推荐阅读：摘要：在科技发达的今天，网络信息技术日渐进步。电子商务发展迅猛，收到了许多国家的重视与青睐。分布式图聚类是与之相联系的事情的内部与外部事件进行连接，形成分布式分析图。而数据挖掘是根究我们对已知的客户资料，包括客户的家庭信息，钱财状况，情感
摘要：在科技发达的今天，网络信息技术日渐进步。电子商务发展迅猛，收到了许多国家的重视与青睐。分布式图聚类是与之相联系的事情的内部与外部事件进行连接，形成分布式分析图。而数据挖掘是根究我们对已知的客户资料，包括客户的家庭信息，钱财状况，情感属性等等进行数据中和，从而达到想要从中了解到的真实状况。根据想要在电子商务上推出的一系列产品中做出更适合大众想要，更受大众喜爱的产品。在电子商务数据挖掘中，电子商家网站还可以从中获得灵感，制作出更被社会所欣赏的东西。电子商务挖掘中的分布式图聚类是受很多个国家的电子商务所青睐的数据反馈信息的一个研究方法。在电子商务数据挖掘中有很多问题，比如说客户的人数众多，无法正确完整的分析，再或者是商品的种类复杂等等。虽然数据挖掘在大多数情况下都是用电脑完成的，但是也有一定的局限。很难正确的分析出客户与商家的正确的联系。该文主要介绍的是分布式图聚类在其电子商务数据挖掘的应用。分布式图聚类是相对于一般图聚类的来说它是比较清晰可观地反映出数据之间的联系的一种图聚类，也是目前来说应用比较广的图聚类。
关键词：数据挖掘；图聚类；分布式图聚类
分布式图聚类在电子商务数据挖掘中的应用是十分广泛的。国家在网上购物的数量逐渐加大，网上商城的竞争力也逐渐地加大，各个网站都会使出浑身解数去惊醒电子商务数据挖掘，来为商家提供有力的资料来帮助自己进行商业上的改进和整编。但是随着购物的数据的加大，分析数据的信息难度就越来越大，以往的数据类已经满足不了商家们对数据分析的要求，图聚类的产生补充了数据类的不足，图聚类解决了数据庞大的问题，可以说是电子商务发掘的进步。其中，最为代表性的就是分布式图聚类。在我们国家的网上商城比如说；淘宝、天猫、京东、聚美优品、苏宁易购等个大知名网站，据网上的商家们都会对电子商务数据进行挖掘与研究，同时，使用分布式图聚类方法的网站不在少数。分布式图聚类它解决了数据量大难以正确的评估、从而导致计算失误的发生。经过许多次的实验，我们发现分布式图聚类是非常稳定与安全的。分布式图聚类的产生促进了电子商务数据挖掘的发展，在对数据的稳定性与安全性中也有了很大的进步。
1 分布式图聚类的应用
分布式图聚类的应用在我国可以说是被广泛地应用，由于它自身的优点和好处所以备受广大商家采用。分布式图聚类的特点主要是针对相对较大的规模的数据进行分析和处理，这是传统聚图类无法做到的。它既能省去很多商家因为计算数据而产生的极大的成本，还能保证我们所得到的数据的真实和准确。分布式图聚类的发现与应用可以说是电子商务数据挖掘中的一个进步与提高。
1）什么是分布式图聚类
我们可以知道在科技日益发展的今天，越来越多的人在熟用电脑并在网上购物，进行交易。随着数量的日益增加，网上商城的电子商务数据挖掘就愈来愈难，原来传统的数据统计方式很快就跟不上节奏，所以适合大规模的分布时局图类孕育而生。分布式图聚类是大量数据集中的一套编码，编集的一套电子程序。他的规模之大可以把数百台或数千台电脑联系在一起进行计算和研究。分布式图聚类的优点是可以进行大规模的数据计算。
2）电子商务的数据挖掘
电子商务的数据挖掘是在网络当中存在的网络商家在真实的交易中保存下来的数据，然后把这些数据变成数据库。商家要把存留下来的数据库进行计算，整理，然后挖掘出对商家有利的信息。商家再根据数据的显示进行一系列的变动和调整，根据数据反映客户的需要，扩宽自己的市场。聚类分析就是研究数据挖掘后的一个技术性的研究。分析会根据商家的真实存在的问题进行数据上的计算和研究，这种方法备受商家的欢迎，同时也满足了商家对科学的研究自己市场的一种需求。虽然数据挖掘等工作进行十分的顺畅，但是，社会是高速的发展的，更多的问题也会频频的出现。现如今，网络商城的日益丰富，出现了各种各样形式的商城，竞争十分激烈。商家如何把自己的数据库进行严格的分类和整合，如何更加详细的反映出客户的反映，是现在电子商务数据发掘的重中之重。
3）图聚类算法的种类
图聚类算法的种类十分的多，下面我们简单地介绍几个图聚类算法的种类；
第一，谱聚类，它是类似于矩形的一种分类图形。它是通过分割矩形的方法来进行对比与研究。谱聚类的研究主要是如何才能做到把主题矩形划分成最佳的状态，来进行分析。谱聚类是很有研究性的一个聚类法。比如说，我们想构建的这一个矩形是通过什么根据来创建的、又或者是我们有如何通过数据研究进行划分这个矩形等等一系列的问题都值得我们去研究探索。
第二，基于密度的聚类，它是一个使用消耗特别大的一个聚类法。基于密度类聚，顾名思义它是通过数据的密度来惊醒的图聚类。这种算法的好处是，之前不用任何的计算或是安排，直接进行数据的统计。
第三，位置敏感哈希聚类算法，它是通过数据的相识度较高，或是邻近的数据进行计算。通过计算，我们会更加清晰地看出相似的结论，这种方法相对于基于密度的聚类的算法节约成本，也能清楚地反映问题，但是也要因人而异。
虽然有许多这种聚类图，但是也要因事而异。而且要注意的是，每一种聚类图的算法是不同的，所以，他得出的理论也可能是不一样的。我们要仔细的分析，那些数据需要哪种聚类图会更加的合适等等。就比如说，我们需要知道客户在购买时更加倾向于购买哪类的商品比较多一些，再或者说是客户对商品的评价进行统计等等，我们要选者不同的方法，不能一条路走下去，要懂得变通。要知道只有适合的才是最好的。
2 分布式图聚类在电子商务数据研究发掘中的应用
电子商务数据发掘研究是极其复杂的，而分布式图聚类并不是唯一的研究总结数据的方法。但分布式图聚类是十分重要的方式。随着电子网络的迅速发展，网上购物的客户越来越多，数据库的储备量逐渐地加大。电子商务数据研究发掘呈现越来越难的趋势。这些客户的数量要比想象中的要大得多，而且，计算起来十分的复杂。电子计算已经跟不上那么庞大的数量。传统的计算法存在的缺点主要是不能计算数量庞大的数据库，而且计算的事件上加大了时间和精力，也就是效率不高。还有就是，面对相对较大的数据根本做不出处理，他的实用性并不是很高，不能做出我们所期望的数据。这就出现了这样的一个问题，怎样才能把熟练庞大的数据库计算起来，从而更加准确的进行商务数据的挖掘。 由于数据挖掘的需要，图聚类应运而生。图聚类的计算法十分的多样化，相对于数据聚类算法来说大大地提升了效率，节省了时间。同时，面对数量庞大的数据库的时候也能运行，不像以往的计算法那样。图聚类可以说是现在相对较好的计算方法，也是符合许多网络商家的需要。图聚类分很多种类型，其中我们说的就是分布式图聚类在电子商务中的数据挖掘中的应用。对于图聚类来说，分布式图聚类在数据挖掘上的应用还是十分的广泛的。分布式图聚类是一种把数据相互联系的一种计算方式，它可以进行大规模的运算和分析。这种算法被很多商家采用。例如；某网上购物的网站上想要进行一次客户对哪些商品的需求量的调查研究，但是客户的数量大且关系复杂，对于调查研究来说具有一定的难度。这时，分布式图聚类来说就派上了用场，它对于数据之间的关系研究十分的到位，同时数量上也不成问题。运用分布式图聚类计算这种数据是十分的适合的，分析的内容十分的稳定与准确。所以，广大商家十分青睐与分布式图聚类对于电子商务数据挖掘的应用。
3 分布式图聚类分析的结果的表达
分析的结果是对电子商务数据挖掘的总结。不要小瞧这一个部分，虽然看似简单但是如果表达不当，是会影响到数据的评估水平和准确性。正确的表达是准确评估的一部分。我们如何准确结果的表达和分析呢？首先，我们要保证我们数据的准确性和完整性，保证我们现在的数据的时间，内容都十分的重要。这是评估结果是否准确十分的重要。运用正确的图聚类进行分析和统计，一定要是适合我们想要知道的信息相符合的图聚类，不然，运用不当会出很大的偏差。我们可以用图把清晰的条理表达出来。直到让我们更加直观的一眼就看出来关联性的数据。还可以运用表格之类的相对于比较直观的表现形式来表达出来。其实，表达的主要目的就是怎样可以让公司的领导者能够迅速的明白数据所表达的含义和内容。然后才能正确地做出判断，提出帮助公司发展的政策。如果我们能正确地运用数据挖掘技术就能够把复杂，数量繁多的数据信息转变成清晰、直观，让人一目了然的数据或是数据图等等。同时，如果正确地分析了数据还可以让商家找到正确的方式去经营店铺，让后制定出符合科学依据的方案，也会找到商机，创造未来。
我们对数据的研究不是一个简单的过程，而是要一遍一遍的去研究，去探索，去找寻不同的方法，所以，端正我们的态度十分的重要。认真地完成了每一个步骤，我们就离成功不远了。
4 总结
经过研究，分布式图聚类在电子商务数据挖掘中的应用十分的广泛。同时分布式图聚类的优点也是值得我们去运用与学习的。分布式图聚类被许多商家所青睐和认可，分布式图聚类的数据挖掘也为商家带来了很大的收益。也能够真实地反映出数据所涵盖的信息量，并且减少数据统计的成本。由此证明，分布式图聚类在电子商务挖掘信息中是十分重要和有效的。也是电子商务中不可或缺的一部分。但是，在本文中我们也提及了其他图聚类的方法，我想让大家知道，分布式图聚类虽然适合大规模的数据统计，也能清楚，稳定的表现出数据之间的关系和内容。但是，分布式图聚类并不是全部实用，我们要做好电子商务数据挖掘就一定要找到适合数据的图聚类，不要只用一个方法，这样统计出来的数据会大打折扣。希望我们能够正确的运用数据计算分析方式，反映出最全面的信息。
参考文献：
[2] 李克然.基于云计算的电子商务数据管理模式研究[D].西安电子科技大学，2011.
[3] 骆四毛.电子商务数据挖掘中的若干个关键技术的研究[D].南昌大学，2013.
