摘  要： 利用聚類的基本知識，根據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，對該網絡進行聚類分析，劃分出相似性大的顧客群體，并根據每個群體中顧客購買每類商品占總商品數的比例進行排序，從而為商品陳列提供依據。
關鍵詞： 聚類；K-means聚類算法；相似性；商品陳列

　隨著經濟的發展，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，可以根據不同商品間的相似性，構造具有關聯性的商品網絡[3]形成聚類，并根據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，對該商品網絡進行聚類分析[4]，劃分出相關性大的顧客群體，并根據每個群體中顧客購買每類商品的均值占總商品數得比例進行排序[5]，從而得到商品陳列的依據，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
1.1 聚類簡介
　聚類[6]（Clustering）是數據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，根據它們之間的相似程度分為若干組，其中相似的對象構成一組。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的比例，依據比例的大小，由近到遠對商品進行排列，從而得到商品的排列次序。
　本文根據顧客的購買記錄，根據其購買的商品間的相似性，劃分出相似性大的顧客群體，再根據每個群體中的每種商品占商品總數的比例大小進行排序，從而得到商品排序的理論依據，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，2010（3）.
[2] 朱海紅，江庭友，司丹丹，基于數據挖掘技術的商品陳列研究[J].商場現代化，2010（12）.
[3] 王金龍，徐從富，徐嬌芬，等.利用銷售數據的商品影響關系挖掘研究[J].電子科技大學學報，2007（2）.
[4] 崔春生，吳祈宗，王瑩，用于推薦系統聚類分析的用戶興趣度研究[J].計算機工程與應用，2011（7）.
[5] 劉金嶺.數據挖掘技術在商品銷售預測方面的應用[J].商場現代化，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].計算機技術與發展，2011（7）.
[8] 安建成，德增.一種改進的K-means算法[J].電腦開發與應用，2011（4）.
[9] 韓瑞凱，孟嗣儀，劉云，等.基于興趣相似度的社區結構發現算法研究[J].計算機應用，2010（10）.
[10] Han Jiawei， KAMBER M.數據挖掘概念與技術[M].北京：機械工業出版社，2001.
[11] 王德榮，李衛華.網絡號百用戶興趣模型挖掘算法[J].現代計算機，2010（4）.
[12] 趙鳳霞、福鼎，基于K-means聚類算法的復雜網絡社團發現新算法[J].計算機應用研究，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）.