网购问题中的购买频数和产品关联度以及促销方案分析 数学建模
基于网络购物影响力的数学建模问题
基于网络购物影响力的数学建模问题摘要随着电子商务和网络营销理论的不断发展，网络购物市场持续高速的得到广泛迅捷的普及，网上购买商品已经成为网民网络活动的重要组成部分。
这不仅在一定程度上促进了网络商务和网购创业的发展，同时也极大地带动了国家GDP的提升，已经在国民生产总值中占了很大的比重。
本文就网络购物问题来讨论影响其发展的评估因素，通过建立数学模型来合理定量的分析其主导因素，最终得到的结果一方面对于购物的网民具有借鉴和参考的作用，另一方面对于电子商务营销者也具有一定的指导和促进作用。
本文针对问题（1），考虑到这是一个多因素问题，故提出建立层次结构模型。
将有关网购的各个因素按照不同的属性自上而下地分解为若干层次，然后根据网上搜索和中国数据网所得数据依据层次关系构造成对比较阵，再在Mtable计算出的权向量的基础上对数据做一致性检验，验证成对比较阵是否符合要求。
最终得出问题（2）的结果：在考虑的11个因素中商品销量C1、商品价格C2、促销优惠C5、售后服务C11为影响网络购物的主要因素。
对于问题（3）和（4），建立灰色预测模型，根据搜索到的数据通过累加加工成生成数，再对残差进行修订建立微分预测模型，而后对其关联度收敛进行分析得到结果，最后模型所得数据须经过逆生成还原后才能为实际所用。
利用这种分析方法最终建立了一个与该问题实际情况贴近的模型，在合理假设的基础上得出问题（3）中要求的量化模型，而灰色预测模型的关键是对未来的结果具有精度较高的发展预测，所以在所建模型的基础上代入相关数值就可以预测2020年的网络购物的发展状况，本文中最终得到的数据为2020年的网购总额预测值为137.45万亿元左右、网购人数约为7.8亿人、快件数约为20.91亿件。
说明我国的网购产业的发展具有很大的发展空间。
关键词: 网络购物影响力评估量化层次分析法权向量成对比较阵灰色预测法1、问题重述随着网络购物市场持续高速的发展,网上购买商品已经成为网民网络活动的重要组成部分，为此马云与王健林的亿元赌局备受国人关注。
电子商务平台的用户购买行为分析与建模
用户在电子商务平台上的购买行为往往经历一个决策过程。该决策过程可以分为以下几个阶段：
1.需求识别阶段
在这个阶段，用户通过平台上的广告、推荐算法等途径，识别到自己的需求。例如，用户可能看到平台上的一则广告，引发了对某种商品的兴趣。
2.信息搜索阶段
一旦用户意识到自己的需求，他们会开始在平台上搜索相关信息，了解不同产品的特性、价格、评价等。平台上的搜索引擎、用户评价、产品描述等信息会对用户的购买决策产生重要影响。
3.评估与比较阶段
在这个阶段，用户会根据搜索到的信息，对不同的产品进行评估和比较。用户可能会参考产品的品质、价格、售后服务等因素，从而决定是否购买某种产品。
4.购买决策阶段
一旦用户完成评估与比较，他们会做出购买决策。这个决策过程可能受到诸多因素的影响，如价格、促销活动、品牌声誉等。
5.后购买行为阶段
电子商务平台的用户购买行为分析与建模
一、引言
随着互联网技术的不断发展和普及，电子商务平台逐渐成为人们购物的首选方式之一。然而，用户在电子商务平台上的购买行为涉及众多因素，如用户购买决策、产品特性、平台运营等，这些因素的分析与建模对于电子商务平台的发展至关重要。本文将从多个角度对电子商务平台上的用户购买行为进行分析，并尝试建立相应的模型，以期提供有价值的参考和指导。
3.关联规则挖掘模型
关联规则挖掘模型可以用于分析用户购买的频繁项集和相关规则。通过挖掘用户的购买数据，可以发现用户购买不同产品之间的关联关系，从而提供个性化的推荐服务。
4.神经网络模型
神经网络模型可以通过训练大量的样本数据，来建立复杂的非线性关系模型。通过分析用户的历史购买数据和其他特征数据，可以构建神经网络模型来预测用户的购买行为。
用数学模型解决购物问题
用数学模型解决购物问题购物问题是人们生活中常遇到的一个实际问题。
随着电子商务的兴起，人们可以通过在线购物渠道方便地购买所需商品。
然而，购物过程中往往会面临各种选择和决策的困扰，比如如何在有限的预算内购买最多的商品，或者如何合理安排商品的配送路线等等。
为了解决这些问题，数学模型成为一种有效的工具。
本文将探讨如何利用数学模型解决购物问题。
在购物过程中，我们常常需要在不同的商品之间进行选择。
这就引出了一个最优选择的问题，即如何在有限的预算下获得最多的商品。
这个问题可以用一个数学模型进行描述和求解。
首先，我们定义一个有限的预算B，以及一系列具有不同价格和价值的商品。
可以假设每个商品的价格和价值都是已知的。
为了简化问题，我们可以将预算B和商品的价格、价值都表示为非负整数。
接下来，我们需要定义一个决策变量，即每个商品是否购买。
可以用一个二进制变量xi表示第i个商品是否购买，其中xi=1表示购买，xi=0表示不购买。
然后，我们需要定义一个目标函数，即购买的商品总价值。
可以用一个线性函数表示，即目标函数为：maximize Σ(xi * vi)其中，vi表示第i个商品的价值。
同时，购买的商品总价值不能超过预算B，因此还需要添加一个约束条件。
可以用一个线性不等式表示，即约束条件为：Σ(xi * pi) ≤ B其中，pi表示第i个商品的价格。
综上所述，我们将购物问题转化为一个线性规划问题，可以使用线性规划算法来求解最优解。
线性规划算法可以利用单纯形法等方法进行求解，得到购买的商品组合及其总价值。
除了最优选择问题，购物问题还涉及到商品的配送路线规划。
这可以看作是一个旅行商问题，即如何在多个目的地之间找到最短的路径。
为了解决这个问题，可以使用图论中的最短路径算法，比如Dijkstra算法、Floyd-Warshall算法等。
首先，我们需要将购物地点和配送地点抽象为一个图。
可以用节点表示地点，用边表示地点之间的距离或运输成本。
利用数据分析用户购买历史优化双十一促销
利用数据分析用户购买历史优化双十一促销随着电子商务的快速发展，双十一购物狂欢节已经成为中国最大的购物盛会之一。
在这个特殊的日期，无论是线上还是线下商家，都争相推出各种促销活动，力图吸引更多的消费者。
然而，如何针对用户购买历史进行数据分析，优化双十一促销策略，成为了商家们迫切需要解决的问题。
数据分析可以帮助商家更好地了解消费者的购买行为和偏好，从而提供更优质的商品和服务，并且制定更精确的促销策略。
下面，我们将以某电商平台为例，探讨如何利用数据分析用户购买历史来优化双十一促销。
首先，商家可以通过统计用户的购买历史数据，了解用户的偏好和购买习惯。
例如，商家可以分析用户在不同商品类别下的购买频次和金额，根据用户偏好的商品类别，有针对性地推送相应的促销活动，从而提高转化率。
其次，商家可以根据用户的购买历史进行个性化推荐。
通过分析用户在过去购买的商品，商家可以了解用户的兴趣和需求，并向其推荐相关的商品。
这不仅可以提高用户的购买满意度，还可以增加商家的销售额。
再次，商家可以通过数据分析预测用户的购买意愿和需求。
例如，商家可以根据用户的浏览和收藏历史，结合一些行为模型，预测用户可能感兴趣的商品，并及时推送促销信息，引导用户进行购买。
此外，商家还可以通过数据分析，对用户的购买历史进行细分和分类。
通过将用户分为不同的群体，商家可以针对性地设计促销方案，并提供具有差异化竞争力的商品和服务。
例如，根据用户的地理位置进行区域性促销，或者根据用户的消费水平进行不同阶段的促销。
最后，商家还可以利用数据分析，对过去的促销活动进行评估和总结，从而不断优化双十一促销策略。
通过分析不同促销活动的效果和用户反馈，商家可以了解哪些策略是成功的，哪些还需要改进，并在下一次双十一促销中做出相应的调整。
综上所述，利用数据分析用户购买历史可以帮助商家优化双十一促销策略。
只有通过深入分析用户的购买行为和消费习惯，商家才能更好地满足用户的需求，提供更好的商品和服务，从而实现双方的共赢。
基于大数据分析的用户购买行为建模与预测
基于大数据分析的用户购买行为建模与预测用户购买行为建模与预测是基于大数据分析的一个重要应用领域。
随着互联网的普及和电子商务的快速发展，用户在网络平台上的购买行为不断增加，这为企业提供了丰富的数据资源，也为企业提供了更多的机会来了解用户的购买意愿和消费习惯。
通过对用户购买行为进行建模与预测，企业可以更好地了解用户需求，提供个性化的产品和服务，实现销售增长和用户满意度的双赢。
一、用户购买行为建模用户购买行为建模是指通过对用户的历史购买数据进行分析，建立起用户购买行为的数学模型。
通过这些模型，可以从多个维度揭示用户的购买规律、购买偏好和购买动机，为企业提供决策支持和营销策略。
1. 用户购买规律建模用户购买规律建模是对用户购买行为的时间、频率以及购买产品分类等进行建模。
通过分析用户购买的时间段、周几、月份等时序特征，可以发现用户在哪些时间段更容易下单，从而为企业合理调配资源、提供更好的服务。
同时，通过分析用户购买的频率，可以了解到用户的购买周期和回购行为，帮助企业针对不同用户制定差异化的运营策略。
另外，还可以通过对用户购买产品分类的分析，了解用户的偏好，推荐相似产品，提高交易转化率。
2. 用户购买偏好建模用户购买偏好建模是对用户在购买过程中的偏好进行分析和建模。
通过对用户的历史购买数据进行挖掘，可以了解到用户对不同产品的喜好程度、品牌偏好、价格敏感度等。
通过购买偏好建模，企业可以提供个性化的推荐，为用户提供更好的购物体验，提高用户忠诚度和留存率。
3. 用户购买动机建模用户购买动机建模是对用户在购买过程中的心理需求进行分析和建模。
通过挖掘用户行为数据和评论数据，可以了解到用户的购买动机，如实用性、社交性、奖励性等。
通过购买动机建模，企业可以针对用户不同的购买动机，提供相应的产品和服务，实现精准营销和提高销售转化率。
二、用户购买行为预测用户购买行为预测是指通过已有用户数据和机器学习算法，预测用户的未来购买行为。
电子商务中的用户购物行为分析与建模
电子商务中的用户购物行为分析与建模随着互联网的发展和智能手机的普及，电子商务行业迅速崛起并成为日常生活中不可或缺的一部分。
用户购物行为的分析与建模成为了电子商务企业提升竞争力和用户体验的重要工具。
在本篇文章中，我们将探讨电子商务中用户购物行为的分析与建模，为企业提供一些有益的建议。
一、用户购物行为分析用户购物行为分析是通过收集和分析用户的行为数据，了解用户的购物习惯、偏好和需求，从而帮助企业更好地理解用户的需求并提供个性化的购物体验。
以下是一些常用的用户购物行为分析方法：1. 浏览行为分析：通过记录用户的访问页面、停留时间和页面点击量等数据，并进行分析，可以了解用户在网站上的浏览行为。
企业可以根据用户的浏览行为，优化网站的布局和内容，提高用户的购物体验。
2. 购买行为分析：通过跟踪用户的购买数据，包括购买频率、购买金额和购买产品的种类等，可以了解用户的消费习惯和偏好。
企业可以根据购买行为，进行个性化推荐和精准营销，提高销售效果。
3. 评论和评分分析：用户在购物过程中的评论和评分可以提供有关产品质量和用户满意度的重要信息。
通过分析用户的评论和评分，企业可以改进产品质量和服务，并根据用户反馈进行迭代和改进。
4. 转化率分析：转化率是指用户从浏览商品到最终完成购买的比例。
通过分析和优化转化率，企业可以提高销售额和利润。
例如，通过改进网站的购物流程、提供更加清晰的产品信息和优化支付体验等措施，可以提高用户的购买转化率。
以上是一些常用的用户购物行为分析方法，通过对用户行为数据的细致分析，企业可以更好地理解用户需求，提供个性化的购物体验，并优化运营策略。
二、用户购物行为建模用户购物行为建模是基于用户购物行为数据，构建模型以预测用户的购买行为和偏好。
以下是一些常用的用户购物行为建模方法：1. 关联规则分析：关联规则分析可以通过挖掘数据集中的频繁项集和关联规则，发现用户的购买行为之间的内在联系。
例如，通过分析用户的购买历史数据，可以发现用户购买某种商品A时往往也会购买商品B，从而提供交叉销售的推荐。
电子商务平台的用户购买行为分析与建模
电子商务平台的用户购买行为分析与建模一、引言随着互联网技术和电子商务的迅猛发展，电子商务平台成为了商业领域中的重要组成部分。
用户购买行为的分析与建模对于电子商务平台的运营和改进起着至关重要的作用。
本文将对电子商务平台的用户购买行为进行深入探讨，从行为数据收集、数据分析、建模和运用等几个方面进行论述。
二、行为数据收集电子商务平台通过用户注册、购买记录、用户行为追踪等方式，收集大量用户购买行为数据。
这些数据对于分析用户购买行为、挖掘用户需求、优化产品和服务等具有重要意义。
同时，为了保护用户隐私，电子商务平台需要遵守相关法规和政策，对用户数据进行安全和合规的处理。
三、数据分析1. 用户画像分析通过对用户购买行为数据的整理和分析，可以构建用户画像，了解不同用户的消费习惯、偏好、消费能力等特征。
通过用户画像的建立，电子商务平台可以进行个性化推荐、精准广告投放等活动，提升用户购买意愿和满意度。
2. 购买路径分析购买路径分析是指对用户在购买过程中的行为轨迹进行分析，了解用户在购物过程中的行为习惯和决策因素。
通过购买路径分析，电子商务平台可以优化页面布局、改进购物流程、提供更好的导航和搜索功能等，提升用户购买的便捷性和体验。
3. 购买决策分析购买决策是用户购买行为的核心环节，通过对用户购买决策的分析，可以了解用户的购买动机和心理需求。
购买决策分析包括评估产品或服务的性价比、比较竞争对手的优势、考量购买的风险和信任等因素。
电子商务平台可以通过购买决策分析，提供更好的产品信息和评价，增加用户的购买信任和满意度。
四、建模与应用1. 基于分类模型的用户购买行为预测通过构建分类模型，可以预测用户的购买行为，为电子商务平台提供决策依据。
常用的分类模型包括逻辑回归、朴素贝叶斯、支持向量机等。
通过将用户的个人特征、购买历史等作为输入变量，可以预测用户是否会购买某个产品或参与某个促销活动，从而进行有针对性的营销和推广。
2. 贝叶斯推荐算法贝叶斯推荐算法是一种常用的个性化推荐算法，通过分析用户购买和浏览行为，结合商品属性和用户兴趣模型，给用户推荐符合其偏好的商品。
网络购物中的数学问题
网络购物中的数学问题近几年来，随着电子与网络技术的迅速发展，网络越来越普及。
因此，网络购物悄无声息地潜入了人们的生活，越来越多的人喜欢上了网上购物，网上购物并逐渐成为了一种潮流，一种常见的消费方式，给人们带来了很大的方便。
网络购物不但消除了购物在时间和空间上的束缚，更让人们享受着足不出户选购各式各样物品的便捷。
每到逢年过节，大多数店铺进行促销活动，网购的数量就会与日俱增，致使各个快递公司业务量剧增，甚至出现了“爆仓”现象，足见网购的火爆程度。
如每年的11.11，就会出现疯狂购物的热潮，商家抓住这个机会进行打折和促销。
就我自己而言，在每年的这个时间会关注很多的店铺和宝贝，一旦出现优惠就会把它买回来。
自从2011年1月办理了网银至2015年9月，通过查询支付宝交易记录可知，网购消费也是一笔大的开支，总消费额为19909元。
具体数据如下所示：2011年度为1252元（11月为318元），2012年度为3863元（11月为1360元），2013年度为2553元（11月为1600元），2014年度为6215元（11月为2034元），2015年度为6026元。
分析可知，每年的消费额趋于递增趋势，并且每年11月份的消费额占了本年总消费额的较大比值。
为了解决以上问题，大多数购物网站建立了买家评价回馈机制。
但现有评价机制仍存在不合理之处，一些不法商贩钻现有评价机制的漏洞，出现了买钻卖钻、以次充好、次货驱逐良货等现象，这种网络的不和谐因素严重阻碍了网络购物的健康发展。
因此如何完善网购评价机制、选取合适的网店成了人们关心的首要问题。
理想的网店，可以节约人们因不相信商品信息而大量查阅资料所花费的时间，提高网购的效率。
另外，“物美价廉”是每个人购物的基本原则，但不同消费者网购时关注的商品属性也往往不同，满意是相对而言的。
通过本人几年来网上购物的经验教训，在这里提供一些网购的建议。
（1）网店的现有评分不能反映网店的真实情况，因此网购时不能只看网店的评分，要参考买家留言和各单项打分。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
网络购物分析【摘要】本题是对网购问题的分析，由于商场旨在追求利益的最大化，因此对商品聚类分析、找出利益最高的组合，为商家呈现出最好的营销方式，是本题主旨。
同时由于本题数据繁杂庞多，其结果也与数据有着直观和密切的联系，所以对于数据的处理极其准确程度也显得尤为重要。
（本题所给数据皆真实有效）。
对于问题一，求其商品之间的关联程度，即指如果买一副镜框,一般情况下也要买一副镜片，此时可认为镜片和镜框的关联度很高。
故解决此问题可以运用聚类的方法和概率论知识相结合的办法，建立相应的模型，找出关联度很高的组合，即为所求的的结果。
对于问题二，利用穷举法以及第一问的模型，便可以找出同时被频繁购买的商品的组合，便可以据此进行第三问的求解，所以第二问是一个承接的作用。
对于问题三，在问题二的基础上得出促销方案。
故需知道各种组合的利益，运用最优解法，结合购买的次数最多以及商品的价格较高两个因素，找出各种组合中的利益最大的组合，促销在此基础上进行。
例如：在最大利益的组合中，有一利益最小的商品，则可以对此商品进行打折，以此达到薄利多销的营销策略。
经过市场调查，可以得到使其利润最大的打折率f(i),，那么f(i)便是我们的促销打折率，以此便可制定促销方案。
与此，也可运用其他的策略。
问题一，问题二结果如下表所示：问题一结果：组合商品编号数目关联度V368 6822860.07732872V368 5293290.076986159V956 538 413 120 0.005608505V368 937 829 413 72 0.00003998问题二结果：组合商品编号数目V368 529329V368 829307V368 489 682 122V368 937 829 413 72问题三结果：一种商品：最高获利382255.74元，商品编号为368。
二种商品组合：最高获利189487.55元，商品编号为（368 529）。
三种商品组合：最高获利76468元，商品编号为（V368 829 529）。
四种商品组合：最高获利737.6688元，商品编号为（V489 438 956 722）。
【关键词】0,1变量，关联度，聚类分析，穷举法，最优解法，促销，spss软件，matlab软件。
一、问题重述网店老板经常关心的问题是顾客的购物习惯，即什么商品组或集合顾客会在一次购物时同时购买。
他们可以把这些“同类商品”相互关联在网页内，以便于顾客浏览商品，引导顾客消费，进而增加销量。
已知某购物网站一段时期所有顾客购买物品的清单和相应商品的利润，需要我们给网店老板一个合理的顾客购物习惯分析报告，并提供一个促销计划的初步方案。
问题1 试建立一种数学模型，该模型能定量表达网站中多种商品间的关联关系的密切程度。
数据见附件1.问题2 根据在问题1中建立的模型，分析出哪些商品是最频繁被同时购买的，并且找到的最频繁被同时购买的商品数量越多越好。
例如：如果商品1、商品2、商品3，商品 4 在4625 个购物记录中同时出现了200 次，则可以认为这三个商品同时频繁出现了200 次，商品数量是4。
问题3 附件2 给出了这999 中商品的对应的利润，根据在问题1、问题2中建立的模型，给出一种初步的促销方案，使购物网站的效益进一步增大。
二、问题分析本题旨在为商家做出商品分析报告，提出合理的建议，达到利益最大化的目标。
由于本题问题层层递进，而且数据量庞大，问题所问与初始数据密切相关，故数据的处理显得至关重要。
对此，将matlab与spss，excel等软件相结合，便可对原始数据进行处理以得到更为直观的数据。
问题一运用聚类分析和概率相结合的办法。
现将原始数据转换为0,1变量，所谓0,1变量，即指把商品编号和人数组成二维表，若某人买了某编号的商品，则在此对应的位置标1，反之为0。
这样便得到利于计算和直观反映的数据。
此过程由spss和matlab进行，具体详见模型解答过程。
在0,1变量的基础上，对商品进行各种组合，若某人买了一种组合中的全部商品，即对应的0,1变量皆为1，则重新标记为1，反之则为0。
以之求和，便可得到购买数量最多的组合，再用其模型求得其关联度。
问题二在问题一的基础上求解，利用穷举法和问题一中的结果，可将频繁购买的组合求出来。
问题三利用最优解法，把各种组合中的最大利益求出来，在其组合中找出利益最小的商品，则此种商品为需要打折促销的商品，再根据f(i)决定促销策略。
同时也根据问题二的结果，列出需要放在一起进行广告的商品组合数，至此则此题已完全解决。
三、模型假设1.对于问题三中，各个商品利润保持不变。
2.表格中的数据能真实反映当地消费者购物情况。
3.短时期内商品销售不会变化，即种类数目不会有太大的变化。
4.关于商品的关联度，如果买一种商品的同时买另一种商品，则就说明它们有关联度，如眼镜框和镜片，排除无意间同时购买的因素，如面包和衣服等，故此题中的同时购买即认为全为有关系的，即是有关联度的。
5.题中的打折率f(i)可以从现实中得到，以至于促销策略可以实行。
6.不存在打破这种商品购买格局的因素。
7.商场是追求利润的最大化，由于数据众多，故提取单笔购买数量从大到小排列的5%作为数据样本。
对实际结果分析没多大的影响。
四、符号说明N i表示i商品购买的频率；N j表示j商品购买的频率；N表示k商品购买的频率；kN表示l商品购买的频率；lN表示i和j商品同时购买的频率；ijN表示打折后i和j商品同时购买的频率；ijN表示i，j，k商品同时购买的频率；ijkN表示i，j，k，l商品同时购买的频率；ijklR表示i，j商品的关联度；ijR表示i，j，k商品的关联度；ijkR表示i，j，k，l商品的关联度；ijklT表示商品的总利润；m表示购买的人数；n表示商品的数目；g表示购买商品i的利润；id(i,j)表示第i人是否购买了第j种商品，用0,1表示买与不买，d为0,1的矩阵；f(i)表示打折率；Z表示促销前销售量；Z’表示促销后的销售量。
五、模型的建立对于此题的模型，为求其关联度，我们运用概率方面的知识：P(A/B)=P(AB)/P(B)P(B/A)=P(AB)/P(A)则有：P(A/B) *P(B/A)= P(AB)/P(B)* P(AB)/P(A)；故此联系上面的公式，我们可以得到以下模型：2*ij ij i j N R N N =其中：N i 表示i 商品购买的频率；N j 表示j 商品购买的频率；ij N 表示i 和j 商品同时购买的频率；ij R 表示i ，j 商品的关联度。
这样便是两个商品的模型。
三个商品和四个商品等的以此类推：3**ijk ijk i j kN R N N N = 4***ijkl ijkl i j k l N R N N N N =……对于第二题的模型，则在第一题基础上，求出ij N ，ijk N ，ijkl N中最大的几组，便是可以得到结果。
第三题模型：在第二组求出的最大的ij N ，ijk N ，ijkl N中，求其组合中的最大利益：T1= N i*g i ； T2=ij N *（g i +g j）； T3=ijk N *（g i +g j +g k）； T4=ijkl N *（g i +g j +g k +g l）； 其中T1，T2，T3，T4分别为一个商品，两个商品组合，三个商品组合，四个商品组合的最大利润。
在促销过程中，设商品i在组合ijN中利润最小，则对其打折，打折率为f(i),打折前销售量为Z，打折后销售量为Z’，购买i，j的人数为ijN，则其利润为：T=ijN*（g i+g j* f(i)）则多获益：t=ijN*（g i+g j* f(i)）－ij N*（g i+g j）这样以此类推，三种组合，四种组合皆为如此。
六、模型求解问题一：首先将消费记录数据用spss进行整理，然后用matlab求其0,1矩阵，其程序如附录中程序一。
d(i,j)=1 第i人买了第j种商品0第i人没买第j种商品然后求和46251(,)id i j =∑，求得各种商品的购买量，根据假设取其前50种，结果如下：（V368表示商品编号，第二列数字为购买量）V368 1314V8291079V5291070V510944V419927V217909V489868V438833V956824V914809V766807V682805V692802V937781V205768V722744V720741V883730V145676V362676V895669V897667V283660V8658V177647V480641V752636V966635V470633V71632V541622V204621V140620V12616V538616V775614V890611V120609V413607V450607V354606V676595 V55592 V694586 V401581 V597568 V72553 V236552 V110549 V161548然后对这五十种商品进行处理，任意进行组合，例如，对于i 和j 号商品，若某人同时买了，则记为1，反之为0。
然后对4625名顾客求和，得到i 和j 商品共同购买的数目ij N ，再用公式2*ij ij i j N R N N =，此过程用matlab 做，其程序如附件中的程序2，取其前最高关联度的十组，得到结果如下：组合商品编号数目 关联度 V368 682286 0.07732872 V368 529329 0.076986159 V529 692251 0.07341576 V368 489289 0.073228577 V368 829307 0.066475244 V368 217280 0.065638223 V368 937258 0.0648624 V829 692236 0.064361802 V529 438237 0.063018478 V368 720246 0.062152219 对于三种商品的组合，类似两种组合的处理办法，使用公式3**ijk ijk i j k N R N N N =，利用matlab ，其程序见附件程序3。
取其前最高关联度的四组，得到如下结果：组合商品编号数目 关联度 V956 538 413120 0.005608505 V368 489 682122 0.001977737 V368 529 217101 0.00080616 V368 829 529 100 0.000659173对于四种商品的组合，类似三种组合的处理办法，使用公式4***ijklijkl i j k l N R N N N N ，利用matlab ，其程序见附件程序4。