发布时间：2023-09-26 08:32:49
绪论：一篇引人入胜的中石化电子商务，需要建立在充分的资料搜集和文献研究之上。搜杂志网为您汇编了三篇范文，供您参考和学习。
1)宝贝(时令宝贝)图文细节有吸引力；
2)相比同类宝贝，价格丶运费便宜；
1 电子商务模式出现对于中小企业营销管理的影响
电子商务的出现完全是依仗着信息技术的广泛应用以及现代社会对于信息准确性的高度要求，使得电子商务应用模式的出现受到了广泛的关注，同时对于中小企业的营销管理来说，倘若不能完全的适应电子商务的背景，并将面临着企业市场的淘汰，以下本文将分析一下电子商务模式对于中小企业管理模式的影响。
1.1电子商务模式对于中小企业传统的市场的生活的冲击
对中小企业来说，在市场上占据的空间并不是很大，消费者人群也并不是很多，所以中小企业的营销策略也并没有做到定时的更新与进步。而当电子商务的时代到来之后，生产者与消费者的距离被拉近，消费者可以在任何时间地点进行消费，冲破了传统市场受到地域限制的冲击。电子商务时代带来的交易方式也出现了改变，真正的实现了交易的无纸化。在这样的营销方式中，中小企业的很多的信息设备都无法跟上时代的脚步，中小企业缺少在网上进行产品宣传的渠道以及正确的营销方式，其原先的营销手段已经不能完全的适应网络化的销售方式。
1.2电子商务背景下对于消费者行为的改变
在电子商务的背景下，中小企业的多数消费者也逐渐的脱离在实体店购买物品的习惯，将消费的目光投入到了网络这一个便捷的渠道上，消费行为的改变，使得大多数的中小企业失去了原先的消费人群，导致其营销策略的失败。
1.3电子商务时代对于中小企业营销模式的冲击
中小企业的营销模式主要针对的是一些实体店的销售策略，是与消费者面对面的进行销售与交流的场景，这些都与现代化的电子商务时代相悖，使得中小企业的营销策略已经不能适应现代化对于企业的要求。许多的中小企业在进行营销的时候使用计算机技术以及网络的情景很少，并且在网站开发和维护方面缺乏一定的科技力量，这些无疑都是中小企业在电子商务背景下的缺陷，也是必需要进行改善的状况。
2 电子商务背景下对于中小企业营销模式的优化策略
电子商务时代的到来已经是不可阻挡的，中小企业为了顺应时代的发展，能够在期间顺利的生存下去而逃脱被淘汰的命运，必需要做的就是要对中小企业现状的营销模式进行全方位的优化，使得中小企业能够顺应现代的时代潮流。
2.1为中小企业构建电子商务营销模式打下坚实的基础
中小企业首先需要认识到电子商务发展的必然性，将自己的思想观念进行更新，而不是一味的将传统的营销思想滞留在企业的战略发展决策中，增强企业发展的紧迫感，迅速的加快企业进化到电子商务的营销模式中。中小企业的管理者先要对本企业的现状作出客观的认知。认真的学习与电子商务企业有关的理论知识以及管理策略，大胆的将一些创新性的决策引入到自己的企业之中，大胆的进行尝试，并时刻的注意电子商务市场的信息变化，搜集有关电子商务市场的信息，对其进行深刻的分析，找出适合中小企业发展的基于，将数字化产品以及服务引入到中小企业中，提高本企业的电子化水准。
2.2改善中小企业的电子商务的发展环境，完善保障机制
电子商务模式引入到中小企业后，应当加强其安全保障机制，完善网上认证体系以及支付体系，确保参与消费的消费者的信息以及资金的安全，只有这样中小企业才可以在电子商务的时代背景下取得发展的一席之地。中小企业应当增强其安全机制的完善，使得中小企业可以在一个相对安全的环境下进行改革，并可以迅速的在市场上树立起健康诚信的企业形象，使得中小企业虽然不具备强大的资金以及技术设备作为后盾，仍旧可以在电子商务的时代背景下为其企业的未来发展创造出良好的企业环境。
2.3中小企业迅速构建现代化物流体系，打造自己的物流产业
物流行业的加入是电子商务营销模式的最终的保障环节，也是中小企业完成交易，获得利润的最后的一个阶段，倘若没有健全的物流体系对于中小企业的辅助，就必然会严重的制约中小企业进行电子商务的模式的改革。中小企业在构建电子商务的营销模式的过程中，组成其改革成本的最关键的一部分就是物流的成本，为了保障中小企业可以在电子商务改革下能够获得较为丰厚的利润，就需要保障中小企业具有可以建立高效的、可靠的物流运作作为充分的保证。为此，应该建立大型的经济区域，构建有效的物流中心或者是配送中心，培植一项能够充分满足中小企业需求的物流产业，构建一个完善的第三方物流服务。
2.4提高员工关于电子商务知识及信息技术应用能力的培养
可以说，信息化时代的到来给电子商务时代的出现创造了机遇，所以中小企业的信息化建设必然会影响着企业走向电子商务营销模式，所以中小企业为了实现这一建设目标，一定要做到的就是要提高企业内员工的信息技术的应用能力，增强员工对于电子商务专业知识的了解，使得员工在执行企业的相关改革措施的时候，能够做到保障工作的效率以及为企业的发展尽一份职责。为了做到这一点，中小企业的管理者首先就是要对招聘一些电子商务的专业人士对于中小企业未来的发展作出战略性的决策，帮助制定适合中小企业发展的发展方针，并对中小企业内的员工做出具有针对性的培训，使得每一个员工都可以在中小企业改革的过程中发挥一份作用，运用所学到的专业知识解决中小企业目前遇到的状况。使得中小企业可以获得一批具有较高信息素养的员工，对于企业的未来发展无疑是有帮助的。
3 总结
随着经济时代的迅速进步，电子商务时代的到来已经给现代化的企业的发展带来了新的发展方向的指引，但是期间中小企业的生存问题就受到了不小的冲击。如何在这样的时代背景下获得一席之地，继续生存并可以积极的参与市场竞争，这一问题就必需受到中小企业的重视，进行电子商务模式的改革势在必行。更新电子商务管理的有关知识，建立现代化的物流体系，招聘一些具有较高信息素养的电子商务专业人才，加快对于企业管理思想的更新和培训体制的建立，可以帮助中小企业迅速的融入到电子商务的大背景之下。
中图分类号：TP393文献标识码：A 文章编号：1009-3044(2008)16-21279-03
Realization of Data Mining in E-commerce Website
XU Chun-xuan1,JIANG Wei2
(1.Beijing United University,Beijing 101200,China;2.Shandong Institute of Occupational trade,Weifang 261011,China)
Abstract: As the rapid development of the Internet, the technology of Web mining has become a hotter research field of data mining. This paper discusses the characteristics and methods of Web mining, which provide an idea of unifying structure of Web links to supply the data pretreatment in order to identify user session more precisely. While browsing pattern is being mined, the Web content clustering and the users clustering are unified to enhance the recommendation system performance.
Key words: E-commerce; Web usage mining; Web pages recommendation; Frequent sequence patterns
0 引言
随着数据库技术的不断发展以及数据库在信息管理中的广泛应用，数据库中存放的数据急剧增大，导致了知识发现和数据挖掘领域的出现。数据挖掘通过发现有用的新规律和新概念，提高了数据拥有者对大量原始数据的深层次理解、认识和应用[1]。它可以通过分析企业的原有数据，做出归纳性推理，预测客户行为，帮助企业决策者调整市场策略，减少投资风险。
由于各类电子商务网站的兴起，电子商务的业务竞争比传统的商务竞争更加的激烈。仅凭传统商务网站的静态连接是不可能适应现代社会的高速要求，也不可能满足更多的客户需求，更不可能争取更多的业务量。理想做法是把客户真正需要的信息推到客户面前，以此来吸引客户的关注。那么如何快速地分析出更准确、更有用的客户信息，从而对网站进行决策支持，如何为客户提供其相对感兴趣的商品信息，建立个性化的电子商务网站，这就需要在电子商务网站中运用数据挖掘技术，建立个性化的电子商务网站。
Web挖掘是指利用定性归纳、分类学习、关联规则挖掘、聚类分析等数据挖掘算法，从与Web相关的资源和用户浏览行为中抽取感兴趣的、有用的模式等隐含的信息。根据挖掘对象的不同，可以将挖掘分为三大类：（1）Web内容挖掘(Web Content Mining)，在人为组织的Web上，从文件内容及其描述中获取有用知识的过程。（2）Web结构挖掘(Web Structure Mining)，从Web链接结构中获取有用知识的过程。（3）Web使用记录挖掘(Web Usage Mining)，也称为Web日志挖掘，是从Web的存取模式中抽取有价值的信息和模式的过程。
1 问题分析
个性化推荐技术是电子商务推荐系统中最核心、最关键的技术，很大程度上决定了推荐系统性能的优劣。
近年来，对于Web使用挖掘的兴趣和工作逐渐增多，它也成为对客户的行为模式进行捕捉和建模的一种根本方法。一个非常成功并被广泛应用的个性化推荐技术是协同过滤技术（CF，Collaborative Filtering）[2,3]。给定一个目标客户的活动记录，协同过滤技术比较该记录和其他客户的历史记录以找出与当前客户最相近的K个客户，这些客户与当前客户有着相同的兴趣，找到的邻居就用来向当前客户推荐其未访问或购买的项目，它最大的优点就是对推荐的对象没有特殊的要求。利用协同过滤技术的系统有著名的GroupLens/NetPerceptions[4]、Ringo/Firefly[5]等。基于CF的技术存在着缺陷，它需要通过在线方式形成邻居的格式状态，随着用户数量的增加，计算量呈线形性增加，对于在大规模的数据集上提供推荐服务将导致不可接受的延迟。同时，还存在新加入项的问题，即冷开始问题，由于新加入的用户或资源还没有被访问或评价，造成新用户和新资源得不到推荐[6]。还有其他的一些推荐方法，如给予用户信息统计的推荐技术，它是先将用户根据个人属性进行分类，然后再基于类对类中的用户进行推荐[7]，在文献[8]认为显式输入用户属性的优点是简单，并且能够准确表达用户的兴趣，但是却很难收到成效。原因有用户很少主动表达自己的喜好、用户对问卷调查会产生厌倦、只能静态被动的接受用户的信息，不能将用户喜好的转移而自动修正用户的兴趣。
2 基于Web使用挖掘技术的推荐
目前，比较流行的技术是利用用户的Web日志进行挖掘，其中的数据预处理和日志挖掘算法是Web挖掘中的关键技术。Web日志挖掘主要提供面向用户的信息分析，所以首先要从Web日志中识别出用户会话（User Session），作为日志挖掘的基础。目前用户会话表示方法考虑到用户页面访问的时间顺序问题，可以通过访问的Web日志来预测用户的访问行为和网站周期性的访问行为，一般采用将用户会话表示成浏览页面的页面序列，它能够表示访问页面的时间序列。但是这种方法也是存在着缺陷：这是由于用户浏览页面是基于多个浏览窗口同时访问网站，因此可能用户在同一时间访问多个页面，这多个页面可能是通过同一个页面建立的不同超级链接，也可能是通过多个页面进行链接的。这样可能这些页面的访问顺序关系可能并不重要，如果将它们强行建立关系得话也没有多大的意义[9]。这是在进行日志挖掘时需要考虑的问题之一。
基于日志文件的Web使用挖掘推荐系统并不完美，仍然存在着以下的缺点[10]：首先采集到的数据不完全或者有限问题。在应用数据挖掘算法之前，往往要使用启发式规则帮助形成数据，这会使产生的用户模式不正确或者不合适。其次不正确的数据误导问题。当用户不再对网站进行访问时，其浏览信息还在日志文件中，这些数据可能会误导对其他用户的推荐。再次资源推荐的持续问题。当网站增加新网页时，由于这些网页从来未被访问过，即使与用户的兴趣相符合，推荐系统也很难发现并将其推荐，这也是一个冷开始的问题。而过去的兴趣页面也因为不断的被推荐，而引来更多的访问，再进行推荐，如此往复系统会停留在对过去兴趣页面的无限推荐当中，造成推荐资源的新颖性不足。这又是进行日志挖掘时需要考虑得到的问题。
3 结合聚类和Web使用挖掘的推荐方法
3.1 数据预处理
Web日志数据预处理的过程就是经过一系列的数据处理转化为用户会话，通常采用图所示的数据预处理过程。
图1 典型的Web日志数据预处理过程
我们对日志数据进行了数据净化、用户识别、会话识别和路径补充这四个预处理步骤，将原始的日志文件转化为用户会话文件和页面/标识符索引文件。
数据预处理的结果作为日志挖掘算法的输入，直接影响挖掘的质量，因此改进Web日志数据预处理技术可以有效地提高Web日志挖掘结果的质量。
在进行数据预处理时，考虑到用户浏览页面可能是基于多个浏览窗口同时访问网站，因此可能用户在同一时间访问多个页面，这多个页面可能是通过同一个页面建立的不同超级链接，也可能是通过多个页面进行链接的。这就需要在数据预处理的过程中，考虑到页面的链接结构。也就是说不仅仅需要在日志中通过时间限制进行用户的会话识别，而是在以前普通会话识别的基础上考虑站内页面的连接结构，将同一会话内无连接关系的页面再划成不同的会话。
如图2。
图2
这可能是用户的一个浏览图，用户在A页面可能同时点击了其上的三个链接B、C、D，我们其实并不在意这三个页面的时间序列问题，而在意的是他们都是通过页面A来进行链接的，以及通过这三个页面用户有访问浏览了哪些页面。而在以往的用户识别中，可能会将B、C、D划分到同一会话中并且有一定的序列。如可能存在，如果这个路径满足了频繁访问路径的条件，在以后别的用户访问网站时，就可能进行推荐，而这种推荐却是毫无意义的。
因此在进行数据预处理时，要考虑到网站内网页的链接结构，从而有利于发现用户的向前引用事务[11]和用户的偏爱浏览路径。
3.2 聚类的使用
在前面分析到了，多数的基于日志文件的Web使用挖掘推荐系统都存在一个冷开始的问题，即当一个新的页面被加入网站中还未被任何用户访问过，则推荐系统不能将其推荐。这样我们就可以利用页面聚类的方法，可以将被访问过的页面进行聚类，然后对新页面归类，具体的实现可以用到矩阵聚类[12]。同时针对于用户进行相应的聚类分析，一类用户对应于一类的网站页面。对于某一新用户访问完网站后，可以根据其浏览的路径，将其归类，待下次其访问网站的时候可以推荐相应类内页面。
由于用户浏览页面时通常是带有目的性的，但可能带有多个目的，所以在浏览页面的过程中不同目的可能重叠交织，而不同的目的页面之间的访问顺序不是我们所关注的。假如用户同一时间段内访问A、B、C、D，访问A、B是为一个目的，而访问C、D又为另一个目的，则A、B与C、D的访问序列并不能反映出用户的访问意向，这就需要通过页面聚类将这些子会话事务区别开来，从而提高了页面推荐的精确度。
4 实现
图3
整个推荐模型分成两个部分：离线的数据准备部分和在线的推荐部分。离线的数据准备部分又分为两种方法：一是根据客户的浏览行为将客户模糊聚类分析；二是从日志文件中挖掘出频繁访问路径。在线部分也分为两部分：一是根据客户当前访问序列，在频繁访问路径集内找到这些访问序列的推荐集，然后由Web服务器把这些推荐集的超连接发送到客户的浏览器供客户参考使用；二是此用户的登录时，查看用户的所属分类，将属于这个分类的推荐集的超连接法送到客户的浏览器上。
5 结束语
Web挖掘的结果对于商家在电子商务环境下分析客户的行为、调整网站的结构以及进行商业决策有着重要的意义。本文集中在对Web使用记录的挖掘上，对数据的预处理工作做了一定的补充，结合网站中各页面的链接结构信息细化了用户的会话，并且通过用户的访问路径对用户进行聚类，并将挖掘的结果用于路径的预测推荐和新用户的归类。下一步的工作是如何提高页面推荐的精确度。同时，Web数据具有很强的时效敏感特性，在以后的Web挖掘研究中我们还要考虑到Web数据的实效度问题，这样可以让决策者去掉冗余或过期的信息，做出更符合时势发展的决策。
参考文献：
[1] D Cheung, J Han, C Y Wong. Maintenance of discovered association rules in large databases：An incremental updating technique. Stanley Y, W Su. Proceedings of the twelfth International Conference on Data Engineering(ICDE’96), New Orleans, Louisiana, IEEE, Computer Society, 1996：106-1140.
[2] SARWAR BM, KARYPIS G, KONSTAN J, et al. Analysis of recommender algorithms for e-commerce[A].Proceedings of the 2nd ACM Ecommerce Conference(EC’00)[C] . Minneapolis, 2000: 135-141.
[3] Herlock J, Borchers A et al. An algorithmic framework for performing collaborative filtering[C].In: Proc of the Conference on Research and Development in Information Retrieval, ACM, 1999:230-237.
[4] RESNICK P, IACOVOU N, SUCHAK M, et al. GroupLens: an open architecture for collaborative filtering of netnews[A]. Proceedings of the Conference on Computer Supported Cooperative Work[C]. Chapel Hill, NC, 1994:185-186.
[5] SHARDANAND U, MAES P. Social information filtering: algorithms for automating “word of mouth”[A]. In Proceedings of the ACM CHI Conference(CHI95)[C], 1995.
[6] Badrul M, Sarwar, George Karypis, et al. Analysis of Recommendation Algorithms for Ecommerce[A]. ACM Conference of Electronic Commerce [C].New York:：ACM Press, 2000:158-167.
[7] LANG K. Newsreader: learning to filter news’[A]. Proceedings of the 12th International Conference on Machine Learning[C], 1995. 331-339.
[8] 於惠文，周兴社.电视节目个性化服务技术的研究[J].小型微型计算机系统,2005.26(1):105-110.
[9] 詹宇斌，殷建平.一种基于有向树挖掘Web日志中对大频繁访问模式的方法[J].计算机应用,2006.26(7)：1662-1665.
[10] 崔林，王辉.基于网络内容和结构数据的用户浏览模型[J].河南科技大学学报（自然科学版）,2005.26（6）：59-61.
