【文章內(nèi)容簡介】 檢索內(nèi)容和數(shù)據(jù)以及可以充分利用被廣泛采納的互聯(lián)網(wǎng)標(biāo)準(zhǔn)，客戶端在RIA中的作用不僅僅是展現(xiàn)頁面，還可以在幕后與服務(wù)器進(jìn)行異步的傳送和檢索數(shù)據(jù)。傳統(tǒng)的網(wǎng)絡(luò)應(yīng)用程序?qū)⑺薪换?yīng)用都集中在基于“瘦”客戶端的B/S架構(gòu)上。在這樣的系統(tǒng)中，所有處理操作均在服務(wù)器端執(zhí)行，客戶端僅僅是用于顯示靜態(tài)的信息內(nèi)容（如HTML）。這種系統(tǒng)最大的缺陷是所有的交互操作都必須經(jīng)由服務(wù)器端進(jìn)行，首先客戶端要將請(qǐng)求數(shù)據(jù)上傳至服務(wù)器端，然后服務(wù)器端作出響應(yīng)并傳回結(jié)果，最后客戶端在重載響應(yīng)信息。而通過使用在客戶端執(zhí)行指令的客戶端技術(shù)。在過去幾年當(dāng)中，web開發(fā)人員一直使用的是傳統(tǒng)的html界面，但是，個(gè)人計(jì)算機(jī)上早就實(shí)現(xiàn)了絢麗多彩的客戶端，這兩者之間的差異使得RIA技術(shù)應(yīng)運(yùn)而生，它可以使我們?cè)谝蛱鼐W(wǎng)上以一種向使用Web一樣簡單的方式來部署富客戶端程序，RIA能夠完全替代傳統(tǒng)的html，為采用C/S架構(gòu)的胖客戶端和采用B/S的瘦客戶端機(jī)構(gòu)提供了新的選擇。RIA具有以下優(yōu)點(diǎn)：(1) 安裝簡便，更新與使用費(fèi)用與桌面程序和操作系統(tǒng)相比要經(jīng)濟(jì)的多。 (2) 終端用戶可以自動(dòng)或簡單手動(dòng)的更新到最新版本。 (3) 用戶可以在任何連接到互聯(lián)網(wǎng)上的電腦中使用程序。 (4) 多數(shù)豐富互聯(lián)網(wǎng)應(yīng)用程序程序可以跨平臺(tái)使用 。(5) 與可執(zhí)行文件相比，基于網(wǎng)絡(luò)的應(yīng)用程序可以有效的避免病毒的侵襲。 (6) 表現(xiàn)力豐富。豐富互聯(lián)網(wǎng)應(yīng)用程序能在基于標(biāo)準(zhǔn)瀏覽器的網(wǎng)頁應(yīng)用實(shí)現(xiàn)HTML標(biāo)簽根本無法實(shí)現(xiàn)的用戶界面效果。這種內(nèi)涵更豐富的交互涵蓋所有在客戶端所能實(shí)現(xiàn)的功能。 (7) 反應(yīng)更加迅速。與那些總須與遠(yuǎn)程服務(wù)器進(jìn)行交互的標(biāo)準(zhǔn)網(wǎng)頁瀏覽器相比，IRA界面功能的反應(yīng)要迅速的多，這也是豐富互聯(lián)網(wǎng)應(yīng)用程序特點(diǎn)之一。 (8) C/S結(jié)構(gòu)的負(fù)擔(dān)平衡。豐富互聯(lián)網(wǎng)應(yīng)用程序可以使客戶端和服務(wù)器端對(duì)資源的需求更加平衡，從而使服務(wù)器不必再像傳統(tǒng)網(wǎng)頁應(yīng)用中那樣一直高負(fù)荷的運(yùn)轉(zhuǎn)。(9) 網(wǎng)絡(luò)效率高。豐富互聯(lián)網(wǎng)應(yīng)用程序的網(wǎng)絡(luò)通信量也會(huì)明顯減少，這是由于在決定需要與服務(wù)器端交換什么數(shù)據(jù)時(shí)，為應(yīng)用程序?qū)ｉT設(shè)計(jì)的客戶端引擎會(huì)比標(biāo)準(zhǔn)的網(wǎng)頁瀏覽器更智能。在本系統(tǒng)當(dāng)中，我們采用的RIA方面的技術(shù)是ExtJS,具體使用的是Coolite Toolkit控件。ExtJS是用JavaScript寫的一種主要用于創(chuàng)建前端用戶界面，與后臺(tái)技術(shù)無關(guān)的前端ajax框架。主要用于開發(fā)RIA(富客戶端)的AJAX應(yīng)用， ,java ,php等各種語言開發(fā)的應(yīng)用當(dāng)中，ajax+json操作簡單方便，無論從UI界面上CSS樣式的應(yīng)用，到數(shù)據(jù)解析上的異常處理上來說，都是一個(gè)很好的JavaScript富客戶端產(chǎn)品。ExtJS框架完全基于純Html/CSS+JS技術(shù)，提供了豐富的跨瀏覽器UI組件，靈活的采用了JSON/XML數(shù)據(jù)源來開發(fā)，使得服務(wù)端表現(xiàn)層的負(fù)荷真正的減輕，從而達(dá)到客戶端MVC的應(yīng)用。ExtJS將數(shù)據(jù)存儲(chǔ)在JSON里面，通過ExtJS的GridPanel等各種組件的形式進(jìn)行顯示。ExtJS具有以下優(yōu)點(diǎn)：(1) 漂亮的界面，瀏覽器兼容性好，在各個(gè)瀏覽器下測試都兼容性良好。(2) 統(tǒng)一的類庫，各個(gè)版本的整體上還是相對(duì)一致的。 (3) 組件化的思想。EXTJS將JavaScript的面向?qū)ο缶幊痰奶匦园l(fā)揮的淋漓盡致。很清晰的繼承體系，讓我們可以拆成不同的組件使用和擴(kuò)展。 (4) 豐富的UI。豐富的UI是區(qū)別于property，jQuery等輕量級(jí)框架所不具有的特性。 5 詳細(xì)的文檔。EXTJS團(tuán)隊(duì)的確把文檔做的非常不錯(cuò)，內(nèi)容豐富且易于使用，并且準(zhǔn)備了在線文檔和離線文檔等多種文檔形式。Coolite AJAX的Web控件，是基于跨瀏覽器的ExtJS庫開發(fā)而來的，并且簡化了開發(fā)步驟，并且包含了豐富的Ajax運(yùn)用。Coolite Toolkit非常適合做web應(yīng)用程序的開發(fā)，和頁面布局的框架，同時(shí)完全支持ajax，因?yàn)樗撬械慕M件是居于ExtJS上封裝出來，讓開發(fā)人員在可視化的設(shè)計(jì)器內(nèi)進(jìn)行方面的屬性配置。從頁面布局和使用的控件TextBox,Combox，Button，ToolBar，StateBar，Panel，TabPanel，ExplorerBar,MenuBar,PictureBox都用統(tǒng)一的樣式非常方便的配置，基本不需要額外美工處理，同時(shí)支持ajax無刷新效果。1 RIA等在本系統(tǒng)當(dāng)中的使用情況在本系統(tǒng)中采用了基于RIA的JavaScript的ExtJS框架來實(shí)現(xiàn)系統(tǒng)的高度仿桌面的效果。所有界面均使用ExtJS框架來實(shí)現(xiàn)，通過Coolite Toolkit的可視化界面設(shè)計(jì)工具進(jìn)行屬性方面的配置，將數(shù)據(jù)存儲(chǔ)在JSON里面，通過ExtJS的GridPanel控件進(jìn)行展示。頁面布局和輸入輸出的大多數(shù)都是由Coolite Toolkit控件進(jìn)行開發(fā)，樣式統(tǒng)一，系統(tǒng)的用戶得到了良好的體驗(yàn)。： Coolite Toolkit控件實(shí)現(xiàn) Chartlet技術(shù)簡介，也可以將數(shù)組數(shù)據(jù)以統(tǒng)計(jì)圖表的形式展現(xiàn)出來，能夠繪制出柱狀圖，餅狀圖，曲線圖等，編程更加簡潔，圖表變得更加美觀大方，Chartlet正是為了滿足一般應(yīng)用而開發(fā)的免費(fèi)控件，可以滿足基本的圖標(biāo)要求。以最少的代碼創(chuàng)造出最美麗的圖表，告別圖表控件繁多的屬性設(shè)置和方法調(diào)用，將時(shí)間真正華仔項(xiàng)目的開發(fā)當(dāng)中。1 Chartlet在本系統(tǒng)當(dāng)中的使用情況本系統(tǒng)中的數(shù)據(jù)分析部分的數(shù)據(jù)展示部分柱狀圖，決策樹等均為Chartlet控件動(dòng)態(tài)生成的。 ： 第三章 系統(tǒng)關(guān)鍵技術(shù)的實(shí)現(xiàn) 基于關(guān)聯(lián)規(guī)則的數(shù)據(jù)挖掘算法 簡介數(shù)據(jù)挖掘是一種從大量數(shù)據(jù)中提取出隱含的、未知的、潛在的和有用的信息的過程。數(shù)據(jù)挖掘技術(shù)和數(shù)據(jù)庫知識(shí)發(fā)現(xiàn)（Knowledge Discovery in Database，KDD）都是近年來隨著數(shù)據(jù)庫技術(shù)、人工智能技術(shù)，以及計(jì)算機(jī)科學(xué)技術(shù)的發(fā)展而出現(xiàn)的一種全新信息技術(shù)。雖然數(shù)據(jù)挖掘技術(shù)的發(fā)展僅有短短十余年的歷史，但發(fā)展勢頭卻相當(dāng)迅猛，現(xiàn)已在實(shí)際領(lǐng)域中得到廣泛的應(yīng)用，并且產(chǎn)生了良好效果。關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘研究的一個(gè)重要分支，是數(shù)據(jù)挖掘的眾多知識(shí)類型中最為典型的一種。關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘中的一個(gè)重要研究內(nèi)容，它是發(fā)現(xiàn)大量數(shù)據(jù)中項(xiàng)集之間有趣的關(guān)聯(lián)或相關(guān)關(guān)系，這些關(guān)系是預(yù)先未知的或者被隱藏的。從大量商務(wù)事務(wù)記錄中發(fā)現(xiàn)許多有趣的關(guān)聯(lián)關(guān)系，可以幫助制定許多商務(wù)決策。 有一個(gè)關(guān)聯(lián)規(guī)則的例子就是 “70%的顧客在購買面包和黃油的同時(shí)也會(huì)購買牛奶”，其直觀意義為顧客在購買某些商品的時(shí)候有多大傾向會(huì)購買另外一些商品。具體是在一個(gè)給定的數(shù)據(jù)項(xiàng)以及交易集合中，分析數(shù)據(jù)項(xiàng)在交易集合中出項(xiàng)的頻度關(guān)系，在眾多的關(guān)聯(lián)規(guī)則中,常見的算法有Apriori算法，F(xiàn)PTree算法，AIS算法，SETM算法。關(guān)聯(lián)規(guī)則挖掘過程主要包含兩個(gè)階段：第一階段必須先從資料集合中找出所有的高頻項(xiàng)目組(Frequent Itemsets)，第二階段再由這些高頻項(xiàng)目組中產(chǎn)生關(guān)聯(lián)規(guī)則(Association Rules)。一般使用支持度（support）和置信度（confidence）兩個(gè)參數(shù)來描述關(guān)聯(lián)規(guī)則的屬性。 （1）支持度規(guī)則在數(shù)據(jù)庫中的支持度是交易集中同時(shí)包含， 的事務(wù)數(shù)與所有事務(wù)數(shù)之比，記為 。支持度描述了，這兩個(gè)項(xiàng)集在所有事務(wù)中同時(shí)出現(xiàn)的概率。（2）置信度規(guī)則在事務(wù)集中的置信度(confidence)是指同時(shí)包含，的事務(wù)數(shù)與包含的事務(wù)數(shù)之比，它用來衡量關(guān)聯(lián)規(guī)則的可信程度。記為記為＝。一般情況下，只有關(guān)聯(lián)規(guī)則的置信度大于期望可信度，才說明的出現(xiàn)對(duì)的出現(xiàn)有促進(jìn)作用，也說明了它們之間的某種程度的相關(guān)性。給定一個(gè)事務(wù)集，挖掘關(guān)聯(lián)規(guī)則的問題就是產(chǎn)生支持度和置信度分別大于用戶事先給定的最小支持度和最小置信度的關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則挖掘的任務(wù)就是要挖掘出中所有的強(qiáng)規(guī)則。強(qiáng)規(guī)則對(duì)應(yīng)的項(xiàng)目集必定是頻繁項(xiàng)目集，頻繁項(xiàng)目集導(dǎo)出的關(guān)聯(lián)規(guī)則的置信度可由頻繁項(xiàng)目集和的支持度計(jì)算。關(guān)聯(lián)規(guī)則挖掘的一個(gè)典型例子是購物籃分析。關(guān)聯(lián)規(guī)則有助于防線交易數(shù)據(jù)庫中不同商品項(xiàng)之間的聯(lián)系，找出顧客購買行為模式，如購買了某一商品對(duì)購買其他商品的影響。分析結(jié)果可以應(yīng)用于商品貨架的布局，貨存安排以及根據(jù)購買模式對(duì)用戶進(jìn)行分類。本系統(tǒng)所采用的關(guān)聯(lián)規(guī)則算法為Apriori算法。 關(guān)聯(lián)規(guī)則Apriori算法原理關(guān)聯(lián)規(guī)則的算法相當(dāng)多，其中經(jīng)典算法Apriori是最有影響的挖掘布爾關(guān)聯(lián)規(guī)則頻繁項(xiàng)目集的算法。此算法源于使用頻繁項(xiàng)集性質(zhì)的先驗(yàn)知識(shí)，其核心思想是基于頻繁理論的一種遞推方法，目的是從數(shù)據(jù)庫中挖掘出那些支持度和置信度都不低于給定的最小支持度和最小置信度的關(guān)聯(lián)規(guī)則，它的理論基礎(chǔ)是頻繁項(xiàng)集的兩個(gè)單調(diào)性原則:(1) 頻繁項(xiàng)集的任一子集一定是頻繁的,(2)非頻繁項(xiàng)集的任一超集一定是非頻繁的。此算法利用一種逐層搜索的迭代K項(xiàng)集用于探索（k+1）項(xiàng)集。首先，找出頻繁1項(xiàng)集的集合，該集合記作L1，L1用于找頻繁2項(xiàng)集的集合L2，而L2用于找L3，如此下去，知道不能找到頻繁K項(xiàng)集，找每一個(gè)LK需要一次數(shù)據(jù)庫掃描，同時(shí)，為了提高頻繁項(xiàng)集逐層產(chǎn)生的效率，以上的兩條單調(diào)性原則被用于找出并壓縮搜索空間。（頻繁項(xiàng)集：所有支持度大于最小支持度的項(xiàng)集稱為頻繁項(xiàng)集，或簡稱項(xiàng)集。）在Apriori算法中，遍歷數(shù)據(jù)庫，得到大一項(xiàng)集。如果非空，由產(chǎn)生長度為2的候選項(xiàng)集合，對(duì)事務(wù)處理數(shù)據(jù)庫中的每一個(gè)事務(wù)，求出在中的全部子集，對(duì)于中的每一個(gè)長度為2的候選取項(xiàng)集，令的計(jì)數(shù)c. count加1。當(dāng)掃描事務(wù)處理數(shù)據(jù)庫一遍后，篩選取出候選項(xiàng)集合中所有計(jì)數(shù)滿足最小支持度的項(xiàng)集組成了長度為2的頻繁項(xiàng)集合。用以上步驟重復(fù)處理新得到的頻繁項(xiàng)集合，直到?jīng)]有頻繁項(xiàng)集合產(chǎn)生。在這里，由于從候選項(xiàng)集中產(chǎn)生頻繁項(xiàng)集的過程需要遍歷數(shù)據(jù)庫，因此如何正確地產(chǎn)生最少數(shù)目的候選項(xiàng)集十分關(guān)鍵。候選項(xiàng)集產(chǎn)生的過程Apriori gen(Fk1)被分為兩個(gè)部分：聯(lián)合與剪技。采用這種方式，使得所有的頻繁項(xiàng)集既不會(huì)遺漏又不會(huì)重復(fù)。剪枝的目的是減少掃描數(shù)據(jù)庫時(shí)需要比較的候選項(xiàng)集的數(shù)量。剪枝的原則是：候選項(xiàng)集的個(gè)長度為的子集都在中，則保留；否則被剪枝。Apriori算法的描述如下。輸入：①事務(wù)數(shù)據(jù)庫；②最小支持度閥值min_sup。輸出：中的頻繁項(xiàng)集。方法：第1步 產(chǎn)生頻繁項(xiàng)集第2步 產(chǎn)生頻繁項(xiàng)集產(chǎn)生頻繁候選項(xiàng)集由頻繁項(xiàng)集連接成為k項(xiàng)集檢測項(xiàng)集的所有的子集是否為頻繁項(xiàng)集，若是該項(xiàng)集就成為了頻繁候選項(xiàng)集掃描事務(wù)數(shù)據(jù)庫對(duì)每個(gè)候選項(xiàng)集計(jì)數(shù)達(dá)到最少支持度的頻繁候選項(xiàng)成為頻繁項(xiàng)集 算法實(shí)現(xiàn)的簡要描述假設(shè)某數(shù)據(jù)庫有4條事務(wù)數(shù)據(jù) 取最小支持度（min support） 則計(jì)算頻繁項(xiàng)集的過程如下TIDItems100A, C, D200B, C, E300A, B, C, E400B, E掃描DBItemsetSupport{A}2 (){B}3 (){C}3 (){D}1 (){E}3 ()取滿足最小支持度項(xiàng)集ItemsetSupport{A}2{B}3{C}3{E}3Itemset{A, B}{A, C}{A, E}{B, C}{B, E}{C, E}掃描DBItemsetSupport{A, B}1 (){A, C}2 (){A, E}1 (){B, C}2 (){B, E}3 (){C, E}2 () 取滿足 最小支持 度項(xiàng)集ItemsetSupport{A, C}2{B, C}2{B, E}3{C, E}2Itemset{A, B, C}{A, B, E}{A, C, E}{B, C, E}掃描DBItemsetSupport{A, B, C}1 (){A, B, E}1 (){A, C, E}1 (){B, C, E}2 () 取滿足 最小支持 度項(xiàng)集ItemsetSupport{B, C, E}2 ()最后，{A},{B},{C},{E},{A,C},{B,C},{B,E},{C,E}和{B,C,E} 算法實(shí)現(xiàn)基于Apriori算法原理，Apriori算法在本系統(tǒng)中的實(shí)現(xiàn)步驟如下步驟1，掃描數(shù)據(jù)庫，獲取同一張訂單中購買的商品。步驟2，判斷每種商品購買的頻率，排除掉頻率小于最小支持度的商品。步驟3，將剩下的商品兩兩組合，掃描數(shù)據(jù)庫中這兩種商品在一起的購買頻率，再次排除掉頻率小于最小支持度的商品。步驟4，根據(jù)步驟2中獲取的商品和步驟3獲取的商品，組合成三種商品的組，并掃描數(shù)據(jù)庫，排除掉頻率小于最小支持度的商品組合。步驟5，以柱狀圖的方式從高到低顯示步驟2，步驟3，步驟4獲取的數(shù)據(jù)。步驟6 在步驟3和步驟4組合當(dāng)中，按照Apriori算法的兩個(gè)單調(diào)性原則進(jìn)行組合。 算法的實(shí)現(xiàn)過程(1) 從指定的數(shù)據(jù)庫中獲取數(shù)據(jù)static DataSet ExcuteDataSetByCommandString(string mandString) { SqlConnection sqlCon = new SqlConnection([Ebussiness].ConnectionString)。 ()。 SqlCommand sqlCmd = new SqlCommand()。 = sqlCon。 = mandString。 DataSet ds = new DataSe