摘  要： 利用聚類的基本知識,，根據(jù)不同顧客購買商品的相似性的大小，提出了運用K-means聚類算法,。利用相似度代替歐氏距離,，對該網(wǎng)絡(luò)進行聚類分析，劃分出相似性大的顧客群體,，并根據(jù)每個群體中顧客購買每類商品占總商品數(shù)的比例進行排序,，從而為商品陳列提供依據(jù)。
關(guān)鍵詞： 聚類,；K-means聚類算法,；相似性；商品陳列

　隨著經(jīng)濟的發(fā)展,，商品的種類越來越多,，作為顧客自由購物場所的商店，可利用有限的營業(yè)空間,，在顧客瀏覽商品時,，刺激顧客的購買欲望，達到擴大銷售的目的,。商品的陳列在銷售過程中扮演者重要的角色,，是商品沉默的推銷員[1],。因此如何合理地對商品進行陳列[2]，成為商店推銷過程的一個必須要考慮的問題,。由于不同顧客購買的商品之間具有一定的相似性,，可以根據(jù)不同商品間的相似性，構(gòu)造具有關(guān)聯(lián)性的商品網(wǎng)絡(luò)[3]形成聚類,，并根據(jù)不同顧客購買商品的相似性的大小,，運用K-means聚類算法，利用相似度代替歐氏距離,，對該商品網(wǎng)絡(luò)進行聚類分析[4],，劃分出相關(guān)性大的顧客群體，并根據(jù)每個群體中顧客購買每類商品的均值占總商品數(shù)得比例進行排序[5],，從而得到商品陳列的依據(jù),，這樣顧客在瀏覽商品時，便會刺激其購買欲望,，進而達到擴大銷售的目的,。如圖1所示。

1 聚類分析的理論基礎(chǔ)
1.1 聚類簡介
　聚類[6]（Clustering）是數(shù)據(jù)挖掘中一種重要的挖掘方法,，它是將物理或抽象對象進行分組并將相似的對象歸為一類的過程,。聚類分析將物理或抽象對象分為幾個群體，在每個群體內(nèi)部,，對象之間具有較高的相似性,，而在群體之間相似性則比較低。聚類算法大體可以劃分為：劃分方法,、層次方法,、基于密度的方法、基于網(wǎng)格的方法和基于模型的方法[7],。
1.2 K-means聚類算法簡介
　K-means算法[8]屬于聚類方法中的一種劃分方法,，該算法具有較好的可伸性和很高的效率，適合處理大文檔集,。K-means算法將一組物理的或抽象的對象,，根據(jù)它們之間的相似程度分為若干組，其中相似的對象構(gòu)成一組,。它采用歐式距離作為相似性的評價指標,，即認為兩個樣本的距離越近，其相似度越大,。其以最大歐式距離原則選取新的聚類中心,，以最小歐式距離原則進行模式歸類。

4.2 商品的陳列算法
　依據(jù)上面算法分成的k個顧客群體，在每類群體中,，計算每種商品占商品總數(shù)的比例,，依據(jù)比例的大小，由近到遠對商品進行排列,，從而得到商品的排列次序,。
　本文根據(jù)顧客的購買記錄，根據(jù)其購買的商品間的相似性,，劃分出相似性大的顧客群體,，再根據(jù)每個群體中的每種商品占商品總數(shù)的比例大小進行排序，從而得到商品排序的理論依據(jù),，進而使商品得到合理排序,，這樣顧客在瀏覽商品時，便會刺激其購買欲望,，達到擴大銷售的目的,。但是每種商品，由于其品牌不同,，知名度,、信譽度等也不同，并且商品陳列時還要考慮場地位置,，顏色搭配等,，從而為商品陳列帶來新的問題，因此在為其提供基礎(chǔ)的同時為下一步工作指明了方向,。
參考文獻
[1] 傅強.超市商品陳列對消費心理的影響[J].中國商貿(mào),，2010（3）.
[2] 朱海紅，江庭友,，司丹丹,，基于數(shù)據(jù)挖掘技術(shù)的商品陳列研究[J].商場現(xiàn)代化,，2010（12）.
[3] 王金龍,，徐從富，徐嬌芬,，等.利用銷售數(shù)據(jù)的商品影響關(guān)系挖掘研究[J].電子科技大學學報,，2007（2）.
[4] 崔春生，吳祈宗,，王瑩,，用于推薦系統(tǒng)聚類分析的用戶興趣度研究[J].計算機工程與應(yīng)用，2011（7）.
[5] 劉金嶺.數(shù)據(jù)挖掘技術(shù)在商品銷售預(yù)測方面的應(yīng)用[J].商場現(xiàn)代化,，2008（2）.
[6] BERRY M,， LINOFF G. Data mining techniques for marketing， sales， and customer relationship management[M]. 2nd ed. [S.l.]： John Wiley & Sons,， Inc,， 2004.
[7] 黃韜，劉勝輝,，譚艷娜.基于k－means聚類算法的研究[J].計算機技術(shù)與發(fā)展,，2011（7）.
[8] 安建成，德增.一種改進的K-means算法[J].電腦開發(fā)與應(yīng)用,，2011（4）.
[9] 韓瑞凱,，孟嗣儀，劉云,，等.基于興趣相似度的社區(qū)結(jié)構(gòu)發(fā)現(xiàn)算法研究[J].計算機應(yīng)用,，2010（10）.
[10] Han Jiawei， KAMBER M.數(shù)據(jù)挖掘概念與技術(shù)[M].北京：機械工業(yè)出版社,，2001.
[11] 王德榮,，李衛(wèi)華.網(wǎng)絡(luò)號百用戶興趣模型挖掘算法[J].現(xiàn)代計算機，2010（4）.
[12] 趙鳳霞,、福鼎,，基于K-means聚類算法的復(fù)雜網(wǎng)絡(luò)社團發(fā)現(xiàn)新算法[J].計算機應(yīng)用研究，2009（6）.
[13] 樊寧.K均值聚類算法在銀行客戶細分中的研究[J],，.計算機仿真,，2011（3）.