数据挖掘流程中数据准备的探讨

数据挖掘是一个应用统计学和人工智能等算法进行知识发现的过程.数据挖掘需要从庞大的数据集或数据库中提炼有用的信息, 因而就产生了一个问题, 如何为数据挖掘准备一个有效的数据集合, 以提高效率, 这是本文讨论的关键.     

基于大数据的线上线下电商用户数据挖掘研究

分析了大数据环境下的O2O电商用户数据特征,提出O2O电商用户数据挖掘框架,并探讨数据挖掘流程和主要的数据挖掘方法,分别从O2O电商平台、O2O用户和O2O商家三者角度探讨了O2O电商用户数据挖掘的应用问题.研究认为:O2O用户数据挖掘框架包括数据来源层、数据收集层、数据组织层、数据分析层与数据应用层等层级;数据挖掘流程主要包括数据收集、数据预处理、数据挖掘及数据应用4个过程;O2O电商用户数据的挖掘应用包括精准营销、平台网站优化、欺诈分析与防范、个性化推荐、增值服务开发与产品创新等方面.     

企业CRM系统中联机分析挖掘的应用与实现

OLAP与数据挖掘工具由于内在技术以及适用范围的不同,在决策分析中必须协调使用才能发挥最佳的作用。本文提出基于Agent的OLAM(OLAP Mining)模型,将数据挖掘和OLAP技术结合在一个统一的框架之中。提出广义数据空间的概念,使得数据挖掘能够在数据库或数据仓库的不同部位或不同的抽象级别上,对数字数据或者文本数据进行挖掘,加强了决策分析的功能和灵活性。最后,把基于Agent的OLAM模型应用于构建智能CRM,此模型把Agent本身的特点自然地引入到数据挖掘过程中,使数据挖掘系统具有了自治性、自动反应性、交互性、适应环境性等智能特点,有助于在大型数据库和数据仓库中交互式地挖掘多层次多维的知识和联系。     

企业CRM系统中联机分析挖掘的应用与实现

OLAP与数据挖掘工具由于内在技术以及适用范围的不同,在决策分析中必须协调使用才能发挥最佳的作用.本文提出基于Agent的OLAM(OLAP Mining)模型,将数据挖掘和OLAP技术结合在一个统一的框架之中.提出广义数据空间的概念,使得数据挖掘能够在数据库或数据仓库的不同部位或不同的抽象级别上,对数字数据或者文本数据进行挖掘,加强了决策分析的功能和灵活性.最后,把基于Agent的OLAM模型应用于构建智能CRM,此模型把Agent本身的特点自然地引入到数据挖掘过程中,使数据挖掘系统具有了自治性、自动反应性、交互性、适应环境性等智能特点,有助于在大型数据库和数据仓库中交互式地挖掘多层次多维的知识和联系.     

大数据时代下数据挖掘技术的应用

 大数据时代下,数据挖掘技术越来越受到人们的关注。本文介绍了数据挖掘技术的研究背景和研究现状,论述了决策树、支持向量机、神经网络等数据挖掘技术的相关算法,分析了数据挖掘技术在大数据中的相关应用及未来的发展趋势,探讨了在大数据时代数据挖掘技术面临的挑战。     

供应链管理中的数据预处理技术

数据挖掘技术在供应链管理中起着非常重要的作用，由于数据常常出现噪声、缺失等情况，因此数据预处理成为数据挖掘过程中非常重要的一个步骤。结合供应链管理中的数据挖掘对各种数据预处理技术进行了介绍，并讨论了适合在供应链管理数据挖掘中应用的数据预处理技术。     

基于统计分析技术的属性数据挖掘

面向属性归纳的方法以关系的或面向属性的操作实现数据挖掘过程。文中将统计分析方法和面向属性的归纳方法接合起来 ,形成了一种应用比较广的数据挖掘方法。同时提出属性数据挖掘可分为两个层次 ,包括从数据产生模型和从数据归纳出知识。从数据推导出的模型可以进行数据预处理和定量描述变量之间的关系 ;由数据挖掘出的知识可以揭示客观世界的普遍规律     

基于DSO的数据挖掘应用

数据挖掘是一种从数据库中发现知识的自动或半自动的方法.DSO是一种COM对象库.通过DSO,可以管理Analysisserver中的所有对象,包括服务器、多维数据集、挖掘模型等.该文介绍了基于DSO的数据挖掘应用开发.     

数据挖掘在零售业中的应用

当今许多零售企业的数据库或数据仓库中都搜集和存储了大量关于客户的数据,这些数据涵盖了从客户基本数据、购买记录及客户反馈的各个环节。充分利用这些数据,深入分析、挖掘隐含在这些数据中的有用信息,将有助于企业更好管理客户关系。然而,由于缺乏在大量数据中发现深层信息的能力,许多企业对于这些数据的利用还只是停留在基础层的浏览、检索、查询和应用层的继承、组合、整理等方面,而无法将这些数据转化为更加有用的信息。因此,如何更加有效地管理企业数据库中快速增长的数据,将数据资源的利用提高到知识创新的高级阶段,已经成为企业当前需要迫切解决的问题,数据挖掘(Data Mining简称DM)技术的运用就可以帮助企业很好地解决这个问题。就数据挖掘在对顾客分析的应用研究而言,国内在这一领域的研究明显落后于国外,基本局限于描述性的分析或数据挖掘技术的简单运用,关于对顾客分析的研究缺乏足够的重视。探索数据挖掘技术在帮助企业获得、分析与运用客户数据中有效应用,帮助企业更好分析、了解顾客,最终赢得顾客的竞争。从以上分析可知,数据挖掘在顾客分析尤其是忠诚顾客分析中的研究是当前的一个重要课题,该研究具有重要的意义和实际应用价值。     

现代信息数据的挖掘与发展

数据挖掘作为一项从海量数据中提取知识的新技术引起学术界和产业界的极大重视。笔概括了数据挖掘的几种常见模式．如依赖模式、层次模式、序列模式等,并对这几种数据挖掘模式的特点进行了比较;阐述了从数据中提取知识的几种挖掘算法,如决策树、神经网络方法、遗传算法等;展望了数据挖掘模式和挖掘算法的发展趋势。     

基于SQL Server 2005的数据挖掘算法应用研究与实现

首先阐述了适用于经济数据的数据挖掘算法及其应用的重要性,结合当前国家经济指标体系中经济指标说明了数据仓库的模型结构及其实现特点,并采用SQL Server 2005的数据仓库和数据挖掘解决方案论述了面向经济数据的数据挖掘应用的解决方法、系统结构、算法实现流程等,最后讨论了在经济领域中应用数据挖掘算法的发展趋势和关键技术.     

MCDS:大规模移动通信数据计算的单机实现

移动数据具有数量庞大、类型多样、时效性强和高价值等特点.移动通信数据是一种重要的移动数据,对高效地存储和访问移动通信数据进行研究,并在此基础上更加有效地开展移动数据挖掘的相关研究,具有重大现实意义.当前,使用并行数据挖掘技术进行数据挖掘得到普遍认可,但并行数据挖掘技术需要较高的硬件成本,并行算法代码调试和优化较为困难.为此提出大规模移动通信数据的单机实现MCDS(mobile communication data processing system).MCDS基于GraphChi,改进了数据格式、分片机制、数据分片换入换出机制.实验结果验证了MCDS的有效性,为移动数据挖掘提供了切实可行的实验环境.     

Web文本数据挖掘技术及其在电子商务中的应用

简要介绍了数据挖掘、Web数据挖掘及Web文本数据挖掘技术。从特征项提取、文本关联分析、文本分类、文本聚类等方面对Web文本数据挖掘技术在电子商务中的应用作了探讨,并略述了Web文本数据挖掘技术的应用现状及其发展趋势。     

基于关联规则数据挖掘技术在教学管理中的应用

数据挖掘技术是一种以从大量数据中提取潜在有价值的数据规律或数据模型为目的的信息处理技术。将此技术运用在高校信息处理的工作上,可智能生成有价值的信息,用于学校教学管理与决策。本文将以目前高校普遍使用的学分制选课数据系统依托,运用数据挖掘技术中关联挖掘规则,对已有数据进行分析,为读者提供一个简单易操作的数据挖掘范例,供读者参考。     

数据聚类算法在web数据挖掘中的应用

在数据挖掘的实现过程中,聚类分析已经成为数据挖掘研究领域中一个非常活跃的研究课题。聚类是数据挖掘中一种重要的挖掘方法,它从数据库中计算发现数据中隐舍的有用信息或知识,数据聚类在很多领域中有着广泛的应用。该文研究的主要内容是数据聚类算法在Web数据挖掘中的应用,获得的聚类结果可以作为web网站结构的优化,站点的重构以及个性化的服务和推荐的重要依据。     

数据挖掘技术及其在通信行业中的应用

数据挖掘是一种新的商业信息处理技术,其主要特点是对商业数据库中的大量业务数据进行抽取,转换,分析和其他模型化处理,从中提取辅助商业决策的关键性数据。简而言之,数据挖掘其实是一类深层次的数据分析方法,可以描述为：按企业既定业务目标,对大量的企业数据进行探索和分析,揭示隐藏的、未知的或验证已知的规律性,并进一步将其模型化的先进有效的方法。本文介绍了数据挖掘技术的产生背景,并结合通信行业客户流失的预测与控制简要介绍了数据挖掘的实施过程。     

石油网格数据挖掘新技术研究

针对石油勘探开发中很多TB级和PB级的数据集在许多情况下分布在一个组织的不同地点或不同组织的多个数据源被集团内所有用户共享的特点,用网格数据挖掘数据集成技术和网格数据挖掘本体技术,作为石油勘探开发行业业务工作流程的信息处理基础设施,以满足石油工业对高性能计算技术的持续需求。提出了Web service与网格技术融合、网格与数据集成技术结合和本体与Web service合成,给出了基于Globus Toolkit 4、开放式网格服务体系结构和Web服务的技术实现方案。研究表明：网格计算中的任务管理、任务调度和资源管理等服务可以为分布式数据挖掘提供极大的便利。     

一种快速数据挖掘算法的设计与实现

随着数据挖掘新规则或新模式的不断出现,原有的模式已变得不适用,此时需要更新数据仓库,重新处理旧数据,以重新建立挖掘模型。为了充分利用数据挖掘中已经得到的挖掘模型，尽量只对新数据进行处理，以提高挖掘模型更新的效率。     

基于Web的数据挖掘方法的研究及实现

Web上有海量的数据信息,数据挖掘是从大量的数据中发现隐含的规律性内容,充分利用有用数据,废弃无用数据,解决数据的应用质量问题。通过对Web的数据挖掘和XML特点进行分析,讨论了使用XML实现基于Web的数据挖掘方法,提出了一种结合HTML、XML、JAVA的新型数据挖掘技术。     

XML与WEB数据挖掘技术

数据挖掘技术的核心部分已发展了近十年,研究领域涉及数理统计,人工智能,机器学习等,当今,随着人们对数据的需求的不断加强,以及WEB技术的飞速发展,使得数据挖掘技术又向前迈进了一步,面向WEB的数据挖掘是目前数据挖掘技术的一大热点,但由于WEB数据的存在方式的特殊性,使WEB数据挖掘变得十分复杂,而XML的出现,为WEB数据挖掘技术带来了巨大的发展契机。