基于Clara算法的电子商务流量大数据分类挖掘方法

《Big Data Research》：Classification Mining Method of E-Commerce Traffic Big Data Based on Clara Algorithm

　　

摘要

为实现对电子商务流量大数据的精准高效分类，本文采用基于Clara算法的方法。该方法通过分析电子商务流量大数据中与交易流程相关的各类要素来开展工作。数据聚类的有效性会显著影响对电子商务流量大数据进行分类和挖掘时的精确度以及处理时间。文中运用小波阈值函数对电子商务流量大数据进行去噪处理，从而提升数据质量。随后利用Clara算法对经过去噪处理的数据进行挖掘与聚类，最后再通过支持向量机对聚类后的数据进行分析分类。实验结果表明，本文提出的方法能够有效实现对电子商务流量大数据的聚类与分类挖掘。聚类结果显示各类别之间不存在数据重叠现象，分类挖掘的平均准确率可达95.6%，最高甚至达到97.9%。同时，单次分类挖掘的最大处理时间仅为14.5分钟，大幅提升了电子商务流量大数据分类挖掘的精确度和效率。

引言

近年来，得益于物联网、云计算以及移动设备等技术的进步，电子商务发展迅猛。它现已成为现代网络、技术及市场环境中资源配置的重要方式，对人们的日常生活有着深远影响，同时也推动了经济的发展[1,2]。在物联网、云计算和移动设备等技术发展的推动下，电子商务迅速发展，已成为资源配置的重要手段以及推动经济进步的关键力量。这促使许多传统零售企业转型从事电子商务业务，使得该行业竞争日益激烈。要想在竞争中取胜，电子商务企业必须时刻关注自身发展动态，快速适应市场变化，并以网站流量数据作为决策的主要依据[3]。

电子商务流量指的是访问电子商务平台或网站的次数。常用的统计指标包括独立用户数、总用户数（含重复访问者）、页面浏览量、每用户页面浏览量以及平均用户会话时长。对电子商务流量大数据进行分类和分析，对于网站收集用户信息、优化沟通方式以及改进网站功能具有重要意义[4,5]。

参考文献[6]提出了一种基于双链量子遗传优化算法的分类挖掘方法，该方法利用双链量子比特将分类规则编码为实数，再通过解空间变换将量子比特的概率映射到对应的实数集合上。量子旋转门的旋转角度是根据目标函数的梯度变化来确定的，而量子非门则用于实现个体变异，从而完成数据分类挖掘工作。不过，这种方法的挖掘精度较低。参考文献[7]提出了一种基于fg生长算法的分类挖掘方法，该方法利用最大值和最小值标准化线性函数对大数据进行离散化、标准化处理，同时检测异常值并完成其他相关性分析，最终通过贪心策略完成数据分类挖掘。但该方法的分类精度仍有提升空间。参考文献[8]提出了一种基于非负矩阵分解与稀疏表示的分类挖掘方法，该方法首先对标签空间进行非负矩阵分解，得到标签潜在语义空间，再将该语义空间与原始特征空间相结合形成新的特征空间。通过对这个新特征空间进行稀疏编码，可以获取样本之间的全局相似性关系，进而利用这些相似性关系重构二元标签向量，最终完成数据分类挖掘。参考文献[9]则提出了一种基于机器学习和数据挖掘的方法，该方法整合多种数据源构建指标体系，利用K均值算法对数据分组，识别出不同的学习行为模式；同时使用随机森林分类模型预测学生的学业表现，并通过特征重要性分析找出关键影响因素。此外，该研究还引入了LSTM模型来分析学习行为的动态演变规律。然而，这种方法无法有效解决多源异构数据融合过程中的信息冗余和噪声干扰问题，因此后续建模的精度较为有限。

尽管已有诸多研究努力，但仍存在一些尚未解决的Research gaps和挑战。首先，目前大多数方法缺乏有效的建模机制，难以应对电子商务流量数据本身的复杂性和动态特性，尤其是在处理多源异构数据融合带来的信息冗余和噪声干扰方面表现不佳。其次，这些方法在高维非线性特征的表征能力上存在不足，限制了分类和预测模型的稳定性。第三，很少有方法能够充分捕捉流量模式的时间演变规律，这降低了模型在现实场景中的适应性。第四，从成本角度来看，现有的方法往往会产生较高的计算开销和资源损耗，比如过高的内存占用、过长的CPU/GPU运行时间以及低效的数据处理流程，因此在处理大量并发流量时存在系统死锁的风险。这里的死锁指的是多个处理线程或资源无限期地互相等待，导致分类挖掘过程完全停止。这种情况不仅会浪费计算资源（如存储空间、带宽、能源），还会使电子商务平台无法及时获得业务洞察，从而错失盈利机会。

为了解决上述问题与挑战，本文提出了一种基于Clara算法的电子商务流量大数据分类挖掘方法。本研究的主要贡献有三点：（1）引入小波阈值去噪策略，在去除噪声干扰的同时保留关键的流量特征，从而提升数据质量，为后续处理提供更好的数据基础。（2）对Clara算法进行改进，加入基于距离约束的优化机制，使其能够高效、稳定地对大规模、高维度的流量数据进行聚类处理，降低计算复杂度，同时减少系统死锁的风险。（3）采用带有高斯核的支持向量机，实现对聚类后流量模式的高精度分类。与现有方法相比，本文提出的方法具有更高的分类精度（最高可达97.9%）、更短的处理时间（最长仅14.5分钟），且资源利用率更高，从而减少了资源损耗，避免了在实际电子商务环境中出现死锁情况。

章节节选

电子商务流量大数据的构成

电子商务流量数据可分为两类：公共领域的流量数据以及私有领域的流量数据。图1展示了电子商务流量大数据的构成结构。

电子商务业务的运营与发展是各种信息流和反馈作用的结果。在电子商务业务活动中，会生成各类数据，主要包括产品数据、营销数据、物流数据、会员数据等等。这些数据会实时被记录下来

实验验证

为了验证基于Clara算法的所提出的电子商务流量大数据分类挖掘方法的实际应用性能，本文进行了对比测试。

结论

电子商务流量大数据的构成极为复杂，因此需要通过有效的分类挖掘方法来提取有用信息。为了提高分类精度并降低处理时间，本文提出了基于Clara算法的方法。理论分析和实验结果都证明了该方法的优异性能。将其应用于电子商务流量数据的分类挖掘任务时，该方法的分类精度更高

利益冲突声明

本文不存在任何利益冲突。

伦理审批说明

无需进行伦理审批。

参与同意声明

无需进行参与同意声明。

CRediT作者贡献说明

齐春伟：负责原文撰写——初稿撰写、方法验证、方法设计、概念构思。张辉：负责原文撰写——审稿与编辑、资源协调、数据整理。

齐春伟|张辉

中国长春市130114，吉林建筑科技学院管理工程学院