随着互联网的不断普及和电子商务的发展,大量的网络用户行为,如网上购物行为、Web点击浏览等等,产生了越来越多的网络数据。这样,分析互联网用户在上网过程中的行为成为研究热点。这些Web数据间存在着某种隐含的特殊关系,人们迫切希望找到一种有效的方法,发现其中的规律,作为指导网络经营者生产运营的决策依据。利用数据挖掘技术能够挖掘出大量数据中蕴含的潜在规律或验证已知规则和知识。数据挖掘技术一般可分为关联规则挖掘、聚类技术、回归分析和时间序列模式等。关联规则的挖掘技术是普遍应用的方法。在传统研究中,关联规则被认为是根据事务数据库中数据的一种静态规则挖掘,它不随时间因素的变化而变化。但是,研究表明,一些实际数据库中挖掘得到的关联规则是具有时间特性的,所以在挖掘过程中应当加入时间因素,观察规则随时间的变化。动态关联规则的挖掘是以时间间隔划分为前提条件的,并且根据支持度和置信度两个评价标准对规则进行评价。本文在相关理论研究的基础上,根据网购客户的交易数据,建立基于动态关联规则的客户行为分析模型。客户在网上交易的过程中,产生了大量的日志数据。根据这些数据,建立客户-网购商品关联模型,对客户行为进行分析。在对客户和在线商品信息分类的前提下,应用动态关联规则挖掘算法挖掘出客户网购交易数据中的关联规则。根据规则兴趣度,对规则进行选择,淘汰不满足兴趣度阈值的规则。然后应用回归分析理论中的灰色线性回归对规则的支持度向量进行预测,并将预测值添加到支持度向量中。最后,根据所得到的规则及其预测值分析客户的网购行为趋势。通过实例对所建模型进行了验证,然后将该模型应用于实际的网购客户数据中,应用表明模型具有较好的适用性。