数据挖掘技术浅析

介绍了数据挖掘的由来、概念、功能、应用领域，指出了数据挖掘与传统分析方法的区别，通过翔实的事例，提出了数据挖掘的服务性、大众性、效益性等特点。     

基于BBS文本信息的数据挖掘

Internet的发展及BBS的应用 ,为广大网络用户提供了一个自由交流的空间 ,但随之而来的是对网络用户言论的管理问题。本文将数据挖掘技术应用于BBS的管理中 ,讨论了基于关键词关联的文本挖掘方法和策略 ,给出了基于BBS文本挖掘的模型和过程。     

空间数据库的数据挖掘

分析了传统数据挖掘方法面临的问题,介绍了空间数据挖掘的基本特征和空间数据库的知识发现过程,论述了几种空间数据挖掘的方法。     

数据挖掘技术及其应用研究

数据库中的知识发现(Knowledge Discov-ery in Database,简称KDD)是一个新兴的人工智能与机器学习技术相结合的研究领域,它是基于人工智能、机器学习、模式识别、统计学等技术,高度自动化地分析大量的数据,从中挖掘出潜在的规律,为作出正确的决策服务.随着数据量的急剧增长,一些大型数据库的规模已经远远超过人工所能分析的程度,需要通过数据库中的知识发现技术来解决,因而有着广阔的应用前景.     

文本挖掘技术综述

文本挖掘，是一个对具有丰富语义的文本进行分析从而理解其所包含的内容和意义的过程．对其进行深入的研究势必将极大地提高人们从海量的文本数据中提取信息的能力，具有很高的商业价值．首先介绍了文本数据挖掘的研究情况，然后给出了文本挖掘的框架，对文本挖掘中信息的抽取技术以及文本挖掘中使用的相关技术、评估方法等都作了详细的介绍，最后指出了文本挖掘在知识发现中的重要意义，展望了文本挖掘在信息技术中的发展前景．     

决策支持分析新技术—数据挖掘

数据挖掘是目前国际上智能信息处理和决策支持分析领域的最前沿的研究方向之一。因此对数据挖掘的基本概念、关键技术以及主要研究内容作一个综合性的介绍，并指出了数据控制技术的研究方向。     

数据挖掘技术及其应用

数据挖掘是数据库研究中一个很有应用价值的课题,它融合了数据库、人工智能、机器学习等多个领域的理论和技术,本文介绍数据挖掘系统的体系结构、数据挖掘的方法及应用。     

文本数据挖掘的基本技术及发展趋势

文章总结了数据挖掘的基本方法、文本数据挖掘的关键技术,讨论了文本挖掘的定义和文本分类的一些形式,并对文本数据的数据挖掘算法以及发展趋势进行了研究。     

数据挖掘技术与数据库知识发现

本文主要介绍数据挖掘技术（DataMining）与数据库知识发现（Knowledge Discovery in Database，KDD）的概念、数据挖掘算法、数据挖掘技术流程、数据挖掘技术的应用现状。并阐述了数据挖掘与数据库知识发现的区别、联系与面临问题。     

基于数据立方体的维内关联规则挖掘算法

针对数据立方体的结构特点，结合联机分析处理技术，提出了两种基于数据立方体的维内关联规则挖掘算法，以合肥农河超市实际数据作为测试数据，给出了两种算法的实验结果，结果表明，两种算法在不同支持度情况下执行效率存在明显差异，分别适合在高支持度和低支持度情况下进行关联规则挖掘。     

数据挖掘领域中的聚类方法

聚类算法是数据挖掘中的核心技术,随着对聚类算法广泛深入的研究,产生了许多不同的适用于数据挖掘的聚类算法;文章从算法的角度论述了如何在数据挖掘中进行聚类分析,并通过基于评价聚类算法好坏的8个标准,对数据挖掘中近几年提出的常用聚类方法作了比较分析,以利于人们更容易、更快速的找到一种适用于特定问题的聚类算法.     

一种基于与/或树方法的数据挖掘算法及其应用

通过与/或树这样一个方法与结构，对人们提出的问题或要挖掘的目标进行分解或变换，使得到的一些更简单问题易于在数据集中被检索到或者能够更好地得到分析。     

文本挖掘技术研究

文本挖掘是数据挖掘的重要内容之一,其应用十分广泛.对文本挖掘技术的基本概念和理论进行系统地归纳总结,首先给出了数据挖掘、文本挖掘和Web文本挖掘的基本概念及主要研究方向,然后分析了文本挖掘的过程和关键技术,最后对文本挖掘技术进行总结和展望.     

一种自适应快速关联规则挖掘算法

提出一种从大型数据库中挖掘关联规则的快速算法——自适应快速关联规则提取算法。该算法以经典的Apriori算法及其他各种优化算法为基础，引入了自适应步长和扫描树的概念，并采用修剪法对Apriori算法进行了改进。理论分析与实验结果表明，该算法比Apriori算法的应用效率高，同时也证实了其有效性。     

数据挖掘综述

数据挖掘是人们长期对数据库技术进行研究和开发的结果,是当前计算机科学研究的活跃领域。本文介绍了数据挖掘的定义、功能以及数据挖掘的过程,论述了数据挖掘的常用技术,介绍了数据挖掘的应用,最后结合当前新的研究成果,分析了数据挖掘领域的发展趋势。     

数据挖掘综述

数据挖掘是人们长期对数据库技术进行研究和开发的结果,是当前计算机科学研究的活跃领域.本文介绍了数据挖掘的定义、功能以及数据挖掘的过程,论述了数据挖掘的常用技术,介绍了数据挖掘的应用,最后结合当前新的研究成果,分析了数据挖掘领域的发展趋势.     

VDM算法在数据采掘中的应用

介绍了在数据库知识发现(KDD)中将连续属性离散化的一些方法,并提出使用值差分度量离散化的算法.值差分度量算法原本是用于计算离散属性值间的距离,但实际上将这种方法反过来用于连续属性的离散化也可以有相当好的效果.将其与传统的使用统计量χ2的离散化算法作了比较.     

考虑数据不确定性的非均匀挖掘算法

针对高维大数据不确定性的非均匀挖掘问题,提出一种基于不确定频繁模式树的模糊逻辑非均匀数据挖掘算法.首先,在考虑数据不确定性的前提下建立高维数据的区域连接演算(RCC)模型,并基于数据集合组元定义分析不确定数据集合的模糊距离;然后,采用不确定模式树对数据的非均匀特性进行均匀泛化处理,并给出了具体的实现步骤.仿真结果表明:文中方法有效地提升不确定非均匀数据集合在不同支持度情况下的挖掘效率.     

数据挖掘中决策树算法的探讨

随着数据量的增长,根据数据分布寻找规律,要借助于相应的数据挖掘工具,这里主要采用决策树的方法.决策树算法是通过构造精度高、小规模的决策树采掘训练集中的分类知识.针对决策树存在的一些问题,提出了改进方法.