杨通辉，高 玲，臧 丽

（山东师范大学 信息科学与工程学院，山东 济南 250014）

随着经济的发展，商品的种类越来越多，作为顾客自由购物场所的商店，可利用有限的营业空间，在顾客浏览商品时，刺激顾客的购买欲望，达到扩大销售的目的。商品的陈列在销售过程中扮演者重要的角色，是商品沉默的推销员[1]。因此如何合理地对商品进行陈列[2]，成为商店推销过程的一个必须要考虑的问题。由于不同顾客购买的商品之间具有一定的相似性，可以根据不同商品间的相似性，构造具有关联性的商品网络[3]形成聚类，并根据不同顾客购买商品的相似性的大小，运用K-means聚类算法，利用相似度代替欧氏距离，对该商品网络进行聚类分析[4]，划分出相关性大的顾客群体，并根据每个群体中顾客购买每类商品的均值占总商品数得比例进行排序[5]，从而得到商品陈列的依据，这样顾客在浏览商品时，便会刺激其购买欲望，进而达到扩大销售的目的。如图1所示。

1 聚类分析的理论基础

1.1 聚类简介

1.2 K-means聚类算法简介

K-means算法[8]属于聚类方法中的一种划分方法，该算法具有较好的可伸性和很高的效率，适合处理大文档集。K-means算法将一组物理的或抽象的对象，根据它们之间的相似程度分为若干组，其中相似的对象构成一组。它采用欧式距离作为相似性的评价指标，即认为两个样本的距离越近，其相似度越大。其以最大欧式距离原则选取新的聚类中心，以最小欧式距离原则进行模式归类。……