過兩次。

步驟303：分別計算各所述動作項集{a}、、{c}、xv3r9jzsqg、{e}的次數(shù)與時間段數(shù)的百分比。

如圖2所示，迭代過程具體包括：

步驟401：根據(jù)各所述動作項集{a}、、{c}、xv3r9jzsqg、{e}的支持度，篩選出支持度大于一項支持度閾值的對應各所述動作項集，在本實施例中，所述一項支持度閾值為50％，獲得動作項集{a}、動作項集、動作項集{c}、動作項集{e}，所述動作項集{a}、動作項集、動作項集{c}、動作項集{e}為頻繁1-動作項集。

步驟402：將各所述頻繁1-動作項集{a}、、{c}、{e}中任意兩項組合成各候選2-動作項集{a,c}、{b,c}、{b,e}、{c,e}、{a,e}、{a,b}。

步驟403：計算出各所述候選2-動作項集{a,c}、{b,c}、{b,e}、{c,e}、{a,e}、{a,b}的支持度，并篩選出大于二項支持度閾值的各所述候選2-動作項集，獲得各所述候選2-動作項集{a,c}、{b,c}、{b,e}、{c,e}為頻繁2-動作項集。

可選的，計算所述候選2-動作項集{c,e}的支持度的方法：

步驟501：分別確定所述動作項集{c}和動作項集{e}在同一時間段內(nèi)是否同時出現(xiàn)過，如果出現(xiàn)過標記為1′，否則標記為0′。

步驟502：統(tǒng)計各所述動作項集{c}和動作項集{e}在各時間段內(nèi)同一時間段內(nèi)同時出現(xiàn)過的次數(shù)，從統(tǒng)計數(shù)據(jù)中得出在同一時間段內(nèi)同時出現(xiàn)過的時間段分別為第二段時間和第三段時間，所以出現(xiàn)過的次數(shù)為兩次。

步驟503：計算所述動作項集{c}和動作項集{e}在同一時間段內(nèi)同時出現(xiàn)過的次數(shù)與時間段數(shù)的百分比，時間段數(shù)為4，分別為第一段時間，第二段時間，第三段時間，第四段時間。

可選的，所述計算所述候選2-動作項集{c,e}的頻繁度，各所述頻繁2-動作項集{b,c}、{b,e}、{a,c}的頻繁度和所述候選3-動作項集{b,c,e}的頻繁度的計算方法：

設各所述動作項集{a}、、{c}、xv3r9jzsqg、{e}的權重值分別為q1,q2,q3,q4,q5，在本實施例中，賦予所述q1,q2,q3,q4,q5分別為45％、25％、15％、10％、5％。

所述候選2-動作項集{c,e}的頻繁度等于所述動作項集{c}和所述動作項集{e}的支持度與對應所述權重值q3,q5的乘積之和。

各所述頻繁2-動作項集{b,c}、{b,e}、{a,c}的頻繁度分別等于所述動作項集和所述動作項集{c}的支持度與對應所述權重值q2,q3的乘積之和，所述動作項集和所述動作項集{e}的支持度與對應所述權重值q2,q5的乘積之和，所述動作項集{a}和所述動作項集{c}的支持度與對應所述權重值q1,q3的乘積之和。

所述候選3-動作項集{b,c,e}的頻繁度等于所述動作項集，所述動作項集{c}和所述動作項集{e}的支持度與對應所述權重值q2,q3,q5的乘積之和。

在本實施例中，商場中的消費者對一件衣服做出的動作包括試穿，進入試衣間，拿起衣服低頭觀看，舉起觀看，摸衣服，采集第一段時間內(nèi)包括試穿，拿起衣服低頭觀看，舉起觀看三個動作，第二段時間內(nèi)包括進入試衣間，拿起衣服低頭觀看，摸衣服三個動作，第三段時間內(nèi)包括試穿，進入試衣間，拿起衣服低頭觀看，摸衣服四個動作，第四段時間內(nèi)包括進入試衣間，摸衣服兩個動作。

試穿動作在四個時間段內(nèi)出現(xiàn)過2次，試穿動作的支持度為2/4＝50％，進入試衣間在四個時間段內(nèi)出現(xiàn)過3次，進入試衣間的支持度為3/4＝75％，拿起衣服低頭觀看在四個時間段內(nèi)出現(xiàn)過3次，拿起衣服低頭觀看的支持度為3/4＝75％，舉起觀看在四個時間段內(nèi)出現(xiàn)過一次，舉起觀看的支持度為1/4＝25％，摸衣服在四個時間段內(nèi)出現(xiàn)過三次，摸衣服的支持度為3/4＝75％。

一項支持度閾值和二項支持度閾值可均為50％，篩選出試穿，進入試衣間，拿起衣服低頭觀看，摸衣服四個動作，其中任意兩個動作重新組合成2-動作項集，計算所有2-動作項集的支持度和頻繁度，頻繁度高的2-動作項集重新組合成包含有三個動作的3-動作項集，篩選頻繁度最高的動作項集獲得頻繁度最高的三個動作項集，相加求得總頻繁度，如果總頻繁度大于總頻繁度閾值，說明這件衣服的人氣高。

本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。對于實施例公開的系統(tǒng)而言，由于其與實施例公開的方法相對應，所以描述的比較簡單，相關之處參見方法部分說明即可。

本文中應用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對于本領域的一般技術人員，依據(jù)本發(fā)明的思想，在具體實施方式及應用范圍上均會有改變之處。綜上所述，本說明書內(nèi)容不應理解為對本發(fā)明的限制。