- 數據挖掘論文 推薦度：
- 旅游管理下數據挖掘運用論文 推薦度：
- 旅游管理下數據挖掘運用論文 推薦度：
- 相關(guān)推薦
數據挖掘論文錦集15篇
在平時(shí)的學(xué)習、工作中，大家都跟論文打過(guò)交道吧，借助論文可以達到探討問(wèn)題進(jìn)行學(xué)術(shù)研究的目的。你知道論文怎樣寫(xiě)才規范嗎？下面是小編為大家收集的數據挖掘論文，僅供參考，大家一起來(lái)看看吧。
數據挖掘論文1
０引言
隨著(zhù)我國信息化建設進(jìn)程的不斷推進(jìn)，許多高校都已經(jīng)建立起各類(lèi)基于業(yè)務(wù)的數據庫用于日常管理，作為應用廣泛的新興學(xué)科，數據挖掘技術(shù)在高校教育信息化中的應用前景較好，為高校的管理、建設、服務(wù)過(guò)程的絕學(xué)提供了全新而科學(xué)的分析途徑。在新形勢下，高校學(xué)生思政管理工作面臨著(zhù)巨大挑戰，所以適時(shí)不斷調整思想工作的途徑，加強先進(jìn)經(jīng)驗的交流，可以有效的提高高校思政工作的效果，對此，本文借助數據挖掘技術(shù)進(jìn)行嘗試，通過(guò)聚類(lèi)結果分析，所挖掘到的信息對學(xué)生工作具有一定的參考價(jià)值。
１數據挖掘技術(shù)在思想政治教育中的實(shí)際應用
�。保彼枷胝谓逃芾黼S著(zhù)高等教育的不斷發(fā)展與普及，給高校思想政治教育帶來(lái)一定挑戰，在通常情況下，學(xué)校相關(guān)部門(mén)會(huì )對教育管理工作進(jìn)行數據收集，但是目前對這些數據的處理還處于底層的查找與簡(jiǎn)單分析階段，不能夠挖掘出其中的價(jià)值。為了更加具體的了解思政教育工作者的工作情況，學(xué)校每學(xué)期會(huì )組織學(xué)生對輔導員的工作進(jìn)行評議，填寫(xiě)輔導員“工作考核量化表”如何從中提取有價(jià)值的信息，對高校思想政治教育有非常重要的意義［１］。１．２解決方案數據挖掘屬于一個(gè)方案得到肯定的過(guò)程，是數據分析研究的深層系手段，將數據挖掘技術(shù)運用到輔導員工作考核中具有特別意義。例如：通過(guò)數據挖掘技術(shù)手段分析“輔導員工作考核量化表”中的數據，可以了解“某所高校思政管理整體水平”，在管理中“哪些方面做得好，哪些方面做得不到位”等相關(guān)問(wèn)題。通過(guò)這些結論進(jìn)一步完善高校思政教育管理。本文提出運用聚類(lèi)分析的數據挖掘技術(shù)對輔導員的工作成效數據進(jìn)行分析，將大批的數據轉換為聚類(lèi)結果，從而更好的對數據加以利用。數據挖掘過(guò)程.步驟１：明確數據挖掘的對象和主要目的，通過(guò)數據挖掘雖然不能預測最終結果，但是可以對所研究的問(wèn)題進(jìn)行預測，所以挖掘目標的確定是數據挖掘的關(guān)鍵步驟［２］。步驟２：數據采集，該過(guò)程的任務(wù)比較繁重，并且需要時(shí)間比較多。在品勢的教育管理中，要認真的收集數據信息，一部分數據是直接可以拿到的，一部分數據則需要通過(guò)調研才能獲得。步驟３：數據預處理，將收集到的數據轉變成可分析的數據模型，該模型是根據算法來(lái)準備的，不同的算法對數據模型的要求是不一樣的。步驟４：數據類(lèi)聚挖掘，通過(guò)類(lèi)聚挖掘能夠將數據模型劃分為相似的多個(gè)組，該過(guò)程主要為數據模型的輸入過(guò)程以及聚類(lèi)算法的選擇進(jìn)行實(shí)現。步驟５：聚類(lèi)結果分析，該過(guò)程主要分析研究聚類(lèi)數據挖掘之后得到的多個(gè)組屬性。步驟６：知識應用，將研究所得的信息集成到輔導員的管理教育環(huán)節中，思政工作者通過(guò)該結論促進(jìn)教學(xué)管理，形成良好的管理方針［３］。
２數據挖掘技術(shù)在思政教育工作中具體方案實(shí)施
�。玻贝_定數據挖掘對象收集并整理某大學(xué)２０１７年“輔導員工作考核量化表”，整理其中關(guān)于輔導員教育管理的１２０張考核量化表，嘗試解答高校思政教育中存在的問(wèn)題，經(jīng)過(guò)對有價(jià)值數據的挖掘，得出結論為教學(xué)管理帶來(lái)有效的指導價(jià)值。２．２數據采集從學(xué)校學(xué)生工作處，搜集２０１７年度“輔導員工作考核量化表”。２．３數據預處理“輔導員工作考核量化表”要求輔導員在“堅持標準，獎懲分明，客觀(guān)公正的對待每一位學(xué)生�！薄罢J真做好勤工助學(xué)活動(dòng)�！薄罢_分析學(xué)生的思想動(dòng)態(tài)”等幾個(gè)指標項目中，根據輔導員的實(shí)際工作表現，劃分為“優(yōu)秀、良好、合格、較差、差”五等類(lèi)型等級。最終獲得比較完整的考核記錄工作考核量化表１１７張。２．４數據轉換在工作考核量化表中考核等級的`項目共１５項，如何將數據合成到一個(gè)聚類(lèi)分析的模式中非常關(guān)鍵，按照“管理態(tài)度”“管理能力”“管理方法”“管理效果”四方面屬性來(lái)對工作考核量化表中的數據進(jìn)行重新組合：其中“管理態(tài)度”＝（堅持標準＋與同學(xué)之間感情融洽＋言談得體＋辦事客觀(guān)）／４“管理能力”＝（準確掌握貧困生情況＋準確掌握特殊群體＋嚴格教育與查出違紀學(xué)生＋勝任工作＋組織學(xué)生做好評優(yōu)工作）／５“管理方法”＝（每周３次以上探入班級宿舍＋積極參加檢查學(xué)生早操＋學(xué)生獎學(xué)金發(fā)放到位＋有準備的與學(xué)生談話(huà)＋檢查宿舍衛生）／５“管理效果”＝（積極參加團活班會(huì )＋課下了解學(xué)生思想狀況＋評論與建議）／３通過(guò)以上處理，可以將工作考核量化表關(guān)系到的十五個(gè)考評等級統一演化到四個(gè)屬性中。然后針對１１７份數據樣本信息的４個(gè)屬性采取聚類(lèi)挖掘的方法進(jìn)行研究。通過(guò)樣本預處理得到數據樣本.２．５數據聚類(lèi)挖掘數據的聚類(lèi)挖掘采用劃分方法中的經(jīng)典算法Ｋ均值以及Ｋ中心點(diǎn)算法，其中Ｋ代表類(lèi)別個(gè)數（Ｋ＝３），主要挖掘思路為：將ｎ個(gè)對象劃分為Ｋ個(gè)簇，使同一簇中的對象具有較高的相似度，Ｋ均值算法主要是使用簇中對象的平均值作為參考值。Ｋ均值算法的復雜度可以通過(guò)進(jìn)一步計算得出Ｏ（ｎｋｔ），ｎ代表簇的數量，ｔ代表反復迭代的次數，在一般情況下，ｋ與ｔ都會(huì )遠小于ｎ。針對所要分析的數據樣本，四類(lèi)屬性都是通過(guò)數據轉換而得到的，所要的數據都是算術(shù)平均值，所以產(chǎn)生孤立點(diǎn)的可能性非常小，最終選用Ｋ均值的算法來(lái)運用于本研究的數據聚類(lèi)中。一般情況下，Ｋ均值算法當局部取得最優(yōu)解時(shí)會(huì )終止，所以一定要對數據樣本進(jìn)行改進(jìn)，考察數據樣本信息的綜合比例分布情況，采取進(jìn)一步措施對Ｋ均值算法進(jìn)行改進(jìn)得到三個(gè)等級樣本，３數據挖掘算法流程３．１算法實(shí)現的流程算法實(shí)現流程。在Ｋ均值算法中，函數ＬｏａｄＰａｔｔｅｒｎｓ的作用主要是將數據信息裝載到程序中，目的是為了從數據庫文件中讀取相關(guān)信息，并且將文件中的數據轉換成樣本數組。函數ＲｕｎＫ－Ｍｅａｎｓ（）的作用是算法的主程序，將所有對象同簇中心距離進(jìn)行對比，然后將對象劃分到最近的簇中。函數Ｓｈｏｗ－Ｃｅｎｔｅｒｓ（）代表算法所描述的聚類(lèi)中心。函數ＳｈｏｗＣｌｕｓｔｅｒｓ（）表示樣本的標識符號［４］。３．２主控程序ＲｕｎＫＭｅａｎｓ（）的調用從而找到最短距離的簇，然后運用ＤｉｓｔｒｉｂｕｔｅＳａｍ－ｐｌｅｓ（）將所有對象劃分到最近的簇當中，算出所有簇中對象的平均值，作為新的質(zhì)心，如果所有新的質(zhì)心不發(fā)生改變，則聚類(lèi)結束。
3聚類(lèi)結果分析
本文運用Ｋ均值算法對１２０個(gè)數據通過(guò)數據轉換得到的樣本數據進(jìn)行分析，對管理態(tài)度、管理能力、管理方法、管理效果４個(gè)屬性進(jìn)行數據挖掘聚類(lèi)，設置初始ｋ值為３，最終挖掘到的結果.根據以上結果，每個(gè)簇所包括的數據樣本最后的比例分布范圍如下：簇１（較好）共計３６個(gè)樣本，刪除定義樣本，剩余３５個(gè)數據樣本，占３５／１１７＝３０％。簇２（中等）共計７４個(gè)樣本，刪除一個(gè)標準樣本，剩余７３個(gè)數據樣本，占７３／１１７＝６２％。簇３（較差）共計１０個(gè)樣本，刪除一個(gè)標準樣本，剩余９個(gè)數據樣本，占９／１１７＝８％“管理態(tài)度”＝０．７７＊３０％＋０．６１＊６２％＋０．３１＊８％＝０．６３４“管理能力”＝０．７７＊３０％＋０．５７＊６２％＋０．３１＊８％＝０．６０９２“管理方法”＝０．７４＊３０％＋０．５４＊６２％＋０．２８＊８％＝０．５７９２“管理效果”＝０．７９＊３０％＋０．５６＊６２％＋０．３０＊８％＝０．６０８２從總體得分由高到低排序為：管理態(tài)度、管理能力、管理效果、管理方法�？傮w上證明該校的思政管理水平屬于中等偏上的。
４總結
數據挖掘，主要是通過(guò)對原始數據的分析、提煉，找到最優(yōu)價(jià)值的信息的過(guò)程，屬于一類(lèi)深層次的數據分析方法。將數據挖據技術(shù)運用在高校思想政治教育中，有利于對思政教育工作者的多項工作指標進(jìn)行分析，對其綜合能力進(jìn)行評定，為高校進(jìn)一步完善思想政治教育管理決策，準確定位人才培養目標，加強教育團隊建設提供有效的數據依據。
參考文獻
�。郏保輨姮B，丁養斌．基于數據挖掘技術(shù)的高校思政教育管理研究［Ｊ］．電子測試，２０１５（１）：１０１－１０３．
�。郏玻莘跺肺�，韓松洋．思想政治教育在高校內涵式發(fā)展中的重新定位［Ｊ］．中共珠海市委黨校珠海市行政學(xué)院學(xué)報，２０１５（４）：５０－５４．
�。郏常輩切↓�，張麗麗．大數據視角下高校思想政治理論教育創(chuàng )新［Ｊ］．江西理工大學(xué)學(xué)報，２０１７（８）：２０－２３．
�。郏矗堇钇綐s．大數據時(shí)代的數據挖掘技術(shù)與應用［Ｊ］．重慶三峽學(xué)院學(xué)報，２０１４（５）：１５９．
�。郏担菔嬲澹疁\談數據挖掘技術(shù)及其應用［Ｊ］．中國西部科技，２０１０（２）：１４８－１５０．
作者:關(guān)翠玲 單位:陜西財經(jīng)職業(yè)技術(shù)學(xué)院
數據挖掘論文2
[摘要] 電子商務(wù)是現代商業(yè)模式，數據挖掘是先進(jìn)的信息處理技術(shù)，因此數據挖掘在電子商務(wù)中具有廣闊的應用前景。本文主要介紹了web數據挖掘的概念和分類(lèi)，論述了電子商務(wù)中web數據挖掘的過(guò)程和方法，最后闡述了web數據挖掘技術(shù)在電子商務(wù)中的應用。
[關(guān)鍵詞] web 數據挖掘 電子商務(wù)
一、引言
電子商務(wù)是利用計算機技術(shù)、網(wǎng)絡(luò )技術(shù)和遠程通信技術(shù)，實(shí)現整個(gè)商務(wù)(買(mǎi)賣(mài))過(guò)程中的電子化、數字化和網(wǎng)絡(luò )化。在全球范圍內，基于internet的電子商務(wù)迅猛發(fā)展，促使各企業(yè)經(jīng)營(yíng)者必須及時(shí)搜集大量的數據，并且將這些數據轉換成有用的信息，為企業(yè)創(chuàng )造更多潛在的利潤。利用web數據挖掘技術(shù)可以有效地幫助企業(yè)分析從網(wǎng)上獲取的大量數據，提取出有效信息，進(jìn)而指導企業(yè)調整營(yíng)銷(xiāo)策略，給客戶(hù)提供動(dòng)態(tài)的個(gè)性化的高效率服務(wù)。
二、web數據挖掘
1.web數據挖掘的概念
數據挖掘是指從數據庫中的大量數據中揭示出隱含的、先前未知的并有潛在價(jià)值的信息的過(guò)程。web數據挖掘是數據挖掘技術(shù)在web環(huán)境下的應用，是從web文檔和web活動(dòng)中發(fā)現潛在的、有用的模式或信息。它是一項綜合技術(shù)，涉及到internet、人工智能、計算機語(yǔ)言學(xué)、信息學(xué)、統計學(xué)等多個(gè)領(lǐng)域。
2.web數據挖掘的類(lèi)型
電子商務(wù)中web信息的多樣性決定了挖掘任務(wù)的多樣性。按照web處理對象的不同，web數據挖掘可以分為以下三種類(lèi)型：
(1)web內容挖掘(web content mining)：可分為web頁(yè)面內容挖掘和搜索結果挖掘。WWW.133229.COM前者指的是對web頁(yè)面上的數據進(jìn)行挖掘。而后者指的是以某一搜索引擎為基礎，對已搜索結果的挖掘，以得到更精確有用的信息。web內容挖掘常用的方法有weboql和ahoy。
(2)web結構挖掘(web structure mining)：可分為超鏈接挖掘、內容挖掘和url挖掘。整個(gè)web空間里，有用的知識不僅包含在web頁(yè)面的內容之中，而且包含在頁(yè)面的結構之中。web結構挖掘是挖掘web潛在的鏈接結構模式，是對web頁(yè)面超鏈接關(guān)系、文檔內部結構、文檔url中的目錄途徑結構的挖掘。page2rank方法就是利用文檔間鏈接信息來(lái)查找相關(guān)的web頁(yè)。
(3)web使用挖掘(web usage mining)：可分為一般訪(fǎng)問(wèn)模式挖掘和個(gè)性化服務(wù)模式挖掘。它是從web的訪(fǎng)問(wèn)記錄中抽取感興趣的模式。/dianzijixie/">電子商務(wù)中，關(guān)聯(lián)規則的發(fā)現也就是找到客戶(hù)對網(wǎng)站上各種文件之間訪(fǎng)問(wèn)的相互聯(lián)系。聯(lián)系的問(wèn)題就是得到如下形式的規則：“”， 其中與均為在數據庫中相關(guān)數據特征屬性值的集合。例如，用關(guān)聯(lián)規則技術(shù)，我們可以發(fā)現：如果客戶(hù)在一次訪(fǎng)問(wèn)行為中，訪(fǎng)問(wèn)了頁(yè)面／page1時(shí)，一般也會(huì )訪(fǎng)問(wèn)頁(yè)面／page2。進(jìn)行web上的數據挖掘，構建關(guān)聯(lián)模型，我們可以更好地組織站點(diǎn)，減少用戶(hù)過(guò)濾信息的負擔，實(shí)施有效的市場(chǎng)策略，增加交叉銷(xiāo)售量。
4.序列模式(sequential pattern)
序列模式分析的目的是為了挖掘出數據間的前后或因果關(guān)系，就是在時(shí)間戳有序的事務(wù)集中，找到那些“一些項跟隨另一個(gè)項”的內部事務(wù)模式。例如，在／page1上進(jìn)行過(guò)在線(xiàn)訂購的顧客，有60%的人在過(guò)去10天內也在／page2上下過(guò)定單。通過(guò)序列模式的發(fā)現，能夠便于電子商務(wù)的經(jīng)營(yíng)者預測客戶(hù)的'訪(fǎng)問(wèn)模式，在服務(wù)器方選取有針對性的頁(yè)面，以滿(mǎn)足訪(fǎng)問(wèn)者的特定要求；網(wǎng)站的管理員可將訪(fǎng)問(wèn)者按瀏覽模式分類(lèi)，在頁(yè)面上只展示具有該瀏覽模式的訪(fǎng)問(wèn)者經(jīng)常訪(fǎng)問(wèn)的鏈接，而用一個(gè)“更多內容”指向其他未被展示的內容。當訪(fǎng)問(wèn)者瀏覽到某頁(yè)面時(shí)，檢查他的瀏覽所符合的序列模式，并在顯眼的位置提示“訪(fǎng)問(wèn)該頁(yè)面的人通常接著(zhù)訪(fǎng)問(wèn)”的若干頁(yè)面。
5.分類(lèi)規則(classification regulation)
分類(lèi)要解決的問(wèn)題是為一個(gè)事件或對象歸類(lèi)。設有一個(gè)數據庫和一組具有不同特征的類(lèi)別(標記)，該數據庫中的每一個(gè)記錄都賦予一個(gè)類(lèi)別的標記，這樣的數據庫稱(chēng)為示例數據庫或訓練集。分類(lèi)分析就是通過(guò)分析示例數據庫中的數據，為每個(gè)類(lèi)別做出準確的描述或建立分析模型或挖掘出分類(lèi)規則，然后用這個(gè)分類(lèi)規則對其它數據庫中的記錄進(jìn)行分類(lèi)。例如，經(jīng)過(guò)web挖掘發(fā)現，在／page1進(jìn)行過(guò)在線(xiàn)訂購的客戶(hù)中有60％是20歲～30歲生活在大中城市的年輕人。得到分類(lèi)后，就可以針對這一類(lèi)客戶(hù)的特點(diǎn)展開(kāi)商務(wù)活動(dòng)，提供有針對性的個(gè)性化的信息服務(wù)。用于分類(lèi)分析的方法有統計方法的貝葉斯分類(lèi)、機器學(xué)習的判定樹(shù)歸納分類(lèi)、神經(jīng)網(wǎng)絡(luò )的后向傳播分類(lèi)、k-最臨近分類(lèi)、mbr、遺傳法、粗糙集和模糊集等。
6.聚類(lèi)分析(clustering analysis)
聚類(lèi)分析不同于分類(lèi)規則，其輸入集是一組未標定的記錄，也就是說(shuō)，此時(shí)輸入的記錄還沒(méi)有進(jìn)行任何分類(lèi)。其目的是根據一定的規則，合理地劃分記錄集合，并用顯式或隱式的方法描述不同的類(lèi)別。在電子商務(wù)中，通過(guò)聚類(lèi)具有相似瀏覽行為的客戶(hù)，可使經(jīng)營(yíng)者更多地了解客戶(hù)，為客戶(hù)提供更好的服務(wù)。例如，一些客戶(hù)在一個(gè)時(shí)間段內經(jīng)常瀏覽“wedding celebration”，經(jīng)過(guò)分析可將這些客戶(hù)聚類(lèi)為一組，并可進(jìn)一步得知這是一組即將結婚的客戶(hù)，對他們的服務(wù)就應該有別于其他的聚類(lèi)客戶(hù)，如“經(jīng)理人員階層組”、“學(xué)生階層組”。這樣，web可自動(dòng)給這個(gè)特定的顧客聚類(lèi)發(fā)送新產(chǎn)品信息郵件，為這個(gè)顧客聚類(lèi)動(dòng)態(tài)地改變一個(gè)特殊的站點(diǎn)。在一定程度上滿(mǎn)足客戶(hù)的要求，這對客戶(hù)和銷(xiāo)售商來(lái)說(shuō)更有意義。
三、web數據挖掘技術(shù)在電子商務(wù)中的應用
1.挽留老顧客，挖掘潛在客戶(hù)
通過(guò)web挖掘，電子商務(wù)的經(jīng)營(yíng)者可以獲知每位訪(fǎng)問(wèn)者的個(gè)人愛(ài)好，充分地了解客戶(hù)的需要，根據每一類(lèi)顧客的獨特需求提供定制化的產(chǎn)品，并根據需求動(dòng)態(tài)地向客戶(hù)做頁(yè)面推薦，調整web頁(yè)面，提高客戶(hù)滿(mǎn)意度，延長(cháng)客戶(hù)駐留的時(shí)間，最終達到留住客戶(hù)的目的。通過(guò)挖掘web日志記錄，可以先對已經(jīng)存在的訪(fǎng)問(wèn)者進(jìn)行分類(lèi)，然后從它的分類(lèi)判斷出某個(gè)新客戶(hù)是否是潛在的客戶(hù)。
2.制定產(chǎn)品營(yíng)銷(xiāo)策略，優(yōu)化促銷(xiāo)活動(dòng)
通過(guò)對商品訪(fǎng)問(wèn)情況和銷(xiāo)售情況進(jìn)行挖掘，企業(yè)能夠獲取客戶(hù)的訪(fǎng)問(wèn)規律，確定顧客消費的生命周期，根據市場(chǎng)的變化，針對不同的產(chǎn)品制定相應的營(yíng)銷(xiāo)策略。
3.降低運營(yíng)成本，提高企業(yè)競爭力
電子商務(wù)的經(jīng)營(yíng)者通過(guò)web數據挖掘，可以得到可靠的市場(chǎng)反饋信息，認真分析顧客的將來(lái)行為，進(jìn)行有針對性的電子商務(wù)營(yíng)銷(xiāo)活動(dòng)；可以根據關(guān)心某產(chǎn)品的訪(fǎng)問(wèn)者的瀏覽模式來(lái)決定廣告的位置，增加廣告針對性，提高廣告的投資回報率，從而降低運營(yíng)成本，提高企業(yè)競爭力。
4.提高站點(diǎn)點(diǎn)擊率，完善電子商務(wù)網(wǎng)站設計
通過(guò)挖掘客戶(hù)的行為記錄和反饋情況為站點(diǎn)設計者提供改進(jìn)的依據，進(jìn)一步優(yōu)化網(wǎng)站組織結構以提高網(wǎng)站的點(diǎn)擊率。比如利用關(guān)聯(lián)規則的發(fā)現，可以針對不同客戶(hù)動(dòng)態(tài)調整站點(diǎn)結構，使客戶(hù)訪(fǎng)問(wèn)的有關(guān)聯(lián)的文件間的鏈接更直接，讓客戶(hù)容易地訪(fǎng)問(wèn)到想要的頁(yè)面，就能給客戶(hù)留下好的印象，增加下次訪(fǎng)問(wèn)的機率。
同時(shí)對網(wǎng)站上各種數據的統計分析有助于改進(jìn)系統性能，增強系統安全性，并提供決策支持。
四、結束語(yǔ)
當今時(shí)代，電子商務(wù)的發(fā)展勢頭越來(lái)越強勁，面向電子商務(wù)的數據挖掘將是一個(gè)非常有前景的領(lǐng)域。但是，不可否認，在面向電子商務(wù)的數據挖掘中還存在很多急需解決的問(wèn)題， 比如：怎樣將服務(wù)器的日志數據轉化成適合某種數據挖掘技術(shù)的數據格式；怎樣解決分布性、異構性數據源的挖掘問(wèn)題；如何控制整個(gè)web上的知識發(fā)現過(guò)程等。
參考文獻:
[1]jiawei han，micheline kamber著(zhù)，范明孟小峰譯:數據挖掘概念與技術(shù).機械工業(yè)出版社，20xx，8
[2]凌傳繁:web挖掘技術(shù)在電子商務(wù)中的應用[j].情報雜志，20xx，(1)
[3]柳:web挖掘技術(shù)與電子商務(wù)[j]．商場(chǎng)現代化，20xx，(03x)
數據挖掘論文3
摘要：隨著(zhù)信息技術(shù)的發(fā)展與進(jìn)步，大數據時(shí)代已經(jīng)悄然走進(jìn)人們身邊，云計算技術(shù)的運用已經(jīng)隨處可見(jiàn)，并改變和影響著(zhù)人們的生活。在此基礎上，數據挖掘技術(shù)產(chǎn)生并發(fā)展，其在信息安全系統開(kāi)發(fā)和建設方面產(chǎn)生重要影響和作用，以數據挖掘技術(shù)為依托構建相應的信息安全系統則更加能夠讓網(wǎng)絡(luò )信息建設可靠、安全。
關(guān)鍵詞：數據挖掘技術(shù)；信息安全系統；開(kāi)發(fā)研究
一、數據挖掘的主要任務(wù)
在數據挖掘的主要任務(wù)中，包含關(guān)聯(lián)分析、聚類(lèi)分析、異常檢測等任務(wù)。關(guān)聯(lián)分析也叫頻繁模式分析，其指的是就同一任務(wù)或者統一事件的查找過(guò)程中，另一事件也同樣會(huì )發(fā)生相同規律，兩者之間具有緊密聯(lián)系。聚類(lèi)分析主要是的是對各個(gè)數據內在的規律摸索，以及特點(diǎn)分析，通過(guò)對特點(diǎn)和規律進(jìn)行對比，依照特點(diǎn)和規律進(jìn)行數據源分類(lèi)，使其成為若干個(gè)數據庫。異常檢測指的是對數據樣本的范本進(jìn)行建設，利用這一范本，與數據源中所存在的數據開(kāi)展對比分析工作，將數據中的異常樣本查找出來(lái)[1]。在監督學(xué)習中，主要包含分類(lèi)與預測兩種形式，利用已知樣本的類(lèi)型與大小，對新到樣本開(kāi)展有關(guān)預測活動(dòng)。
二、基于數據挖掘的網(wǎng)絡(luò )信息安全策略
1.安全的網(wǎng)絡(luò )環(huán)境
�。�1）對控制技術(shù)進(jìn)行隔離與訪(fǎng)問(wèn)，包括物理隔離、可信網(wǎng)絡(luò )隔離、邏輯隔離與不可信網(wǎng)絡(luò )隔離，相關(guān)用戶(hù)如果需要進(jìn)行網(wǎng)絡(luò )資源搜集或者訪(fǎng)問(wèn)，需要得到相關(guān)授權。
�。�2）對防病毒技術(shù)進(jìn)行運用，由于網(wǎng)絡(luò )安全已受到病毒的嚴重威脅，應當對病毒預警、防護以及應急機制進(jìn)行建設，確保網(wǎng)絡(luò )的安全性；
�。�3）通過(guò)網(wǎng)絡(luò )入侵檢測技術(shù)的應用，能夠對非法入侵者的破壞行為及時(shí)發(fā)現，并依照存在的隱患進(jìn)行預警機制的建設。網(wǎng)絡(luò )安全環(huán)境的建設還包括對系統安全性開(kāi)展定期分析，在第一時(shí)間對系統漏洞進(jìn)行查找，并制定有關(guān)解決措施；
�。�4）通過(guò)有關(guān)分析審計工作的開(kāi)展，可以對計算機網(wǎng)絡(luò )中的各種運行活動(dòng)進(jìn)行記錄，不僅可以對網(wǎng)絡(luò )訪(fǎng)問(wèn)者予以確定，而且還能夠對系統的使用情況進(jìn)行記錄；
�。�5）通過(guò)網(wǎng)絡(luò )備份與災難恢復工作，能夠利用最短的時(shí)間回復已破壞的系統。
2.保證數據挖掘信息安全的策略。安全的數據挖掘信息指的是數據挖掘信息的儲存、傳送以及運用工作的安全性。在數據挖掘信息的存儲安全中，主要包括其物理完整性、邏輯完整性以及保密性。利用數據完整性技術(shù)、數據傳輸加密技術(shù)以及防抵賴(lài)性技術(shù)，使數據挖掘信息傳送的安全性得到充分保障。數據挖掘信息運用的安全性指的是針對網(wǎng)絡(luò )中的主體，應當開(kāi)展有關(guān)驗證工作，預防非授權主體對網(wǎng)絡(luò )資源進(jìn)行私自運用。
3.基于數據挖掘的網(wǎng)絡(luò )安全數據分析策略
�。�1）關(guān)聯(lián)性分析。在一次攻擊行為中，利用源地址、目的地址以及攻擊類(lèi)型這三要素，通過(guò)三要素之間的隨意指定或組合，都能夠將具備一定意義的網(wǎng)絡(luò )攻擊態(tài)勢反映出來(lái)。
�。�2）事件預測機制。對某一事件的發(fā)展情況進(jìn)行跟蹤，通過(guò)數據聚類(lèi)算法的應用，對依照網(wǎng)絡(luò )事件所構建的模型進(jìn)行分析，進(jìn)而做出判定。一般來(lái)說(shuō)，規模比較大的網(wǎng)絡(luò )事件中，擴散一般是其所呈現的重要特征。
�。�3）可控數量預測模型。利用對事件中受控主機狀態(tài)增長(cháng)數量進(jìn)行觀(guān)測，判斷該事件的感染能力。所謂的受控主機狀態(tài)增長(cháng)指的'是，先前未檢測出主機受到某類(lèi)攻擊，利用有關(guān)檢測，對其狀態(tài)變化增長(cháng)情況予以發(fā)現[2]。
�。�4）分析處理模型。通過(guò)分析處理模型，能夠科學(xué)分析運營(yíng)商事件處理反饋情況，并對其針對被控主機的處理能力進(jìn)行判定。利用對所有運營(yíng)商所開(kāi)展的綜合評估，能夠對其管轄范圍內的主機處理能力予以綜合判斷。
�。�5）網(wǎng)絡(luò )安全數據分析模型。針對網(wǎng)絡(luò )事件進(jìn)行數據分析，通過(guò)分析構建相應模型，結合模型進(jìn)行異常情況的跟進(jìn)和跟蹤，從而為網(wǎng)絡(luò )安全環(huán)境的營(yíng)造創(chuàng )造條件。其運行過(guò)程主要包括兩個(gè)階段：
�、僭趯W(xué)習階段中，用戶(hù)主要是對事件進(jìn)行確定，并在計算機系統中進(jìn)行定義，對各個(gè)時(shí)間段所發(fā)生的安全事件數量進(jìn)行統計。一般來(lái)說(shuō)，統計以小時(shí)為單位，單位時(shí)間內的安全事件平均數為x，方差為σ。
�、谠趯�(shí)時(shí)檢測階段中，根據時(shí)間間隔各類(lèi)安全事件的數量ix對安全事件數量是否出現異常情況進(jìn)行判定，正常的安全事件數量輕度異常的安全事件數量中度異常的安全事件數量重度異常的安全事件數量在建設模型的過(guò)程中開(kāi)展有關(guān)配置工作，依據不同的情形，對該參數進(jìn)行調整，各類(lèi)安全事件數量異常的最高值也就是安全事件數量指標值。
三、結語(yǔ)
云計算和大數據時(shí)代都對信息技術(shù)提出了更高的安全要求和標準，網(wǎng)絡(luò )安全系統的構建影響著(zhù)人們的生活和生產(chǎn)，并對相關(guān)的數據起到重要保護作用。結合數據挖掘技術(shù)進(jìn)行信息安全系統的開(kāi)發(fā)和建設，則能夠更好地促進(jìn)網(wǎng)絡(luò )安全性的提升，能夠有效抵制網(wǎng)絡(luò )不法分子的侵襲，讓網(wǎng)絡(luò )安全性真正為人們的生活工作提供幫助。
參考文獻
[1]趙悅品.網(wǎng)絡(luò )信息安全防范與Web數據挖掘系統的設計與實(shí)現[J].現代電子技術(shù),20xx,40(04):61-65.
[2]梁雪霆.數據挖掘技術(shù)的計算機網(wǎng)絡(luò )病毒防御技術(shù)研究[J].科技經(jīng)濟市場(chǎng),20xx(01):25.
數據挖掘論文4
摘要：橡膠是一種重要的戰略物資, 其種植受到土地資源、地理環(huán)境、橡膠機械化的影響, 產(chǎn)量波動(dòng)很大。本文對農墾橡膠產(chǎn)業(yè)種植、生產(chǎn)加工引入數據挖掘技術(shù)的必要性進(jìn)行了初步探究, 指出通過(guò)提取土壤圖像的特征, 用支持向量機的算法可以發(fā)現橡膠種植、生產(chǎn)加工的規律, 進(jìn)而制定精準的橡膠產(chǎn)業(yè)相關(guān)策略, 以提高橡膠產(chǎn)量、節約成本、提高利潤。
關(guān)鍵詞：橡膠種植; 數據挖掘; 特征提取; 支持向量機.
基金：廣東農工商職業(yè)技術(shù)學(xué)院校級課題“基于數據挖掘技術(shù)的橡膠產(chǎn)業(yè)的數字化研究” (xykt1601)橡膠是一種重要的戰略物資, 與石油、鋼鐵、煤炭并稱(chēng)為四大工業(yè)原料。我國是全球最大的天然橡膠消費國和進(jìn)口國, 國內天然橡膠長(cháng)期處于缺口狀態(tài), 需求的2/3依賴(lài)進(jìn)口來(lái)滿(mǎn)足[1]。天然橡膠產(chǎn)業(yè)屬于資源約束型、勞動(dòng)密集型產(chǎn)業(yè), 相對其他農作物來(lái)說(shuō), 具有周期長(cháng)、收益長(cháng)等特點(diǎn)。農墾橡膠業(yè)的產(chǎn)生、發(fā)展與壯大實(shí)際上是中國橡膠業(yè)發(fā)展的一個(gè)縮影, 一直是學(xué)術(shù)界研究的熱點(diǎn)。根據農墾橡膠產(chǎn)業(yè)種植、生產(chǎn)加工的歷史數據進(jìn)行數據挖掘, 發(fā)現其種植、生產(chǎn)加工的規律, 進(jìn)而制定精準的橡膠產(chǎn)業(yè)相關(guān)策略, 以提高橡膠產(chǎn)量、節約成本、提高利潤的數字化研究, 目前國內還比較少。
1 引入數據挖掘技術(shù)的必要性
天然橡膠以其獨具的高彈性、高強度、高伸長(cháng)率、耐磨、耐撕裂、耐沖擊、耐酸堿、耐油、耐腐蝕、耐高低溫和絕緣性好、粘合性、密封性強等特點(diǎn), 始終處于不可替代的地位。我國天然橡膠需求量大, 近幾年一直處于供不應求的狀態(tài)。造成這種局面的原因主要有以下兩點(diǎn):一、國內輪胎工業(yè)迅猛發(fā)展;二、天然橡膠的種植條件苛刻。其種植條件苛刻主要體現在對種植地要求高, 如對土地的含碳、含氮、濕度等要求都很?chē)栏?容易受到寒害、蟲(chóng)害、臺風(fēng)的襲擊。橡膠的供應不足阻礙了我國經(jīng)濟 (特別是輪胎行業(yè)) 的發(fā)展�；诖吮尘跋�, 本文通過(guò)數據挖掘技術(shù)對橡膠樹(shù)生長(cháng)地的土壤進(jìn)行評價(jià)研究, 為尋找出最適合橡膠樹(shù)生長(cháng)的土壤和尋找橡膠樹(shù)種植地提供依據, 一方面可以降低種植橡膠的成本, 另一方面可以讓新的橡膠農更容易掌握種植橡膠技巧, 讓更多的人加入種植橡膠的隊伍中。
2 數字化流程圖
2.1 樣本采集
研究的橡膠林可以分為4種不同林齡膠林:幼林早期 (0~2齡) 、幼林晚期 (2~7齡) 、開(kāi)割數 (7~16齡) 、老齡即將更新數 (>16齡) 。取土壤樣本的時(shí)間要在晴天上午, 如果遇雨天, 則等2個(gè)晴天后再進(jìn)行取樣。每個(gè)林齡段中隨機設置n個(gè)樣地:每個(gè)樣地的面積a (m) ×b (m) , 分0~15cm、15~30cm、30~45cm、45~60cm4個(gè)層次拍攝土壤樣品, 每個(gè)層次拍攝m張。每張土壤樣品圖片的命名規則為“膠林-層次.jpg”。
2.2 特征提取
通過(guò)拍攝得到的土壤圖像, 由于圖像的維度過(guò)大, 不容易分析, 需要從中提取土樣圖像的特征, 提取反應圖像本質(zhì)的一些關(guān)鍵指標, 以達到自動(dòng)進(jìn)行圖像識別的目的。
圖像的特征主要包括顏色特征、紋理特征、形狀特征等。本文主要運用圖片的顏色特征和紋理特征建立圖片自動(dòng)識別模型。
2.2.1 顏色特征
圖片的顏色特征用顏色矩表示�；陬伾靥崛D像特征的數學(xué)基礎在于圖像中任何的顏色分布均可以用它的矩來(lái)表示。顏色的矩包含各個(gè)顏色通道的一階矩、二階矩和三階矩, 對于一幅RGB顏色空間的圖像, 具有R、G和B三個(gè)顏色通道, 共有9個(gè)分量。
2.2.2 紋理特征
圖片的紋理特征主要灰度共生矩陣里面中提取。因為紋理是由灰度分布在空間位置上反復交替變化而形成的, 因而在圖像空間中相隔某距離的兩個(gè)像素間一定存在一定的'灰度關(guān)系, 稱(chēng)為是圖像中灰度的空間相關(guān)特性。
其中L表示圖像的灰度級, i, j分別表示像素的灰度。d表示兩個(gè)像素間的空間位置關(guān)系。不同的d決定了兩個(gè)像素間的距離和方向。元素Pd (1, 0) 代表了圖像上位置關(guān)系為d的兩個(gè)像素灰度分別為1和0的情況出現的次數。
在建模中一般不直接用圖片的灰度共生矩陣建模, 往往要從灰度共生矩陣中提取它的特征參數用戶(hù)建模�；叶裙采仃嚨奶卣鲄涤卸A距、對比度、相關(guān)、熵。
3 模型構建
特征提取完之后, 用支持向量機算法對圖像進(jìn)行圖片識別。根據識別出的結果就可以有針對性的對土壤做些有利于橡膠樹(shù)生長(cháng)的干預工作, 如:如果識別出土壤缺少氮元素, 可以給土壤適當的施些氮肥;如果識別出土壤的水分較少, 就要給土壤澆水, 給農墾橡膠產(chǎn)業(yè)提供數學(xué)指導意義。
4 結論
本文分析了橡膠種植中引入數據挖掘技術(shù)的必要性, 對橡膠種植數字化研究做了初步闡述�？梢越o橡膠業(yè)提供一定的參考意義。
參考文獻
[1]黃冠, 吳紅宇.廣東農墾天然橡膠種植現狀及“走出去”戰略實(shí)踐.中國熱帶農業(yè), 20xx, 3 (4) , 18-21.
[2]李煒.廣東農墾“走出去”做強做大橡膠產(chǎn)業(yè).今日熱作, 20xx, 19 (1) , 52-53.
[3]Rapepun Wititsuwannakul, Piyaporn Pasitkul, et.al.Hevea latex lectin binding protein in C-serum as an anti-latex coagulating factor and its role in a proposed new model for latex coagulation, Phytochemistry 20xx, 69 (1) , 656–662.
[4]勒碧.數據挖掘算法及其生產(chǎn)優(yōu)化應用中的研究.浙江大學(xué)碩士學(xué)位論文, 20xx.
數據挖掘論文5
摘要：本文主要以電力調度自動(dòng)化系統中數據挖掘技術(shù)運用分析為重點(diǎn)進(jìn)行闡述，結合當下數據挖掘概述為主要依據，從神經(jīng)網(wǎng)絡(luò )法、灰色分析法、模糊分析法、線(xiàn)路故障專(zhuān)家系統、負荷管理專(zhuān)家系統、狀態(tài)檢修專(zhuān)家系統這六方面進(jìn)行深入探索與研究，其目的在于提升電力調度自動(dòng)化系統中數據挖掘技術(shù)運用效率，為加強電力調度自動(dòng)化系統的實(shí)效性做鋪墊。
關(guān)鍵詞：數據挖掘；電力調度自動(dòng)化；數據倉庫
0引言
對于電力調度自動(dòng)化系統來(lái)講合理應用數據挖掘技術(shù)十分重要，其是確保電力調度自動(dòng)化系統效用充分發(fā)揮的基礎，也是推動(dòng)現代化社會(huì )持續穩定發(fā)展的關(guān)鍵�；诖�，相關(guān)人員需給予數據挖掘技術(shù)高度重視，促使其存在的價(jià)值與效用在電力調度自動(dòng)化系統中發(fā)揮出最大，為提高我國國民生活水平奠定基礎。本文主要分析電力調度自動(dòng)化系統中數據挖掘技術(shù)運用，具體如下。
1數據挖掘相關(guān)概述
從技術(shù)層面講，數據挖掘便是在諸多數據中，利用多種分析工具探尋數據同模型間的關(guān)系，并通過(guò)此種關(guān)系的發(fā)現為決策提供有效依據。由于數據挖掘的飛速發(fā)展，隨著(zhù)出現了許多多元化的技術(shù)與方法，基于此便形成了多種不同的分類(lèi)。通俗的講，能夠把數據挖掘分為驗證驅動(dòng)性和發(fā)現驅動(dòng)型這兩種知識發(fā)現。驗證驅動(dòng)型指的是客戶(hù)利用多元化工具對自己所提的假設進(jìn)行查詢(xún)與檢索，來(lái)否定或是驗證假設的一個(gè)過(guò)程；而發(fā)現驅動(dòng)型是通過(guò)統計或是機器學(xué)習等技術(shù)來(lái)研究新的假設。
2數據挖掘技術(shù)在電力調度自動(dòng)化系統中的運用
�。�1）灰色分析法。在對時(shí)間線(xiàn)上相關(guān)聯(lián)的數據進(jìn)行分析時(shí)會(huì )應用到灰色分析法，通過(guò)應用一定的數學(xué)方法，把數據中的白色部分當作主要依據，找出它同黑色部分有關(guān)聯(lián)的地方，進(jìn)而實(shí)現數據灰色化。在挖掘電力數據時(shí)，灰色分析法為最普遍的利用方法之一，主要把其應用到電力數據預測及分析中。它的優(yōu)點(diǎn)為盡管數據不完整或是數據有限皆能夠應用與分析，但其不足為不能將大數據的使用價(jià)值充分的發(fā)揮出。
�。�2）神經(jīng)網(wǎng)絡(luò )法。所謂神經(jīng)網(wǎng)絡(luò )法指的是合理應用計算機的計算機能力的前提下，對離散數據展開(kāi)邏輯處理的一種方式，為專(zhuān)家系統中應用的基礎方式。通過(guò)對計算機云計算的能力合理應用，這些專(zhuān)家系統能夠對電力數據進(jìn)行深度分析、充分挖掘，其對電力數據預測與整理具有不可或缺的作用，事實(shí)上，神經(jīng)網(wǎng)絡(luò )法屬于人工智能法，其能夠實(shí)現對諸多數列展開(kāi)聯(lián)動(dòng)分析，并明確每個(gè)數列間的關(guān)系，讓其邏輯性得到有效發(fā)揮。
�。�3）模糊分析法。此種方法為聚類(lèi)分析法的一種，是最常應用聚類(lèi)方法，其主要是對已知數列進(jìn)行聚類(lèi)與分析，讓數據能夠展開(kāi)全面、綜合的分類(lèi)。同灰色分析法差異點(diǎn)為，利用模糊分析法能夠合理應用大數據優(yōu)勢，滿(mǎn)足對其的實(shí)質(zhì)性需求。
3電力調度自動(dòng)化對數據挖掘技術(shù)的具體需求
目前，我國數據挖掘技術(shù)，因五防系統等技術(shù)還處于發(fā)展的初級階段，對應的管理措施還未完全構成，所以，盡管說(shuō)數據挖掘的專(zhuān)家系統以能夠在多方面展現出優(yōu)勢，但若想實(shí)現遙控系統和專(zhuān)家系統是一件不可能實(shí)現的事。
�。�1）負荷管理系統。電力負荷管理為電力調度自動(dòng)化系統中的主要環(huán)節。依據冗余回路間的負荷分布，電能能夠自動(dòng)對負荷的上級節點(diǎn)進(jìn)行連續與切換。另外，當其中有一個(gè)節點(diǎn)出現故障，符合管理系統則能夠充分發(fā)揮效用，讓該故障節點(diǎn)在事故出現以后被自動(dòng)切除。負荷管理系統的實(shí)際工作原理為依據對各線(xiàn)路的.負荷狀態(tài)進(jìn)行全面監測，并通過(guò)合理應用數據挖掘技術(shù)，對滿(mǎn)足這些狀態(tài)表現出的數據進(jìn)行預測，并分析、判斷、整理這些數據變化形式，基于此來(lái)對負荷進(jìn)行道閘分配。目前，在我國電力調度中，負荷管理系統已投入應用，但因有關(guān)技術(shù)的滯后性，不能實(shí)現同電網(wǎng)遠控系統完美對接，所以還沒(méi)有實(shí)現廣泛應用，對于調度系統中所發(fā)布的命令皆由人工來(lái)實(shí)現。
�。�2）線(xiàn)路故障系統。傳統的電力線(xiàn)路檢修，一般都是在線(xiàn)路出現嚴重故障以后，才開(kāi)展利用相應方法對電力線(xiàn)路進(jìn)行巡查，并且探尋出存在其中的故障。但若是把線(xiàn)路故障系統利用到其中，那么該系統會(huì )依據電力線(xiàn)路兩端產(chǎn)生故障形式，在電力線(xiàn)路產(chǎn)生故障以后自動(dòng)且及時(shí)的判斷出電力線(xiàn)路受損的部位。相比于較完善的線(xiàn)路故障系統而言，還能夠同時(shí)判斷多個(gè)故障點(diǎn)。通過(guò)將線(xiàn)路故障系統利用到電力調動(dòng)自動(dòng)化系統之中，不但能夠將冗雜的線(xiàn)路切除掉，還能減小電力線(xiàn)路故障發(fā)生率，以及停電檢修率，并且還能在很大程度上監督電力線(xiàn)路巡查力度，讓電力維修人員能夠有足夠的實(shí)踐對線(xiàn)路出現故障的部位分析、判斷，并制定與之對應的補救措施。特別是一些地埋線(xiàn)路等，利用此種能夠定位的線(xiàn)路故障系統具有積極作用。
�。�3）狀態(tài)檢修系統。對變壓器、電纜、開(kāi)關(guān)等設施的具體運行狀態(tài)進(jìn)行充分分析，外加對互感器、集中器等設備的運行狀況進(jìn)行判斷，狀態(tài)檢修系統能夠以此來(lái)對電力調度自動(dòng)化系統的運行狀態(tài)進(jìn)行檢查，探究其是否健康，并深入規劃故障設備切除方案，自動(dòng)的把故障設備切除掉。合理利用狀態(tài)檢修系統是電力檢修的前提條件，為實(shí)現對全部設備充分管理的關(guān)鍵點(diǎn)，并且其利用價(jià)值為能夠自動(dòng)化更換再用設備，使倒閥變成檢修的狀態(tài)，并朝著(zhù)調動(dòng)系統進(jìn)行報警。當然，因有關(guān)技術(shù)的不成熟，導致?tīng)顟B(tài)檢修系統在部分企業(yè)依舊處于閑置的狀態(tài)，致使其含有的效用無(wú)法充分的發(fā)揮出。
4結束語(yǔ)
綜上所述，若想電力調度自動(dòng)化系統存在的價(jià)值發(fā)揮出最大，有關(guān)人員加強數據挖掘技術(shù)應用勢在必行。因其是保證電力調度自動(dòng)化系統穩定性的根本要素，還是推動(dòng)電力調度自動(dòng)化系統效用發(fā)揮的關(guān)鍵點(diǎn)。為此，有關(guān)部門(mén)需合理應用數據挖掘技術(shù)，讓其包含的作用都利用到電力調度自動(dòng)化系統中，為進(jìn)一步提高社會(huì )公眾生活水平提供有效依據。
參考文獻：
[1]聶宇,羅超,高小芊,寇霄宇,何宇雄,苑晉沛,李蔚.基于電力調度自動(dòng)化系統中數據挖掘技術(shù)的應用[J].科技創(chuàng )新與應用,20xx(03):143-144.
[2]周洋.數據挖掘在電力調度自動(dòng)化系統中的應用解析[J].科技創(chuàng )新與應用,20xx(35):149-150.
[3]劉雅銘.解析電力調度自動(dòng)化系統中數據挖掘技術(shù)應用[J].低碳世界,20xx(33):66-67.
[4]朱維佳,曹堅.電力調度自動(dòng)化系統中數據挖掘技術(shù)的應用[J].電氣時(shí)代,20xx(07):108-111.
數據挖掘論文6
1.軟件工程數據的挖掘測試技術(shù)
1.1代碼編寫(xiě)
通過(guò)對軟件數據進(jìn)行分類(lèi)整理，在進(jìn)行缺陷軟件的排除工作以后，根據軟件開(kāi)發(fā)過(guò)程中的各種信息進(jìn)行全新的代碼編寫(xiě)�；诖a編寫(xiě)人員的編寫(xiě)經(jīng)驗，在一般情況，對結構功能與任務(wù)類(lèi)似的模塊進(jìn)行重新編寫(xiě)，這些重新編寫(xiě)的模塊應遵循特定的編寫(xiě)規則，這樣才能保證代碼編寫(xiě)的合理有效性。
1.2錯誤重現
代碼編寫(xiě)完成以后開(kāi)發(fā)者會(huì )將這些代碼進(jìn)行版本的確認，然后將正確有效的代碼實(shí)際應用到適當版本的軟件中去。而對于存在缺陷的代碼，開(kāi)發(fā)者需要針對代碼產(chǎn)生缺陷的原因進(jìn)行分析，通過(guò)不但調整代碼內的輸入數據，直到代碼內的數據與程序報告中的描述接近為止。存在缺陷的代碼往往會(huì )以缺陷報告的形式對開(kāi)發(fā)者予以說(shuō)明，由于缺陷報告的模糊性，常常會(huì )誤導開(kāi)發(fā)者，進(jìn)而造成程序設計混亂。
1.3理解行為
軟件開(kāi)發(fā)者在設計軟件的過(guò)程中需要明確自己設計軟件中每一個(gè)代碼的內容，同時(shí)還需要理解其他開(kāi)發(fā)者編寫(xiě)的代碼，這樣才能有效地完善軟件開(kāi)發(fā)者的編寫(xiě)技術(shù)。同時(shí)，軟件開(kāi)發(fā)者在進(jìn)行代碼編寫(xiě)的過(guò)程中，需要對程序行為進(jìn)行準確的理解，以此保證軟件內文檔和注釋的準確性。
1.4設計推究
開(kāi)發(fā)者在準備對軟件進(jìn)行完善設計的過(guò)程中，首先需要徹底了解軟件的總體設計，對軟件內部復雜的系統機構進(jìn)行詳細研究與分析，充分把握軟件細節，這有這樣才能真正實(shí)現軟件設計的合理性與準確性。
2.軟件工程數據挖掘測試的有效措施
2.1進(jìn)行軟件工程理念和方法上的創(chuàng )新
應通過(guò)實(shí)施需求分析，將數據挖據逐漸演變成形式化、規范化的需求工程，在軟件開(kāi)發(fā)理念上，加強對數據挖掘的重視，對軟件工程的架構進(jìn)行演化性設計與創(chuàng )新，利用新技術(shù)，在軟件開(kāi)發(fā)的過(guò)程中添加敏捷變成與間件技術(shù)，由此，提高軟件編寫(xiě)水平。
2.2利用人工智能
隨著(zhù)我國科學(xué)技術(shù)的不斷發(fā)展與創(chuàng )新，機器學(xué)習已經(jīng)逐漸被我國各個(gè)領(lǐng)域所廣泛應用，在進(jìn)行軟件工程數據挖掘技術(shù)創(chuàng )新的'過(guò)程中，可以將機器學(xué)習及數據挖掘技術(shù)實(shí)際應用于軟件工程中，以此為我國軟件研發(fā)提供更多的便捷。人工智能作為我國先進(jìn)生產(chǎn)力的重要表現，在實(shí)際應用于軟件工程數據的挖掘工作時(shí)，應該利用機器較強的學(xué)習能力與運算能力，將數據統計及數據運算通過(guò)一些較為成熟的方法進(jìn)行解決。在軟件工程數據挖掘的工作中，合理化的將人工智能實(shí)際應用于數據挖掘，以此為數據挖掘提供更多的開(kāi)發(fā)測試技術(shù)。
2.3針對數據挖掘結果進(jìn)行評價(jià)
通過(guò)分析我國傳統的軟件工程數據挖掘測試工作，在很多情況下，傳統的數據挖掘測試技術(shù)無(wú)法做到對發(fā)掘數據的全面評價(jià)與實(shí)際應用研究，這一問(wèn)題致使相應的軟件數據在被發(fā)掘出來(lái)以后無(wú)法得到有效地利用，進(jìn)而導致我國軟件開(kāi)發(fā)工作受到嚴重的抑制影響。針對這一問(wèn)題，數據開(kāi)發(fā)者應該利用挖掘缺陷檢驗報告，針對缺陷檢驗的結果，制定相應的挖掘結構報告。同時(shí)，需要結合軟件用戶(hù)的體驗評價(jià)，對挖掘出的數據進(jìn)行系統化的整理與分析，建立一整套嚴謹、客觀(guān)的服務(wù)體系，運用CodeCity軟件，讓用戶(hù)在的體驗過(guò)后可以對軟件進(jìn)行評價(jià)�？紤]到軟件的服務(wù)對象是人，因此，在軟件開(kāi)發(fā)的過(guò)程中要將心理學(xué)與管理學(xué)應用于數據挖掘，建立數據挖掘系統和數據挖掘評價(jià)系統。
3.結束語(yǔ)
綜上所述，由于軟件工程數據挖掘測試技術(shù)廣闊的應用前景，我國相關(guān)部門(mén)已經(jīng)加大了對軟件技術(shù)的投資與開(kāi)發(fā)力度，當下，國內已經(jīng)實(shí)現了軟件工程的數據挖掘、人工智能、模式識別等多種領(lǐng)域上的發(fā)展。
數據挖掘論文7
題目：檔案信息管理系統中的計算機數據挖掘技術(shù)探討
摘要：伴隨著(zhù)計算機技術(shù)的不斷進(jìn)步和發(fā)展, 數據挖掘技術(shù)成為數據處理工作中的重點(diǎn)技術(shù), 能借助相關(guān)算法搜索相關(guān)信息, 在節省人力資本的同時(shí), 提高數據檢索的實(shí)際效率, 基于此, 被廣泛應用在數據密集型行業(yè)中。筆者簡(jiǎn)要分析了計算機數據挖掘技術(shù), 并集中闡釋了檔案信息管理系統計算機數據倉庫的建立和技術(shù)實(shí)現過(guò)程, 以供參考。
關(guān)鍵詞：檔案信息管理系統; 計算機; 數據挖掘技術(shù); 1 數據挖掘技術(shù)概述
數據挖掘技術(shù)就是指在大量隨機數據中提取隱含信息, 并且將其整合后應用在知識處理體系的技術(shù)過(guò)程。若是從技術(shù)層面判定數據挖掘技術(shù), 則需要將其劃分在商業(yè)數據處理技術(shù)中, 整合商業(yè)數據提取和轉化機制, 并且建構更加系統化的分析模型和處理機制, 從根本上優(yōu)化商業(yè)決策。借助數據挖掘技術(shù)能建構完整的數據倉庫, 滿(mǎn)足集成性、時(shí)變性以及非易失性等需求, 整和數據處理和冗余參數, 確保技術(shù)框架結構的完整性。
目前, 數據挖掘技術(shù)常用的工具, 如SAS企業(yè)的Enterprise Miner、IBM企業(yè)的Intellient Miner以及SPSS企業(yè)的Clementine等應用都十分廣泛。企業(yè)在實(shí)際工作過(guò)程中, 往往會(huì )利用數據源和數據預處理工具進(jìn)行數據定型和更新管理, 并且應用聚類(lèi)分析模塊、決策樹(shù)分析模塊以及關(guān)聯(lián)分析算法等, 借助數據挖掘技術(shù)對相關(guān)數據進(jìn)行處理。
2 檔案信息管理系統計算機數據倉庫的建立
2.1 客戶(hù)需求單元
為了充分發(fā)揮檔案信息管理系統的優(yōu)勢, 要結合客戶(hù)的實(shí)際需求建立完整的處理框架體系。在數據庫體系建立中, 要適應迭代式處理特征, 并且從用戶(hù)需求出發(fā)整合數據模型, 保證其建立過(guò)程能按照整體規劃有序進(jìn)行, 且能按照目標和分析框架參數完成操作。首先, 要確立基礎性的數據倉庫對象, 由于是檔案信息管理, 因此, 要集中劃分檔案數據分析的主題, 并且有效錄入檔案信息, 確保滿(mǎn)足檔案的數據分析需求。其次, 要對日常工作中的用戶(hù)數據進(jìn)行集中的挖掘處理, 從根本上提高數據倉庫分析的完整性。
(1) 確定數據倉庫的基礎性用戶(hù), 其中, 主要包括檔案工作人員和使用人員, 結合不同人員的工作需求建立相應的數據倉庫。
(2) 檔案工作要利用數據分析和檔案用戶(hù)特征分析進(jìn)行分類(lèi)描述。
(3) 確定檔案的基礎性分類(lèi)主題, 一般而言, 要將文書(shū)檔案歸檔情況、卷數等基礎性信息作為分類(lèi)依據。
2.2 數據庫設計單元
在設計過(guò)程中, 要針對不同維度建立相應的參數體系和組成結構, 并且有效整合組成事實(shí)表的主鍵項目, 建立框架結構。
第一, 建立事實(shí)表。事實(shí)表是數據模型的核心單元, 主要是記錄相關(guān)業(yè)務(wù)和統計數據的表, 能整合數據倉庫中的信息單元, 并且提升多維空間處理效果, 確保數據儲存過(guò)程切實(shí)有效。 (1) 檔案管理中文書(shū)檔案目錄卷數事實(shí)表:事實(shí)表主鍵, 字段類(lèi)型Int, 字段為Id;文書(shū)歸檔年份, 字段類(lèi)型Int, 字段為Gdyear_key;文書(shū)歸檔類(lèi)型, 字段類(lèi)型Int, 字段為Ajtm_key;文書(shū)歸檔單位, 字段類(lèi)型Int, 字段為Gddw_key;文書(shū)檔案生成年份, 字段類(lèi)型Int, 字段為Ajscsj_key, 以及文書(shū)檔案包括的文件數目。 (2) 檔案管理中文書(shū)檔案卷數事實(shí)表:事實(shí)表主鍵, 字段類(lèi)型Int, 字段為Id;文書(shū)歸檔利用日期, 字段類(lèi)型Int, 字段為Date_key;文書(shū)歸檔利用單位, 字段類(lèi)型Int, 字段為Dw_key;文書(shū)歸檔利用類(lèi)別, 字段類(lèi)型Int, 字段為Dalb_key;文書(shū)歸檔利用年份, 字段類(lèi)型Int, 字段為Dayear_key等[1]。
第二, 建立維度表, 在實(shí)際數據倉庫建立和運維工作中, 提高數據管理效果和水平, 確保建立循環(huán)和反饋的系統框架體系, 并且處理增長(cháng)過(guò)程和完善過(guò)程, 有效實(shí)現數據庫模型設計以及相關(guān)維護操作。首先, 要對模式的基礎性維度進(jìn)行分析并且制作相應的表, 主要包括檔案年度維表、利用方式維表等。其次, 要建構數據庫星型模型體系。最后, 要集中判定數據庫工具, 保證數據庫平臺在客戶(hù)管理工作方面具備一定的優(yōu)勢, 集中制訂商務(wù)智能解決方案, 保證集成環(huán)境的穩定性和數據倉庫建模的效果, 真正提高數據抽取以及轉換工作的實(shí)際水平。需要注意的是, 在全面整合和分析處理數據的過(guò)程中, 要分離文書(shū)檔案中的數據, 相關(guān)操作如下:
from dag gd temp//刪除臨時(shí)表中的數據
Ch count=dag 1.importfile (dbo.u wswj) //將文書(shū)目錄中數據導出到數據窗口
Dag 1.() //將數據窗口中的數據保存到臨時(shí)表
相關(guān)技術(shù)人員要對數據進(jìn)行有效處理, 以保證相關(guān)數據合并操作、連接操作以及條件性拆分操作等都能按照數據預處理管理要求合理化進(jìn)行, 從根本上維護數據處理效果。
2.3 多維數據模型建立單元
在檔案多維數據模型建立的過(guò)程中, 相關(guān)技術(shù)人員要判定聯(lián)機分析處理項目和數據挖掘方案, 整合信息系統中的數據源、數據視圖、維度參數以及屬性參數等, 保證具體單元能發(fā)揮其實(shí)際作用, 并且真正發(fā)揮檔案維表的穩定性、安全性?xún)?yōu)勢。
第一, 檔案事實(shí)表中的數據穩定, 事實(shí)表是加載和處理檔案數據的基本模塊, 按照檔案目錄數據表和檔案利用情況表分析和判定其類(lèi)別和歸檔時(shí)間, 從而提高數據獨立分析水平。一方面, 能追加有效的數據, 保證數據倉庫信息的基本質(zhì)量, 也能追加時(shí)間判定標準, 能在實(shí)際操作中減少掃描整個(gè)表浪費的時(shí)間, 從根本上提高實(shí)際效率。另一方面, 能刪除數據, 實(shí)現數據更新, 檢索相關(guān)關(guān)鍵詞即可。并且也能同時(shí)修改數據, 維護檔案撤出和檔案追加的動(dòng)態(tài)化處理效果。
第二, 檔案維表的安全性。在維表管理工作中, 檔案參數和數據的安全穩定性十分關(guān)鍵, 由于其不會(huì )隨著(zhù)時(shí)間的推移出現變化, 因此, 要對其進(jìn)行合理的處理和協(xié)調。維表本身的存儲空間較小, 盡管結構發(fā)生變化的概率不大, 但仍會(huì )對代表的對象產(chǎn)生影響, 這就會(huì )使得數據出現動(dòng)態(tài)的變化。對于這種改變, 需要借助新維生成的方式進(jìn)行處理, 從而保證不同維表能有效連接, 整合正確數據的同時(shí), 也能對事實(shí)表外鍵進(jìn)行分析[2]。
3 檔案信息管理系統計算機數據倉庫的實(shí)現
3.1 描述需求
隨著(zhù)互聯(lián)網(wǎng)技術(shù)和數據庫技術(shù)不斷進(jìn)步, 要提高檔案數字化水平以及完善信息化整合機制, 加快數據庫管控體系的更新, 確保設備存儲以及網(wǎng)絡(luò )環(huán)境一體化水平能滿(mǎn)足需求, 尤其是在檔案資源重組和預測項目中, 只有從根本上落實(shí)數據挖掘體系, 才能為后續信息檔案管理項目升級奠定堅實(shí)基礎。另外, 在數據表和文書(shū)等基礎性數據結構模型建立的基礎上, 要按照規律制定具有個(gè)性化的主動(dòng)性服務(wù)機制。
3.2 關(guān)聯(lián)計算
在實(shí)際檔案分析工作開(kāi)展過(guò)程中, 關(guān)聯(lián)算法描述十分關(guān)鍵, 能對某些行為特征進(jìn)行統籌整合, 從而制定分析決策。在進(jìn)行關(guān)聯(lián)規則強度分析時(shí), 要結合支持度和置信度等系統化數據進(jìn)行綜合衡量。例如, 檔案數據庫中有A和B兩個(gè)基礎項集合, 支持度為P (A∪B) , 則直接表述了A和B在同一時(shí)間出現的基礎性概率。若是兩者出現的概率并不大, 則證明兩者之間的關(guān)聯(lián)度較低。若是兩者出現的概率較大, 則說(shuō)明兩者的關(guān)聯(lián)度較高。另外, 在分析置信度時(shí), 利用Confidence (A→B) = (A|B) , 也能有效判定兩者之間的關(guān)系。在出現置信度A的情況下, B的出現概率則是整體參數關(guān)系的關(guān)鍵, 若是置信度的數值達到100%, 則直接證明A和B能同一時(shí)間出現。
3.3 神經(jīng)網(wǎng)絡(luò )算法
除了要對檔案的實(shí)際內容進(jìn)行數據分析和數據庫建構, 也要對其利用情況進(jìn)行判定, 目前較為常見(jiàn)的利用率分析算法就是神經(jīng)網(wǎng)絡(luò )算法, 其借助數據分類(lèi)系統判定和分析數據對象。值得注意的是, 在分類(lèi)技術(shù)結構中, 要結合訓練數據集判定分類(lèi)模型數據挖掘結構。神經(jīng)網(wǎng)絡(luò )算法類(lèi)似于人腦系統的運行結構, 能建立完整的信息處理單元, 并且能夠整合非線(xiàn)性交換結構, 確保能憑借歷史數據對計算模型和分類(lèi)體系展開(kāi)深度分析[3]。
3.4 實(shí)現多元化應用
在檔案管理工作中應用計算機數據挖掘技術(shù), 能對檔案分類(lèi)管理予以分析, 保證信息需求分類(lèi)總結工作的完整程度。尤其是檔案使用者在對檔案具體特征進(jìn)行差異化分析的過(guò)程中, 能結合不同的元素對具體問(wèn)題展開(kāi)深度調研。一方面, 計算機數據挖掘技術(shù)借助決策樹(shù)算法處理規則化的檔案分析機制。在差異化訓練體系中, 要對數據集合中的數據進(jìn)行系統化分析以及處理, 確保構建要求能適應數據挖掘的基本結構[4]。例如, 檔案管理人員借助數據挖掘技術(shù)能整合檔案使用人員長(cháng)期瀏覽與關(guān)注的信息, 并且能集中收集和匯總間隔時(shí)間、信息查詢(xún)停留時(shí)間等, 從而建構完整的數據分析機制, 有效向其推送或者是提供便捷化查詢(xún)服務(wù), 保證檔案管理數字化水平的提高。另一方面, 在檔案收集管理工作中應用數據挖掘技術(shù), 主要是對數據信息進(jìn)行分析, 結合基本結果建立概念模型, 保證模型以及測試樣本之間的比較參數符合標準, 從而真正建立更加系統化的分類(lèi)框架體系。
4 結語(yǔ)
總而言之, 在檔案管理工作中應用數據挖掘技術(shù), 能在準確判定用戶(hù)需求的同時(shí), 維護數據處理效果, 并且減少檔案數字化的成本, 為后續工作的進(jìn)一步優(yōu)化奠定堅實(shí)基礎。并且, 數據庫的建立, 也能節省經(jīng)費和設備維護成本, 真正實(shí)現數字化全面發(fā)展的目標, 促進(jìn)檔案信息管理工作的長(cháng)效進(jìn)步。
參考文獻
[1]曾雪峰.計算機數據挖掘技術(shù)開(kāi)發(fā)及其在檔案信息管理中的運用研究[J].科技創(chuàng )新與應用, 20xx (9) :285.
[2]王曉燕.數據挖掘技術(shù)在檔案信息管理中的應用[J].蘭臺世界, 20xx (23) :25-26.
[3]韓吉義.基于數據挖掘技術(shù)的高校圖書(shū)館檔案信息管理平臺的構筑[J].山西檔案, 20xx (6) :61-63.
[4]哈立原.基于數據挖掘技術(shù)的高校圖書(shū)館檔案信息管理平臺構建[J].山西檔案, 20xx (5) :105-107.
數據挖掘論文四： 題目：機器學(xué)習算法在數據挖掘中的應用
摘要：隨著(zhù)科學(xué)技術(shù)的快速發(fā)展, 各種新鮮的事物和理念得到了廣泛的應用。其中機器學(xué)習算法就是一則典型案例——作為一種新型的算法, 其廣泛應用于各行各業(yè)之中。本篇論文旨在探討機器學(xué)習算法在數據挖掘中的具體應用, 我們利用龐大的移動(dòng)終端數據網(wǎng)絡(luò ), 加強了基于GSM網(wǎng)絡(luò )的戶(hù)外終端定位, 從而提出了3個(gè)階段的定位算法, 有效提高了定位的精準度和速度。
關(guān)鍵詞：學(xué)習算法; GSM網(wǎng)絡(luò ); 定位; 數據;
移動(dòng)終端定位技術(shù)由來(lái)已久, 其主要是利用各種科學(xué)技術(shù)手段定位移動(dòng)物體的精準位置以及高度。目前, 移動(dòng)終端定位技術(shù)主要應用于軍事定位、緊急救援、網(wǎng)絡(luò )優(yōu)化、地圖導航等多個(gè)現代化的領(lǐng)域, 由于移動(dòng)終端定位技術(shù)可以提供精準的位置服務(wù)信息, 所以其在市場(chǎng)上還是有較大的需求的, 這也為移動(dòng)終端定位技術(shù)的優(yōu)化和發(fā)展, 提供了推動(dòng)力。隨著(zhù)通信網(wǎng)絡(luò )普及, 移動(dòng)終端定位技術(shù)的發(fā)展也得到了一些幫助, 使得其定位的精準度和速度都得到了全面的優(yōu)化和提升。同時(shí), 傳統的定位方法結合先進(jìn)的算法來(lái)進(jìn)行精準定位, 目前依舊還是有較大的進(jìn)步空間。在工作中我選取機器學(xué)習算法結合數據挖掘技術(shù)對傳統定位技術(shù)加以改進(jìn), 取得了不錯的效果, 但也遇到了許多問(wèn)題, 例如:使用機器學(xué)習算法來(lái)進(jìn)行精準定位暫時(shí)無(wú)法滿(mǎn)足更大的區域要求, 還有想要利用較低的設備成本, 實(shí)現得到更多的精準定位的要求比較困難。所以本文對機器學(xué)習算法進(jìn)行了深入的研究, 希望能夠幫助其更快速的定位、更精準的定位, 滿(mǎn)足市場(chǎng)的需要。
1 數據挖掘概述
數據挖掘又名數據探勘、信息挖掘。它是數據庫知識篩選中非常重要的一步。數據挖掘其實(shí)指的就是在大量的數據中通過(guò)算法找到有用信息的行為。一般情況下, 數據挖掘都會(huì )和計算機科學(xué)緊密聯(lián)系在一起, 通過(guò)統計集合、在線(xiàn)剖析、檢索篩選、機器學(xué)習、參數識別等多種方法來(lái)實(shí)現最初的目標。統計算法和機器學(xué)習算法是數據挖掘算法里面應用得比較廣泛的兩類(lèi)。統計算法依賴(lài)于概率分析, 然后進(jìn)行相關(guān)性判斷, 由此來(lái)執行運算。
而機器學(xué)習算法主要依靠人工智能科技, 通過(guò)大量的樣本收集、學(xué)習和訓練, 可以自動(dòng)匹配運算所需的相關(guān)參數及模式。它綜合了數學(xué)、物理學(xué)、自動(dòng)化和計算機科學(xué)等多種學(xué)習理論, 雖然能夠應用的領(lǐng)域和目標各不相同, 但是這些算法都可以被獨立使用運算, 當然也可以相互幫助, 綜合應用, 可以說(shuō)是一種可以“因時(shí)而變”、“因事而變”的算法。在機器學(xué)習算法的領(lǐng)域, 人工神經(jīng)網(wǎng)絡(luò )是比較重要和常見(jiàn)的一種。因為它的優(yōu)秀的數據處理和演練、學(xué)習的能力較強。
而且對于問(wèn)題數據還可以進(jìn)行精準的識別與處理分析, 所以應用的頻次更多。人工神經(jīng)網(wǎng)絡(luò )依賴(lài)于多種多樣的建模模型來(lái)進(jìn)行工作, 由此來(lái)滿(mǎn)足不同的數據需求。綜合來(lái)看, 人工神經(jīng)網(wǎng)絡(luò )的建模, 它的精準度比較高, 綜合表述能力優(yōu)秀, 而且在應用的過(guò)程中, 不需要依賴(lài)專(zhuān)家的輔助力量, 雖然仍有缺陷, 比如在訓練數據的時(shí)候耗時(shí)較多, 知識的理解能力還沒(méi)有達到智能化的標準, 但是, 相對于其他方式而言, 人工神經(jīng)網(wǎng)絡(luò )的優(yōu)勢依舊是比較突出的。
2 以機器學(xué)習算法為基礎的GSM網(wǎng)絡(luò )定位
2.1 定位問(wèn)題的.建模
建模的過(guò)程主要是以支持向量機定位方式作為基礎, 把定位的位置柵格化, 面積較小的柵格位置就是獨立的一種類(lèi)別, 在定位的位置內, 我們收集數目龐大的終端測量數據, 然后利用計算機對測量報告進(jìn)行分析處理, 測量柵格的距離度量和精準度, 然后對移動(dòng)終端柵格進(jìn)行預估判斷, 最終利用機器學(xué)習進(jìn)行分析求解。
2.2 采集數據和預處理
本次研究, 我們采用的模型對象是我國某一個(gè)周邊長(cháng)達10千米的二線(xiàn)城市。在該城市區域內, 我們測量了四個(gè)不同時(shí)間段內的數據, 為了保證機器學(xué)習算法定位的精準性和有效性, 我們把其中的三批數據作為訓練數據, 最后一組數據作為定位數據, 然后把定位數據周邊十米內的前三組訓練數據的相關(guān)信息進(jìn)行清除。一旦確定某一待定位數據, 就要在不同的時(shí)間內進(jìn)行測量, 按照測量出的數據信息的經(jīng)緯度和平均值, 再進(jìn)行換算, 最終, 得到真實(shí)的數據量, 提升定位的速度以及有效程度。
2.3 以基站的經(jīng)緯度為基礎的初步定位
用機器學(xué)習算法來(lái)進(jìn)行移動(dòng)終端定位, 其復雜性也是比較大的, 一旦區域面積增加, 那么模型和分類(lèi)也相應增加, 而且更加復雜, 所以, 利用機器學(xué)習算法來(lái)進(jìn)行移動(dòng)終端定位的過(guò)程, 會(huì )隨著(zhù)定位區域面積的增大, 而耗費更多的時(shí)間。利用基站的經(jīng)緯度作為基礎來(lái)進(jìn)行早期的定位, 則需要以下幾個(gè)步驟:要將邊長(cháng)為十千米的正方形分割成一千米的小柵格, 如果想要定位數據集內的相關(guān)信息, 就要選擇對邊長(cháng)是一千米的小柵格進(jìn)行計算, 而如果是想要獲得邊長(cháng)一千米的大柵格, 就要對邊長(cháng)是一千米的柵格精心計算。
2.4 以向量機為基礎的二次定位
在完成初步定位工作后, 要確定一個(gè)邊長(cháng)為兩千米的正方形, 由于第一級支持向量機定位的區域是四百米, 定位輸出的是以一百米柵格作為中心點(diǎn)的經(jīng)緯度數據信息, 相對于一級向量機的定位而言, 二級向量機在定位計算的時(shí)候難度是較低的, 更加簡(jiǎn)便。后期的預算主要依賴(lài)決策函數計算和樣本向量機計算。隨著(zhù)柵格的變小, 定位的精準度將越來(lái)越高, 而由于增加分類(lèi)的問(wèn)題數量是上升的, 所以, 定位的復雜度也是相對增加的。
2.5 以K-近鄰法為基礎的三次定位
第一步要做的就是選定需要定位的區域面積, 在二次輸出之后, 確定其經(jīng)緯度, 然后依賴(lài)經(jīng)緯度來(lái)確定邊長(cháng)面積, 這些都是進(jìn)行區域定位的基礎性工作, 緊接著(zhù)就是定位模型的訓練。以K-近鄰法為基礎的三次定位需要的是綜合訓練信息數據, 對于這些信息數據, 要以大小為選擇依據進(jìn)行篩選和合并, 這樣就能夠減少計算的重復性。當然了, 選擇的區域面積越大, 其定位的速度和精準性也就越低。
3 結語(yǔ)
近年來(lái), 隨著(zhù)我國科學(xué)技術(shù)的不斷發(fā)展和進(jìn)步, 數據挖掘技術(shù)愈加重要。根據上面的研究, 我們證明了, 在數據挖掘的過(guò)程中, 應用機器學(xué)習算法具有舉足輕重的作用。作為一門(mén)多領(lǐng)域互相交叉的知識學(xué)科, 它能夠幫助我們提升定位的精準度以及定位速度, 可以被廣泛的應用于各行各業(yè)。所以, 對于機器學(xué)習算法, 相關(guān)人員要加以重視, 不斷的進(jìn)行改良以及改善, 切實(shí)的發(fā)揮其有利的方面, 將其廣泛應用于智能定位的各個(gè)領(lǐng)域, 幫助我們解決關(guān)于戶(hù)外移動(dòng)終端的定位的問(wèn)題。
參考文獻
[1]陳小燕, CHENXiaoyan.機器學(xué)習算法在數據挖掘中的應用[J].現代電子技術(shù), 20xx, v.38;No.451 (20) :11-14.
[2]李運.機器學(xué)習算法在數據挖掘中的應用[D].北京郵電大學(xué), 20xx.
[3]莫雪峰.機器學(xué)習算法在數據挖掘中的應用[J].科教文匯, 20xx (07) :175-178.
數據挖掘論文五： 題目：軟件工程數據挖掘研究進(jìn)展
摘要：數據挖掘是指在大數據中開(kāi)發(fā)出有價(jià)值信息數據的過(guò)程。計算機技術(shù)的不斷進(jìn)步, 通過(guò)人工的方式進(jìn)行軟件的開(kāi)發(fā)與維護難度較大。而數據挖掘能夠有效的提升軟件開(kāi)發(fā)的效率, 并能夠在大量的數據中獲得有效的數據。文章主要探究軟件工程中數據挖掘技術(shù)的任務(wù)和存在的問(wèn)題, 并重點(diǎn)論述軟件開(kāi)發(fā)過(guò)程中出現的問(wèn)題和相關(guān)的解決措施。
關(guān)鍵詞：軟件工程; 數據挖掘; 解決措施;
在軟件開(kāi)發(fā)過(guò)程中, 為了能夠獲得更加準確的數據資源, 軟件的研發(fā)人員就需要搜集和整理數據。但是在大數據時(shí)代, 人工獲取數據信息的難度極大。當前, 軟件工程中運用最多的就是數據挖掘技術(shù)。軟件挖掘技術(shù)是傳統數據挖掘技術(shù)在軟件工程方向的其中一部分。但是它具有自身的特征, 體現在以下三個(gè)方面:
(1) 在軟件工程中, 對有效數據的挖掘和處理;
(2) 挖掘數據算法的選擇問(wèn)題;
(3) 軟件的開(kāi)發(fā)者該如何選擇數據。
1 在軟件工程中數據挖掘的主要任務(wù)
在數據挖掘技術(shù)中, 軟件工程數據挖掘是其中之一, 其挖掘的過(guò)程與傳統數據的挖掘無(wú)異。通常包括三個(gè)階段:第一階段, 數據的預處理;第二階段, 數據的挖掘;第三階段, 對結果的評估。第一階段的主要任務(wù)有對數據的分類(lèi)、對異常數據的檢測以及整理和提取復雜信息等。雖然軟件工程的數據挖掘和傳統的數據挖掘存在相似性, 但是也存在一定的差異, 其主要體現在以下三個(gè)方面:
1.1 軟件工程的數據更加復雜
軟件工程數據主要包括兩種, 一種是軟件報告, 另外一種是軟件的版本信息。當然還包括一些軟件代碼和注釋在內的非結構化數據信息。這兩種軟件工程數據的算法是不同的, 但是兩者之間又有一定的聯(lián)系, 這也是軟件工程數據挖掘復雜性的重要原因。
1.2 數據分析結果的表現更加特殊
傳統的數據挖掘結果可以通過(guò)很多種結果展示出來(lái), 最常見(jiàn)的有報表和文字的方式。但是對于軟件工程的數據挖掘來(lái)講, 它最主要的職能是給軟件的研發(fā)人員提供更加精準的案例, 軟件漏洞的實(shí)際定位以及設計構造方面的信息, 同時(shí)也包括數據挖掘的統計結果。所以這就要求軟件工程的數據挖掘需要更加先進(jìn)的結果提交方式和途徑。
1.3 對數據挖掘結果難以達成一致的評價(jià)
我國傳統的數據挖掘已經(jīng)初步形成統一的評價(jià)標準, 而且評價(jià)體系相對成熟。但是軟件工程的數據挖掘過(guò)程中, 研發(fā)人員需要更多復雜而又具體的數據信息, 所以數據的表示方法也相對多樣化, 數據之間難以進(jìn)行對比, 所以也就難以達成一致的評價(jià)標準和結果。不難看出, 軟件工程數據挖掘的關(guān)鍵在于對挖掘數據的預處理和對數據結果的表示方法。
2 軟件工程研發(fā)階段出現的問(wèn)題和解決措施
軟件在研發(fā)階段主要的任務(wù)是對軟件運行程序的編寫(xiě)。以下是軟件在編碼和結果的提交過(guò)程中出現的問(wèn)題和相應的解決措施。
2.1 對軟件代碼的編寫(xiě)過(guò)程
該過(guò)程需要軟件的研發(fā)人員能夠對自己需要編寫(xiě)的代碼結構與功能有充分的了解和認識。并能夠依據自身掌握的信息, 在數據庫中搜集到可以使用的數據信息。通常情況下, 編程需要的數據信息可以分為三個(gè)方面:
(1) 軟件的研發(fā)人員能夠在已經(jīng)存在的代碼中搜集可以重新使用的代碼;
(2) 軟件的研發(fā)人員可以搜尋可以重用的靜態(tài)規則, 比如繼承關(guān)系等。
(3) 軟件的開(kāi)發(fā)人員搜尋可以重用的動(dòng)態(tài)規則。
包括軟件的接口調用順序等。在尋找以上信息的過(guò)程中, 通常是利用軟件的幫助文檔、尋求外界幫助和搜集代碼的方式實(shí)現, 但是以上方式在搜集信息過(guò)程中往往會(huì )遇到較多的問(wèn)題, 比如:幫助文檔的準確性較低, 同時(shí)不夠完整, 可利用的重用信息不多等。
2.2 對軟件代碼的重用
在對軟件代碼重用過(guò)程中, 最關(guān)鍵的問(wèn)題是軟件的研發(fā)人員必須掌握需要的類(lèi)或方法, 并能夠通過(guò)與之有聯(lián)系的代碼實(shí)現代碼的重用。但是這種方式哦足跡信息將會(huì )耗費工作人員大量的精力。而通過(guò)關(guān)鍵詞在代碼庫中搜集可重用的軟件代碼, 同時(shí)按照代碼的相關(guān)度對搜集到的代碼進(jìn)行排序, 該過(guò)程使用的原理就是可重用的代碼必然模式基本類(lèi)似, 最終所展現出來(lái)的搜索結果是以上下文結構的方式展現的。比如:類(lèi)與類(lèi)之間的聯(lián)系。其實(shí)現的具體流程如下:
(1) 軟件的開(kāi)發(fā)人員創(chuàng )建同時(shí)具備例程和上下文架構的代碼庫;
(2) 軟件的研發(fā)人員能夠向代碼庫提供類(lèi)的相關(guān)信息, 然后對反饋的結果進(jìn)行評估, 創(chuàng )建新型的代碼庫。
(3) 未來(lái)的研發(fā)人員在搜集過(guò)程中能夠按照評估結果的高低排序, 便于查詢(xún), 極大地縮減工作人員的任務(wù)量, 提升其工作效率。
2.3 對動(dòng)態(tài)規則的重用
軟件工程領(lǐng)域內對動(dòng)態(tài)規則重用的研究已經(jīng)相對成熟, 通過(guò)在編譯器內安裝特定插件的方式檢驗代碼是否為動(dòng)態(tài)規則最適用的, 并能夠將不適合的規則反饋給軟件的研發(fā)人員。其操作流程為:
(1) 軟件的研發(fā)人員能夠規定動(dòng)態(tài)規則的順序, 主要表現在:使用某一函數是不能夠調用其他的函數。
(2) 實(shí)現對相關(guān)數據的保存, 可以通過(guò)隊列等簡(jiǎn)單的數據結構完成。在利用編譯拓展中檢測其中的順序。
(3) 能夠將錯誤的信息反饋給軟件的研發(fā)人員。
3 結束語(yǔ)
在軟件工程的數據挖掘過(guò)程中, 數據挖掘的概念才逐步被定義, 但是所需要挖掘的數據是已經(jīng)存在的。數據挖掘技術(shù)在軟件工程中的運用能夠降低研發(fā)人員的工作量, 同時(shí)軟件工程與數據挖掘的結合是計算機技術(shù)必然的發(fā)展方向。從數據挖掘的過(guò)程來(lái)講, 在其整個(gè)實(shí)施過(guò)程和周期中都包括軟件工程。而對數據挖掘的技術(shù)手段來(lái)講, 它在軟件工程中的運用更加普遍。在對數據挖掘技術(shù)的研究過(guò)程中可以發(fā)現, 該技術(shù)雖然已經(jīng)獲得一定的效果, 但是還有更多未被挖掘的空間, 還需要進(jìn)一步的研究和發(fā)現。
參考文獻
[1]王藝蓉.試析面向軟件工程數據挖掘的開(kāi)發(fā)測試技術(shù)[J].電子技術(shù)與軟件工程, 20xx (18) :64.
[2]吳彥博.軟件工程中數據挖掘技術(shù)的運用探索[J].數字通信世界, 20xx (09) :187.
[3]周雨辰.數據挖掘技術(shù)在軟件工程中的應用研究[J].電腦迷, 20xx (08) :27-28.
[4]劉桂林.分析軟件工程中數據挖掘技術(shù)的應用方式[J].中國新通信, 20xx, 19 (13) :119.
數據挖掘論文8
題目：數據挖掘技術(shù)在神經(jīng)根型頸椎病方劑研究中的優(yōu)勢及應用進(jìn)展
關(guān)鍵詞：數據挖掘技術(shù); 神經(jīng)根型頸椎病; 方劑; 綜述;
1 數據挖掘技術(shù)簡(jiǎn)介
數據挖掘技術(shù)[1] (Knowledge Discovery in Datebase, KKD) , 是一種新興的信息處理技術(shù), 它融匯了人工智能、模式別、模糊數學(xué)、數據庫、數理統計等多種技術(shù)方法, 專(zhuān)門(mén)用于海量數據的處理, 從大量的、不完全的、有噪聲的、模糊的、隨機的數據集中, 提取隱含在其中的、人們事先不知道的、但又是潛在的有用的信息和知識, 其目的是發(fā)現規律而不是驗證假設。數據挖掘技術(shù)主要適用于龐大的數據庫的研究, 其特點(diǎn)在于:基于數據分析方法角度的分類(lèi), 其本質(zhì)屬于觀(guān)察性研究, 數據來(lái)源于日常診療工作資料, 應用的技術(shù)較傳統研究更先進(jìn), 分析工具、理論模型與傳統研究區別較大。其操作步驟包括[2]:選擇數據, 數據處理, 挖掘分析, 結果解釋, 其中結果解釋是數據挖掘技術(shù)研究的關(guān)鍵。其方法包括分類(lèi)、聚類(lèi)、關(guān)聯(lián)、序列、決策樹(shù)、貝斯網(wǎng)絡(luò )、因子、辨別等分析[3], 其結果通常表示為概念、規則、規律、模式、約束、可視化等形式圖[4]。當今數據挖掘技術(shù)的方向主要在于:特定數據挖掘, 高效挖掘算法, 提高結果的有效性、確定性和表達性, 結果的可視化, 多抽象層上的交互式數據挖掘, 多元數據挖掘及數據的安全性和保密性。因其優(yōu)勢和獨特性被運用于多個(gè)領(lǐng)域中, 且結果運用后取得顯著(zhù)成效, 因此越來(lái)越多的中醫方劑研究者將其運用于方劑中藥物的研究。
2 數據挖掘術(shù)在神經(jīng)根型頸椎病治方研究中的優(yōu)勢
中醫對于神經(jīng)根型頸椎病的治療準則為辨證論治, 從古至今神經(jīng)根型頸椎病的中醫證型有很多, 其治方是集中醫之理、法、方、藥為一體的數據集合, 具有以“方-藥-證”為核心的多維結構。方劑配伍本質(zhì)上表現為方與方、方與藥、藥與藥、藥與劑量, 以及方藥與證、病、癥交叉錯綜的關(guān)聯(lián)與對應[5], 而中醫方劑講究君臣佐使的配伍, 藥物有升降沉浮, 四氣五味及歸經(jīng)之別, 對于神經(jīng)根型頸椎病的治療, 治方中藥物的種類(lèi)、炮制方法、用量、用法等都是千變萬(wàn)化的, 而這些海量、模糊、看似隨機的藥物背后隱藏著(zhù)對臨床有用的信息和規律, 但這些大數據是無(wú)法在可承受的時(shí)間范圍內可用常規軟件工具進(jìn)行捕捉、管理和處理的, 是需要一個(gè)新處理模式才能具有更強的決策力、洞察力和流程優(yōu)化能力, 而數據挖掘技術(shù)有可能從這些海量的的數據中發(fā)現新知識, 揭示背后隱藏的關(guān)系和規則, 并且對未知的情況進(jìn)行預測[6]。再者, 中醫辨治充滿(mǎn)非線(xiàn)性思維, “方-藥-證”間的多層關(guān)聯(lián)、序列組合、集群對應, 形成了整體論的思維方式和原則, 而數據挖掘技術(shù)數據挖掘在技術(shù)線(xiàn)路上與傳統數據處理方法不同在于其能對數據庫內的數據以線(xiàn)性和非線(xiàn)性方式解析, 尤善處理模糊的、非量化的數據。例如趙睿曦等[7]在研究張氏骨傷治療腰椎間盤(pán)突出癥的用藥規律時(shí), 選取了100張治方, 因該病病因病機復雜, 證候不一, 骨傷名師張玉柱先生對該病的治則治法、藥物使用是不同的。因此他們利用Excel建立方證數據庫, 采用SPPS Clementine12.0軟件對這些數據的用藥頻次、藥物關(guān)聯(lián)規則及藥物聚類(lèi)進(jìn)行分析, 最后總結出張氏骨傷治療腰椎間盤(pán)突出癥遵循病從肝治、病從血治、標本兼治的原則, 也歸納出治療三種不同證型的腰突癥的三類(lèi)自擬方。由此看出數據挖掘技術(shù)在方劑研究中的應用對數據背后信息、規律等的挖掘及名家經(jīng)驗的推廣具有重大意義, 因此數據挖掘技術(shù)在神經(jīng)根型頸椎病的治方研究中也同樣發(fā)揮著(zhù)巨大的作用。
3 數據挖掘技術(shù)在神經(jīng)根型頸椎治方中的應用進(jìn)展
神經(jīng)根型頸椎病在所有頸椎病中最常見(jiàn), 約占50%~60%[8], 醫家對其治方的研究也是不計其數。近年來(lái)數據挖掘技術(shù)也被運用于其治方研究中, 筆者通過(guò)萬(wàn)方、中國知網(wǎng)等總共檢索出以下幾篇文獻, 雖數量不多但其優(yōu)勢明顯。劉向前等[9]在挖掘古方治療神經(jīng)根型頸椎病的用藥規律時(shí), 通過(guò)檢索《中華醫典》并從中篩選以治療頸項肩臂痛為主的古方219首并建立數據庫, 對不同證治古方的用藥類(lèi)別、總味數、單味藥使用頻數及藥對 (組) 出現頻數進(jìn)行統計, 總結出風(fēng)寒濕痹證、痰濕阻痹證、寒濕阻滯證、正虛不足證的用藥特點(diǎn), 得出解表藥、祛風(fēng)濕藥、活血化瘀藥、補虛藥是治療頸項肩臂痛古方組成的主要藥物。古為今用, 該研究對于現代醫家在治療該病中有很好的借鑒和參考意義。齊兵獻等[10]檢索CNKI (1980-20xx年) 相關(guān)文獻中治療神經(jīng)根型頸椎病的方劑建立數據庫, 采用SPSS11.5統計軟件這些治方常用藥物使用頻次頻率、性味頻率、歸經(jīng)頻率分析比較, 治療神經(jīng)根型頸椎病的中藥共計99味, 使用頻次479味次;所用藥物種類(lèi)依次以補益藥、活血化瘀藥、祛風(fēng)濕藥運用最多, 其中藥味以辛、苦為主, 藥性以溫、寒為主, 歸經(jīng)以肝、脾、心為主, 而本病以肝腎虧虛, 氣血瘀滯為主, 臨床以補益藥、活血化瘀藥、祛風(fēng)濕藥等中藥運用最多。這對于醫家治療該病選用藥物的性味、歸經(jīng)等具有指導意義。陳元川等[11]檢索20xx年1月至20xx年3月發(fā)表的以單純口服中藥治療神經(jīng)根型頸椎病的有關(guān)文獻, 對其中的方劑和藥物進(jìn)行統計、歸類(lèi)、分析, 最終納入32首方劑, 涉及111味中藥, 補氣藥、發(fā)散風(fēng)寒藥、活血止痛藥、補血藥等使用頻次較高;葛根、白芍、黃芪、當歸、桂枝等藥物使用頻次較高, 證實(shí)與古方桂枝加葛根湯主藥相同, 且該方扶陽(yáng)解表的治法與該研究得出的扶正祛邪的結果相吻合, 同時(shí)也證實(shí)石氏傷科強調治傷科病當“以氣為主, 以血為先”等正確性。所以大數據背后的規律和關(guān)系在很多方面古今是一致的, 同時(shí)數據依據的支持也為現代神經(jīng)根型頸椎病治療提供有力的保障。謝輝等[12]收集20xx至20xx年10月3日的166張治療神經(jīng)根型頸椎病的治方建立數據庫, 采用關(guān)聯(lián)規則算法、復雜系統熵聚類(lèi)等無(wú)監督數據挖掘方法, 利用中醫傳承輔助平臺 (TCMISS) 軟件分析處方中各種藥物的使用頻次、藥物之間的關(guān)聯(lián)規則、核心藥物組合和新處方, 從中挖掘出治療該病中醫中的常用藥物、藥對, 闡明了治療該病以解肌散寒藥、補氣活血藥、祛風(fēng)勝濕藥和溫經(jīng)通絡(luò )藥為主, 治法主要包括解肌舒筋、益氣活血和補益肝腎, 這一方面很清晰明了地展示了藥物使用頻率、藥物之間的聯(lián)系, 證實(shí)其與很多古代經(jīng)典中治療神經(jīng)根型頸椎病的治則、治法及用藥規律是吻合的, 是臨床用藥的積累和升華, 可有效地指導臨床并提高療效;另一方面也為中藥新藥的.創(chuàng )制提供處方來(lái)源, 指導新藥研發(fā)[13]。
4 小結
數據挖掘技術(shù)作為一種新型的研究技術(shù), 在神經(jīng)根型頸椎病的治方研究中的運用相對于其他領(lǐng)域是偏少的, 并且基本上是研究文獻資料上出現的治方, 在對名老中醫個(gè)人治療經(jīng)驗及用藥規律的總結是缺乏的, 因此研究范圍廣而缺乏針對性, 同時(shí)使用該技術(shù)的相關(guān)軟件種類(lèi)往往是單一的�，F在研究者在研究中醫方劑時(shí)往往采用傳統的研究方法, 這就導致在大數據的研究中耗時(shí)、耗力甚則無(wú)能為力, 同樣也難以精準地提取大數據背后的隱藏的潛在關(guān)系和規則及缺乏對未知情況的預測。產(chǎn)生這樣的現狀, 一方面是很多研究者尚未清楚該技術(shù)在方劑研究中的優(yōu)勢所在, 思維模式尚未更新;另一方面是很多研究者尚未清楚該技術(shù)的操作技能及軟件種類(lèi)及其應用范圍。故以后應向更多研究者普及該技術(shù)的軟件種類(lèi)、其中的優(yōu)勢及操作技能, 讓該技術(shù)在臨床中使用更廣, 產(chǎn)生更大的效益。
參考文獻
[1]舒正渝.淺談數據挖掘技術(shù)及應用[J].中國西部科技, 20xx, 9 (5) :38-39.
[2]曹毅, 季聰華.臨床科研設計與分析[M].杭州:浙江科學(xué)技術(shù)出版社, 20xx:189.
[3]王靜, 崔蒙.數據挖掘技術(shù)在中醫方劑學(xué)研究中的應用[J].中國中醫藥信息雜志, 20xx, 15 (3) :103-104.
[4]陳丈偉.數據倉庫與數據挖掘[M].北京:清華大學(xué)出版社, 20xx:5.
[5]楊玉珠.數據挖掘技術(shù)綜述與應用[J].河南科技, 20xx, 10 (19) :21.
[6]余侃侃.數據挖掘技術(shù)在方劑配伍中的研究現狀及研究方法[J].中國醫藥指南, 20xx, 6 (24) :310-312.
[7]趙睿曦.方證數據挖掘分析張氏骨傷對腰椎間盤(pán)突出癥的辨證用藥規律[J].陜西中醫藥大學(xué)學(xué)報, 20xx, 39 (6) :44-46.
[8]李曙明, 尹戰海, 王瑩.神經(jīng)根型頸椎病的影像學(xué)特點(diǎn)和分型[J].中國矯形外科雜志, 20xx, 21 (1) :7-11.
[9]劉向前, 陳民, 黃廣平等.頸項肩臂痛內治古方常用藥物的統計分析[J].中華中醫藥學(xué)刊, 20xx, 30 (9) :42-44.
[10]齊兵獻, 樊成虎, 李兆和.神經(jīng)根型頸椎病中醫用藥規律的文獻研究[J].河南中醫, 20xx, 32 (4) :518-519.
[11]陳元川, 王翔, 龐堅, 等.單純口服中藥治療神經(jīng)根型頸椎病用藥分析[J].上海中醫藥雜志, 20xx, 48 (6) :78-80.
[12]謝輝, 劉軍, 潘建科, 等.基于數據挖掘方法的神經(jīng)根型頸椎病用藥規律研究[J].世界中西醫結合雜志, 20xx, 10 (6) :849-852.
[13]唐仕歡, 楊洪軍.中醫組方用藥規律研究進(jìn)展述評[J].中國實(shí)驗方劑學(xué)雜志, 20xx (5) :359-363.
數據挖掘論文9
1數據挖掘技術(shù)和過(guò)程
1.1數據挖掘技術(shù)概述
發(fā)現的是用戶(hù)感興趣的知識；發(fā)現的知識應當能夠被接受、理解和運用。也就是發(fā)現全部相對的知識，是具有特定前提與條件，面向既定領(lǐng)域的，同時(shí)還容易被用戶(hù)接受。數據挖掘屬于一種新型的商業(yè)信息處理技術(shù)，其特點(diǎn)為抽取、轉化、分析商業(yè)數據庫中的大規模業(yè)務(wù)數據，從中獲得有價(jià)值的商業(yè)數據。簡(jiǎn)單來(lái)說(shuō)，其實(shí)數據挖掘是一種對數據進(jìn)行深入分析的方法。因此，可以描述數據挖掘為：根據企業(yè)設定的工作目標，探索與分析企業(yè)大量數據，充分揭示隱藏的、未知的規律性，并且將其轉變?yōu)榭茖W(xué)的方法。數據挖掘發(fā)現的最常見(jiàn)知識包括：
1.1.1廣義知識體現相同事物共同性質(zhì)的知識，是指類(lèi)別特點(diǎn)的概括描述知識。按照數據的微觀(guān)特點(diǎn)對其表征的、具有普遍性的、極高概念層次的知識積極發(fā)現，是對數據的高度精煉與抽象。發(fā)現廣義知識的方法與技術(shù)有很多，例如數據立方體和歸約等。
1.1.2關(guān)聯(lián)知識體現一個(gè)事件與其他事件之間形成的關(guān)聯(lián)知識。假如兩項或者更多項之間形成關(guān)聯(lián)，則其中一項的屬性數值就能夠借助其他屬性數值實(shí)行預測。
1.1.3分類(lèi)知識體現相同事物共同特點(diǎn)的屬性知識與不同事物之間差異特點(diǎn)知識。
1.2數據挖掘過(guò)程
1.2.1明確業(yè)務(wù)對象對業(yè)務(wù)問(wèn)題清楚定義，了解數據挖掘的第一步是數據挖掘目的。挖掘結果是無(wú)法預測的，但是研究的問(wèn)題是可預見(jiàn)的，僅為了數據挖掘而數據挖掘一般會(huì )體現出盲目性，通常也不會(huì )獲得成功�；谟脩�(hù)特征的電子商務(wù)數據挖掘研究劉芬（惠州商貿旅游高級職業(yè)技術(shù)學(xué)校，廣東惠州516025）摘要：隨著(zhù)互聯(lián)網(wǎng)的出現，全球范圍內電子商務(wù)正在迅速普及與發(fā)展，在這樣的環(huán)境下，電子商務(wù)數據挖掘技術(shù)應運而生。電子商務(wù)數據挖掘技術(shù)是近幾年來(lái)數據挖掘領(lǐng)域中的研究熱點(diǎn)，基于用戶(hù)特征的電子商務(wù)數據挖掘技術(shù)研究將會(huì )解決大量現實(shí)問(wèn)題，為企業(yè)確定目標市場(chǎng)、完善決策、獲得最大競爭優(yōu)勢，其應用前景廣闊，促使電子商務(wù)企業(yè)更具有競爭力。主要分析了電子商務(wù)內容、數據挖掘技術(shù)和過(guò)程、用戶(hù)細分理論，以及基于用戶(hù)特征的電子商務(wù)數據挖掘。
1.2.2數據準備第一選擇數據：是按照用戶(hù)的挖掘目標，對全部業(yè)務(wù)內外部數據信息積極搜索，從數據源中獲取和挖掘有關(guān)數據。第二預處理數據：加工選取的數據，具體對數據的完整性和一致性積極檢查，并且處理數據中的噪音，找出計算機丟失的數據，清除重復記錄，轉化數據類(lèi)型等。假如數據倉庫是數據挖掘的對象，則在產(chǎn)生數據庫過(guò)程中已經(jīng)形成了數據預處理。
1.2.3變換數據轉換數據為一個(gè)分析模型。這一分析模型是相對于挖掘算法構建的。構建一個(gè)與挖掘算法適合的分析模型是數據挖掘獲得成功的重點(diǎn)�？梢岳猛队皵祿䦷斓南嚓P(guān)操作對數據維度有效降低，進(jìn)一步減少數據挖掘過(guò)程中數據量，提升挖掘算法效率。
1.2.4挖掘數據挖掘獲得的經(jīng)濟轉化的數據。除了對選擇科學(xué)挖掘算法積極完善之外，其余全部工作都自行完成。整體挖掘過(guò)程都是相互的，也就是用戶(hù)對某些挖掘參數能夠積極控制。
1.2.5評價(jià)挖掘結果這個(gè)過(guò)程劃分為兩個(gè)步驟：表達結果和評價(jià)結果。第一表達結果：用戶(hù)能夠理解數據挖掘得到的模式，可以通過(guò)可視化數據促使用戶(hù)對挖掘結果積極理解。第二評價(jià)結果：用戶(hù)與機器對數據挖掘獲得的模式有效評價(jià)，對冗余或者無(wú)關(guān)的模式及時(shí)刪除。假如用戶(hù)不滿(mǎn)意挖掘模式，可以重新挑選數據和挖掘算法對挖掘過(guò)程科學(xué)執行，直到獲得用戶(hù)滿(mǎn)意為止。
2用戶(hù)細分理論
用戶(hù)細分是指按照不同用戶(hù)的屬性劃分用戶(hù)集合。目前學(xué)術(shù)界和企業(yè)界一般接受的是基于用戶(hù)價(jià)值的細分理論，其不僅包含了用戶(hù)為企業(yè)貢獻歷史利潤，還包含未來(lái)利潤，也就是在未來(lái)用戶(hù)為企業(yè)可能帶來(lái)的利潤總和�；谟脩�(hù)價(jià)值的細分理論選擇客戶(hù)當前價(jià)值與客戶(hù)潛在價(jià)值兩個(gè)因素評價(jià)用戶(hù)。用戶(hù)當前價(jià)值是指截止到目前用戶(hù)對企業(yè)貢獻的總體價(jià)值；用戶(hù)潛在價(jià)值是指未來(lái)用戶(hù)可能為企業(yè)創(chuàng )造的價(jià)值總和。每個(gè)因素還能夠劃分為兩個(gè)高低檔次，進(jìn)一步產(chǎn)生一個(gè)二維的矩陣，把用戶(hù)劃分為4組，價(jià)值用戶(hù)、次價(jià)值用戶(hù)、潛在價(jià)值用戶(hù)、低價(jià)值用戶(hù)。企業(yè)在推廣過(guò)程中根據不同用戶(hù)應當形成對應的`方法，投入不同的資源。很明顯對于企業(yè)來(lái)說(shuō)價(jià)值用戶(hù)最重要，被認為是企業(yè)的玉質(zhì)用戶(hù)；其次是次價(jià)值用戶(hù)，被認為是金質(zhì)用戶(hù)，雖然數量有限，卻為企業(yè)創(chuàng )造了絕大部分的利潤；其他則是低價(jià)值用戶(hù)，對企業(yè)來(lái)說(shuō)價(jià)值最小，成為鉛質(zhì)用戶(hù)，另外一類(lèi)則是潛在價(jià)值用戶(hù)。雖然這兩類(lèi)用戶(hù)擁有較多的數量，但是為企業(yè)創(chuàng )造的價(jià)值有限，甚至很小。需要我們注意的是潛在價(jià)值用戶(hù)利用再造用戶(hù)關(guān)系，將來(lái)極有可能變成價(jià)值用戶(hù)。從長(cháng)期分析，潛在價(jià)值用戶(hù)可以是企業(yè)的隱形財富，是企業(yè)獲得利潤的基礎。將采用數據挖掘方法對這4類(lèi)用戶(hù)特點(diǎn)有效挖掘。
3電子商務(wù)數據挖掘分析
3.1設計問(wèn)卷
研究的關(guān)鍵是電子商務(wù)用戶(hù)特征的數據挖掘，具體包含了價(jià)值用戶(hù)特征、次價(jià)值用戶(hù)特征、潛在價(jià)值用戶(hù)特征，對電子商務(wù)用戶(hù)的認知度、用戶(hù)的需求度分析。問(wèn)卷內容包括3部分：其一是為被調查者介紹電子商務(wù)的概念與背景；其二是具體調查被調查對象的個(gè)人信息，包含了性別、年齡、學(xué)歷、感情情況、職業(yè)、工作、生活地點(diǎn)、收入、上網(wǎng)購物經(jīng)歷；其三是問(wèn)卷主要部分，是對用戶(hù)對電子商務(wù)的了解、需求、使用情況的指標設計。
3.2調查方式
本次調查的問(wèn)卷主體是電腦上網(wǎng)的人群，采用隨機抽象的方式進(jìn)行網(wǎng)上訪(fǎng)問(wèn)。一方面采用大眾聊天工具，利用電子郵件和留言的方式發(fā)放問(wèn)卷，另一方面在大眾論壇上邀請其填寫(xiě)問(wèn)卷。
3.3數據挖掘和結果
�。�1）選擇數據挖掘的算法利用Clementine數據挖掘軟件，采用C5.O算法挖掘預處理之后數據。
�。�2）用戶(hù)數據分析
1）電子商務(wù)用戶(hù)認知度分析按照調查問(wèn)卷的問(wèn)題“您知道電子商務(wù)嗎？”得到對電子商務(wù)用戶(hù)認知情況的統計，十分了解20.4%，了解30.1%，聽(tīng)過(guò)但不了解具體使用方法40.3%，從未聽(tīng)過(guò)8.9%。很多人僅聽(tīng)過(guò)電子商務(wù)，但是并不清楚具體的功能與應用方法，甚至有一小部分人沒(méi)有聽(tīng)過(guò)電子商務(wù)。對調查問(wèn)卷問(wèn)題“您聽(tīng)過(guò)電子商務(wù)的渠道是什么？”，大部分用戶(hù)是利用網(wǎng)了解電子商務(wù)的，占40.2%；僅有76人是利用紙質(zhì)報刊雜志上知道電子商務(wù)的并且對其進(jìn)行應用；這也表明相較于網(wǎng)絡(luò )宣傳紙質(zhì)媒體推廣電子商務(wù)的方法缺乏有效性。
2）電子商務(wù)用戶(hù)需求用戶(hù)希求具體是指使用產(chǎn)品服務(wù)人員對應用產(chǎn)品或服務(wù)形成的需求或者期望。按照問(wèn)題“假如你曾經(jīng)使用電子商務(wù)，你覺(jué)得其用途怎樣，假如沒(méi)有使用過(guò)，你覺(jué)得其對自己有用嗎？”得到了認為需要和十分需要的數據，覺(jué)得電子商務(wù)有用的用戶(hù)為40.7%，不清楚是否對自己有用的用戶(hù)為56.7%，認為不需要的僅有2.4%。
3）電子商務(wù)用戶(hù)應用意愿應用意愿是指消費者對某一產(chǎn)品服務(wù)進(jìn)行應用或者購買(mǎi)的一種心理欲望。按照問(wèn)題“假如可以滿(mǎn)足你所關(guān)心的因素，未來(lái)你會(huì )繼續應用電子商務(wù)嗎？”獲得的數據可知，在滿(mǎn)足各種因素時(shí)，將來(lái)一年之內會(huì )應用電子商務(wù)的用戶(hù)為78.2%，一定不會(huì )應用電子商務(wù)的用戶(hù)為1.4%。表明用戶(hù)形成了較為強烈的應用電子商務(wù)欲望，電子商務(wù)發(fā)展前景很好�；谟脩�(hù)特征的電子商務(wù)數據研究，電子商務(wù)企業(yè)通過(guò)這一結果能夠更好地實(shí)行營(yíng)銷(xiāo)和推廣，對潛在用戶(hù)積極定位，提高用戶(hù)體驗，積極挖掘用戶(hù)價(jià)值。分析為企業(yè)準確營(yíng)銷(xiāo)和推廣企業(yè)提供了一個(gè)有效的借鑒。
4結語(yǔ)
互聯(lián)網(wǎng)中數據是最寶貴的資源之一，大量數據中包含了很大的潛在價(jià)值，對這些數據深入挖掘對互聯(lián)網(wǎng)商務(wù)、企業(yè)推廣、傳播信息發(fā)揮了巨大的作用。近些年來(lái)，數據挖掘技術(shù)獲得了信息產(chǎn)業(yè)的極大重視，具體原因是出現了大量的數據，能夠廣泛應用，并且需要轉化數據成為有價(jià)值的信息知識。通過(guò)基于用戶(hù)特征的電子商務(wù)數據挖掘研究，促使電子商務(wù)獲得巨大發(fā)展機會(huì )，發(fā)現潛在用戶(hù)，促使電子商務(wù)企業(yè)精準營(yíng)銷(xiāo)。
數據挖掘論文10
一、在對計算機病毒數據庫的數據挖掘方面存在的問(wèn)題和局限
1.1對計算機病毒數據庫的數據挖掘技術(shù)有限
據有關(guān)調查，目前的信息技術(shù)行業(yè)對計算機病毒數據庫的數據挖掘在技術(shù)方面還是存在局限與問(wèn)題的；從客觀(guān)層面上來(lái)講，沒(méi)有哪一種計算機的技術(shù)可以完全杜絕或制止計算機病毒對計算機數據庫的侵入和威脅，這種糟糕情況的出現，不僅給單個(gè)計算機的系統造成損害，而且給整個(gè)計算機技術(shù)行業(yè)在某些時(shí)候也會(huì )造成不必要的損失和危害。所以說(shuō)，開(kāi)創(chuàng )有關(guān)減弱甚至是消滅計算機病毒數據庫的計算機技術(shù)就顯得尤為重要。
1.2對計算機病毒數據庫的數據挖掘效率極低
我們都知道，可以利用相應的計算機技術(shù)來(lái)對計算機病毒數據庫的數據進(jìn)行挖掘，但是就目前而言，單一而又較為簡(jiǎn)單的計算機技術(shù)很難高效地對數據進(jìn)行挖掘，只能夠從具有病毒的數據庫中挖掘出極少數數據甚至是挖掘不出來(lái)。所以說(shuō)，提高計算機病毒數據庫的數據挖掘效率也就顯得尤為重要。
1.3對計算機病毒數據庫的數據挖掘成本較高
值得注意的是，某些計算機病毒數據庫中的數據是值得使用和發(fā)揮作用的，所以，計算機行業(yè)的某些操作人員就會(huì )盡可能采用多種渠道和方法來(lái)對有用的數據進(jìn)行挖掘和分析，這樣一來(lái)，通�；ㄙM的成本就會(huì )相對地高，不免也就會(huì )給某些企業(yè)造成沉重的負擔。所以說(shuō)，降低對計算機病毒數據庫的數據挖掘成本就顯得尤為重要了。
二、計算機病毒數據庫的數據挖掘的策略與方法
2.1實(shí)施相應的計算機病毒監控技術(shù)
如何進(jìn)一步地減弱計算機病毒對計算機數據庫的侵入和威脅，我們需要慎重考慮，而實(shí)施相應的計算機病毒監控技術(shù)已成為此時(shí)的無(wú)疑之策；進(jìn)一步來(lái)說(shuō)，就是設置多種監控技術(shù)，例如設置內存監控，配備相應的文件監控，還有就是注冊不同的表監控等等，這些都是有效地減弱甚至是防止計算機病毒侵襲數據庫的`監控技術(shù)�？傊�，我們通過(guò)這些技術(shù)，就會(huì )盡可能的從計算機病毒數據庫中挖掘出需要的數據。
2.2配置適當的計算機病毒源的追蹤設備
據有關(guān)部門(mén)調查，目前使用較為有效的計算機病毒源的追蹤設備就是郵件追蹤設備，它能夠有效地通過(guò)相應的消息或指令來(lái)對計算機的查詢(xún)進(jìn)行追蹤，這樣就能夠高效地檢測出是否有計算機病毒侵入。依據這種情況，我們可以進(jìn)一步開(kāi)拓思維，尤其是計算機行業(yè)的管理員和操作人員，更應該為計算機設計出以及配置適當的不同的計算機病毒源的追蹤設備，從而使人們在計算機病毒侵入數據庫的情況下，仍然能夠得到自己想要的正常數據。
2.3設置獨特的計算機反病毒數據庫
所謂的計算機反病毒數據庫，就是在計算機操作系統的底部值入反病毒的指令或程序，讓它成為計算機系統內部數據庫的底層模塊，而不是計算機系統外部的某種軟件。這樣一來(lái)，當計算機的病毒侵入系統內數據庫時(shí)，就會(huì )被底層的反病毒程序代碼或指令反攻出來(lái)，就進(jìn)一步達到了減弱甚至消除計算機病毒對計算機數據庫的侵襲和威脅的目的，那么我們這時(shí)就可以挖掘出必需的數據了。
三、結束語(yǔ)
概而言之，就現在的計算機病毒來(lái)說(shuō)，可謂是呈現日益猖獗的態(tài)勢；也就是說(shuō)，計算機技術(shù)迅速發(fā)展了，計算機病毒也就會(huì )跟其迅速“發(fā)展”。我們想要有效地遏制住計算機病毒，從計算機病毒數據庫中挖掘出必需的數據，對于普通人來(lái)說(shuō)就應該多多了解一些預防計算機病毒侵入的知識；而對于計算機行業(yè)的管理員或操作人員來(lái)說(shuō)，就應該多設計出一些遏制計算機病毒侵襲的軟件或方案，從而使我們的計算機環(huán)境更干凈，更安全。
數據挖掘論文11
摘 要：數據挖掘技術(shù)在各行業(yè)都有廣泛運用，是一種新興信息技術(shù)。而在線(xiàn)考試系統中存在著(zhù)很多的數據信息，數據挖掘技在在線(xiàn)考試系統有著(zhù)重要的意義，和良好的應用前景，從而在眾多技術(shù)中脫穎而出。本文從對數據挖掘技術(shù)的初步了解，簡(jiǎn)述數據挖掘技術(shù)在在線(xiàn)考試系統中成績(jì)分析，以及配合成績(jì)分析，完善教學(xué)。
關(guān)鍵詞：數據挖掘技術(shù)；在線(xiàn)考試；成績(jì)分析 ；完善教學(xué)
隨著(zhù)計算機網(wǎng)絡(luò )技術(shù)的快速發(fā)展，計算機輔助教育的不斷普及，在線(xiàn)考試是一種利用網(wǎng)絡(luò )技術(shù)的重要輔助教育手段，其改革有著(zhù)重要的意義。數據挖掘技術(shù)作為一種新興的信息技術(shù)，其包括了人工智能、數據庫、統計學(xué)等學(xué)科的內容，是一門(mén)綜合性的技術(shù)。這種技術(shù)的主要特點(diǎn)是對數據庫中大量的數據進(jìn)行抽取、轉換和分析，從中提取出能夠對教師有作用的關(guān)鍵性數據。將其運用于在線(xiàn)考試系統中，能夠很好的處理在線(xiàn)考試中涉及到的數據，讓在線(xiàn)考試的實(shí)用性和高效性得到進(jìn)一步的增強，幫助教師更加快速、完整的統計考試信息，完善教學(xué)。
1.初步了解數據挖掘技術(shù)
數據挖掘技術(shù)是從大量數據中"挖掘"出對使用者有用的知識，即從大量的、隨機的、有噪聲的、模糊的、不完全的實(shí)際應用數據中，"挖掘"出隱含在其中但人們事先卻不知道的，而又是對人們潛在有用的信息與知識的整個(gè)過(guò)程。
目前主要的商業(yè)數據挖掘系統有SAS公司的Enterprise Miner，SPSS公司的Clementine，Sybas公司的Warehouse Studio，MinerSGI公司的Mineset，RuleQuest Research公司的See5，IBM公司的Intelligent，還有 CoverStory， Knowledge Discovery，Quest，EXPLORA， DBMiner，Workbench等。
2.數據挖掘在在線(xiàn)考試中的主要任務(wù)
2.1數據分類(lèi)
數據挖掘技術(shù)通過(guò)對數據庫中的數據進(jìn)行分析，把數據按照相似性歸納成若干類(lèi)別，然后做出分類(lèi)，并能夠為每一個(gè)類(lèi)別都做出一個(gè)準確的描述，挖掘出分類(lèi)的規則或建立一個(gè)分類(lèi)模型。
2.2數據關(guān)聯(lián)分析
數據庫中的數據關(guān)聯(lián)是一項非常重要，并可以發(fā)現的知識。數據關(guān)聯(lián)就是兩組或兩組以上的數據之間有著(zhù)某種規律性的聯(lián)系。數據關(guān)聯(lián)分析的作用就是找出數據庫中隱藏的聯(lián)系，從中得到一些對學(xué)校教學(xué)工作管理者有用的信息。就像是在購物中，就可以通過(guò)顧客的購買(mǎi)物品的聯(lián)系，從中得到顧客的購買(mǎi)習慣。
2.3預測
預測是根據已經(jīng)得到的數據，從而對未來(lái)的情況做出一個(gè)可能性的'分析。數據挖掘技術(shù)能自動(dòng)在大型的數據庫中做出一個(gè)較為準確的分析。就像是在市場(chǎng)投資中，可以通過(guò)各種商品促銷(xiāo)的數據來(lái)做出一個(gè)未來(lái)商品的促銷(xiāo)走勢。從而在投資中得到最大的回報。
3.數據挖掘的方法
數據挖掘技術(shù)融合了多個(gè)學(xué)科、多個(gè)領(lǐng)域的知識與技術(shù)，因此數據挖掘的方法也呈現出很多種類(lèi)的形式。就目前的統計分析類(lèi)的數據挖掘技術(shù)的角度來(lái)講，光統計分析技術(shù)中所用到的數據挖掘模型就回歸分析、邏輯回歸分析、有線(xiàn)性分析、非線(xiàn)性分析、單變量分析、多變量分析、最近鄰算法、最近序列分析、聚類(lèi)分析和時(shí)間序列分析等多種方法。數據挖掘技術(shù)利用這些方法對那些異常形式的數據進(jìn)行檢查，然后通過(guò)各種數據模型和統計模型對這些數據來(lái)進(jìn)行解釋?zhuān)倪@些數據中找出隱藏在其中的商業(yè)機會(huì )和市場(chǎng)規律。另外還有知識發(fā)現類(lèi)數據挖掘技術(shù)，這種和統計分析類(lèi)的數據挖掘技術(shù)完全不同，其中包括了支持向量機、人工神經(jīng)元網(wǎng)絡(luò )、遺傳算法、決策樹(shù)、粗糙集、關(guān)聯(lián)順序和規則發(fā)現等多種方法。
4.數據挖掘在考試成績(jì)分析中的幾點(diǎn)應用
4.1運用關(guān)聯(lián)規則分析教師的年齡對學(xué)生考試成績(jì)的影響
數據挖掘技術(shù)中的關(guān)聯(lián)分析在教學(xué)分析中，是一種使用頻繁，行之有效的方法，它能挖掘出大量數據中項集之間之間有意義的關(guān)聯(lián)聯(lián)系，幫助知道教師的教學(xué)過(guò)程。例如在如今的一些高職院校中，就往往會(huì )把學(xué)生的英語(yǔ)四六級過(guò)級率，計算機等級等，以這些為依據來(lái)評價(jià)教師的教學(xué)效果。將數據挖掘技術(shù)中的關(guān)聯(lián)規則運用于考試的成績(jì)分析當中，就能夠挖掘出一些對學(xué)生過(guò)級率產(chǎn)生影響的因素，對教師的教學(xué)過(guò)程進(jìn)行重要的指導，讓教師的教學(xué)效率更高，作用更強。
還可以通過(guò)關(guān)聯(lián)規則算法，先設定一個(gè)最小可信度和支持度，得到初步的關(guān)聯(lián)規則，根據相關(guān)規則，分析出教師的組成結構和過(guò)級率的影響，從來(lái)進(jìn)行教師隊伍的結構調整，讓教師隊伍更加合理。
4.2采用分類(lèi)算法探討對考試成績(jì)有影響的因素
數據挖掘技術(shù)中的分類(lèi)算法就是對一組對象或一個(gè)事件進(jìn)行歸類(lèi)，然后通過(guò)這些數據，可以進(jìn)行分類(lèi)模型的建立和未來(lái)的預測。分類(lèi)算法可以進(jìn)行考試中得到的數據進(jìn)行分類(lèi)，然后通過(guò)學(xué)生的一些基本情況進(jìn)行探討一些對考試成績(jì)有影響的因素。分類(lèi)算法可以用一下步驟實(shí)施：
4.2.1數據采集
這種方法首先要進(jìn)行數據采集，需要這幾方面的數據，學(xué)生基本信息（姓名、性別、學(xué)號、籍貫、所屬院系、專(zhuān)業(yè)、班級等）、學(xué)生調查信息（比如學(xué)習前的知識掌握情況、學(xué)習興趣、課堂學(xué)習效果、課后復習時(shí)間量等）、成績(jì)（學(xué)生平常學(xué)習成績(jì)，平�？荚嚦煽�(jì)，各種大型考試成績(jì)等）、學(xué)生多次考試中出現的易錯點(diǎn)（本次考試中出現的易錯點(diǎn)，以往考試中出現的易錯點(diǎn)）
4.2.2數據預處理
�。�1）數據集成。把數據采集過(guò)程中得到的多種信息，利用數據挖掘技術(shù)中的數據庫技術(shù)生產(chǎn)相應的學(xué)生考試成績(jì)分析基本數據庫。（2）數據清理。在學(xué)生成績(jì)分析數據庫中，肯定會(huì )出現一些情況缺失，對于這些空缺處，就需要使用數據清理技術(shù)來(lái)進(jìn)行這些數據庫中數據的填補遺漏。例如，可以采用忽略元組的方法來(lái)刪除那些沒(méi)有參加考試的學(xué)生考試數據已經(jīng)在學(xué)生填寫(xiě)的調查數據中村中的空缺項。（3）數據轉換。數據轉換主要功能是進(jìn)行進(jìn)行數據的離散化操作。在這個(gè)過(guò)程中可以根據實(shí)際需要進(jìn)行分類(lèi)，比如把考試成績(jì)從0~59的分到較差的一類(lèi)，將60到80分為中等類(lèi)，81到100分為優(yōu)秀等。（4）數據消減。數據消減的功能就是把所需挖掘的數據庫，在消減的過(guò)程又不能影響到最終的數據挖掘結果。比如在分析學(xué)生的基本學(xué)習情況的影響因素情況中，學(xué)生信息表中中出現的字段很多，可以選擇性的刪除班別、籍貫等引述，形成一份新的學(xué)生基本成績(jì)分析數據表。
4.2.3利用數據挖掘技術(shù)，得出結論
通過(guò)數據挖掘技術(shù)在在線(xiàn)考試中的應用，得出這些學(xué)生數據的相關(guān)分析，比如說(shuō)學(xué)生考試中的易錯點(diǎn)在什么地方，學(xué)生考試成績(jì)的自身原因，學(xué)生考試成績(jì)的環(huán)境原因，教師隊伍的搭配情況等等，從中得出如何調整學(xué)校教學(xué)資源，教師的教學(xué)方案調整等等，從而完善學(xué)校對學(xué)生的教學(xué)。
5.結語(yǔ)
數據挖掘技術(shù)在社會(huì )各行各業(yè)中都有一定程度的使用，基于其在數據組織、分析能力、知識發(fā)現和信息深層次挖掘的能力，在使用中取得了顯著(zhù)的成效，但數據挖掘技術(shù)中還存在著(zhù)一些問(wèn)題，例如數據的挖掘算法、預處理、可視化問(wèn)題、模式識別和解釋等等。對于這些問(wèn)題，學(xué)校教學(xué)管理工作者要清醒的認識，在在線(xiàn)考試系統中對數據挖掘信息做出合理的使用，讓數字挖掘技術(shù)在在線(xiàn)考試系統中能夠更加有效的發(fā)揮其長(cháng)處，避免其在在線(xiàn)考試系統中的的缺陷。
參考文獻：
[1]胡玉榮.基于粗糙集理論的數據挖掘技術(shù)在高校學(xué)生成績(jì)分析中的作用[J].荊門(mén)職業(yè)技術(shù)學(xué)院學(xué)報,20xx,12(22):12.
[2][加]韓家煒,堪博(Kam ber M.) .數據挖掘：概念與技術(shù)（第2版）[M]范明,譯.北京:機械工業(yè)出版社,20xx.
[3]王潔.《在線(xiàn)考試系統的設計與開(kāi)發(fā)》[J].山西師范大學(xué)學(xué)報,20xx(2).
[4] 王長(cháng)娥.數據挖掘技術(shù)在教育中的應用[J].計算機與信息技術(shù),20xx(11)
數據挖掘論文12
隨著(zhù)互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，學(xué)術(shù)研究環(huán)境較以前更加開(kāi)放，對傳統的科技出版業(yè)提出了開(kāi)放性、互動(dòng)性和快速性的要求; 因此，以信息技術(shù)為基礎的現代數字化出版方式對傳統的科技出版業(yè)產(chǎn)生著(zhù)深刻的影響。為了順應這一趨勢，不少科技期刊都進(jìn)行了數字化建設，構建了符合自身情況、基于互聯(lián)網(wǎng)B /S 結構的稿件處理系統。
以中華醫學(xué)會(huì )雜志社為代表的部分科技期刊出版集團均開(kāi)發(fā)使用了發(fā)行系統、廣告登記系統、在線(xiàn)銷(xiāo)售系統以及站。這些系統雖然積累了大量的原始用戶(hù)業(yè)務(wù)數據; 但從工作系統來(lái)看，由于數據本身只屬于編輯部的業(yè)務(wù)數據，因此一旦相關(guān)業(yè)務(wù)工作進(jìn)行完畢，將很少再對這些數據進(jìn)行分析使用。
隨著(zhù)目前人工智能和機器學(xué)習技術(shù)的發(fā)展，研究人員發(fā)現利用最新的數據挖掘方法可以對原始用戶(hù)業(yè)務(wù)數據進(jìn)行有效分析和學(xué)習，找出其中數據背后隱含的內在規律。這些有價(jià)值的規律和寶貴的經(jīng)驗將對后續科技期刊經(jīng)營(yíng)等工作提供巨大的幫助。
姚偉欣等指出，從STM 期刊出版平臺的技術(shù)發(fā)展來(lái)看，利用數據存取、數據管理、關(guān)聯(lián)數據分析、海量數據分析等數據挖掘技術(shù)將為科技期刊的出版和發(fā)行提供有力的幫助。通過(guò)使用數據挖掘( data mining) 等各種數據處理技術(shù)，人們可以很方便地從大量不完全且含有噪聲或相對模糊的實(shí)際數據中，提取隱藏在其中有價(jià)值的信息，從而對后續科技期刊出版工作起到重要的知識發(fā)現和決策支持的作用。
1 數據挖掘在科技期刊中應用的現狀
傳統的數據庫對數據的處理功能包括增、刪、改、查等。這些技術(shù)均無(wú)法發(fā)現數據內在的關(guān)聯(lián)和規則，更無(wú)法根據現有數據對未來(lái)發(fā)展的趨勢進(jìn)行預測�，F有數據挖掘的任務(wù)可以分為對數據模型進(jìn)行分類(lèi)或預測、數據總結、數據聚類(lèi)、關(guān)聯(lián)規則發(fā)現、序列模式發(fā)現、依賴(lài)關(guān)系發(fā)現、異�；蚶恻c(diǎn)檢測以及趨勢發(fā)現等，但目前國內科技期刊行業(yè)利用數據挖掘方法進(jìn)行大規模數據處理仍處在起步階段。張品純等對中國科協(xié)所屬的科技期刊出版單位的現狀進(jìn)行分析后發(fā)現，中國科協(xié)科技期刊出版單位多為單刊獨立經(jīng)營(yíng)，單位的規模較小、實(shí)力較弱，多數出版單位不具備市場(chǎng)主體地位。這樣就導致國內大部分科技期刊既沒(méi)有能力進(jìn)行數據挖掘，也沒(méi)有相應的數據資源準備。以數據挖掘技術(shù)應用于期刊網(wǎng)站為例，為了進(jìn)行深入的數據分析，期刊經(jīng)營(yíng)人員需要找到稿件與讀者之間、讀者群體之間隱藏的內在聯(lián)系。目前，數據挖掘的基本步驟為: 1) 明確數據挖掘的`對象與目標;2) 確定數據源; 3) 建立數據模型; 4) 建立數據倉庫; 5)數據挖掘分析; 6) 對象與目標的數據應用和反饋。
2 期刊數據的資源整合
編輯部從稿件系統、發(fā)行系統、廣告系統、站等各個(gè)系統中將相關(guān)數據進(jìn)行清洗、轉換和整理，然后加載到數據倉庫中。進(jìn)一步，根據業(yè)務(wù)應用的范圍和緊密度，建立相關(guān)數據集市。期刊數據資源的整合過(guò)程從數據體系上可分為數據采集層、數據存儲處理層和數據展現層。
要獲得能夠適合企業(yè)內部多部門(mén)均可使用、挖掘和分析的數據，可以從業(yè)務(wù)的關(guān)聯(lián)性分析數據的準確性、一致性、有效性和數據的內在關(guān)聯(lián)性。
3 期刊數據的信息挖掘
信息挖掘為了從不同種類(lèi)和形式的業(yè)務(wù)進(jìn)行抽取、變換、集成數據，最后將其存儲到數據倉庫，并要對數據的質(zhì)量進(jìn)行維護和管理。數據挖掘可以有效地識別讀者的閱讀行為，發(fā)現讀者的閱讀模式和趨勢，對網(wǎng)站改進(jìn)服務(wù)質(zhì)量、取得更好的用戶(hù)黏稠度和滿(mǎn)意度、提高科技期刊經(jīng)營(yíng)能力有著(zhù)重要的意義。作為一個(gè)分析推薦系統，我們將所分析的統計結果存儲于服務(wù)器中，在用戶(hù)或決策者需要查詢(xún)時(shí)，只需輸入要找尋的用戶(hù)信息，系統將從數據庫中抽取其個(gè)人信息，并處理返回到上網(wǎng)時(shí)間分布、興趣點(diǎn)所在、適配業(yè)務(wù)及他對于哪些業(yè)務(wù)是有價(jià)值客戶(hù)，甚至包括他在什么時(shí)段對哪類(lèi)信息更感興趣等。只有這些信息才是我們的使用對象所看重和需要的。
網(wǎng)站結構挖掘是挖掘網(wǎng)站中潛在的鏈接結構模式。通過(guò)分析一個(gè)網(wǎng)頁(yè)的鏈接、鏈接數量以及鏈接對象，建立網(wǎng)站自身的鏈接結構模式。在此過(guò)程中，如果發(fā)現某一頁(yè)面被較多鏈接所指向，則說(shuō)明該頁(yè)面信息是有價(jià)值的，值得期刊工作人員做更深層次的挖掘。網(wǎng)站結構挖掘在具體應用時(shí)采用的結構和技術(shù)各不相同; 但主要過(guò)程均包括預處理、模式發(fā)現和模式分析3 部分。為了反映讀者興趣取向，就需要對數據庫中的數據按用戶(hù)進(jìn)行抽樣分析，得到興趣點(diǎn)的統計結果，而個(gè)人的興趣分析也可基于此思路進(jìn)行。下面以《中華醫學(xué)雜志》為例做一介紹。
預處理預處理是網(wǎng)站結構挖掘最關(guān)鍵的一個(gè)環(huán)節，其處理得到的數據質(zhì)量直接關(guān)系到使用數據挖掘和模式分析方法進(jìn)行分析的結果。預處理步驟包括數據清洗、用戶(hù)識別、會(huì )話(huà)識別、路徑補充和事件識別。以《中華醫學(xué)雜志》網(wǎng)站www. nmjc. net. cn 的日志分析為例。首先給出一條已有的Log，其內容為“20xx-03-04 12: 13: 47 W3SVC80003692 172. 22. 4. 3GET /index. asp-80-123. 185. 247. 49Mozilla /5. 0 +( Windows + NT + 6. 1; + WOW64 ) + AppleWebKit /537. 36 + ( KHTML，+ like + Gecko) + Chrome /28. 0.1500. 95 + Safari /537. 36 + SE + 2. X + MetaSr + 1. 0200 0 0”。從Log 的內容，工作人員可以得到相關(guān)信息，如用戶(hù)IP、用戶(hù)訪(fǎng)問(wèn)頁(yè)面事件、用戶(hù)訪(fǎng)問(wèn)的頁(yè)面、用戶(hù)請求的方法、返回HTTP 狀態(tài)以及用戶(hù)瀏覽的上一頁(yè)面等內容。
由于服務(wù)器同時(shí)部署了多個(gè)編輯部網(wǎng)站，這就要求工作人員必須對得到的訪(fǎng)問(wèn)www. nmjc. net. cn 日志，去除由爬蟲(chóng)軟件產(chǎn)生的記錄。這些記錄一般都會(huì )在日志結尾包含“Spider”的字樣。同時(shí)，還需要去除不是由GET 請求產(chǎn)生的日志以及請求資源不是頁(yè)面類(lèi)型的日志。最后，工作人員還需要去除訪(fǎng)問(wèn)錯誤的請求，可以根據日志中請求的狀態(tài)進(jìn)行判斷。一般認為，請求狀態(tài)在( 200， 300) 范圍內是訪(fǎng)問(wèn)正確的日志，其他如403、400 和500 等都是訪(fǎng)問(wèn)錯誤的日志。用戶(hù)識別可以根據用戶(hù)的IP 地址和用戶(hù)的系統信息來(lái)完成。只有在IP 地址和系統信息都完全一致的情況下，才識別為一個(gè)用戶(hù)。會(huì )話(huà)識別是利用面向時(shí)間的探索法，根據超時(shí)技術(shù)來(lái)識別一個(gè)用戶(hù)的多次會(huì )話(huà)。如果用戶(hù)在一段時(shí)間內沒(méi)有任何操作，則認為會(huì )話(huà)結束。用戶(hù)在規定時(shí)間后重新訪(fǎng)問(wèn)，則被認為不屬于此次會(huì )話(huà)，而是下次會(huì )話(huà)的開(kāi)始。
利用WebLogExplore 分析日志、用戶(hù)和網(wǎng)頁(yè)信息在獲得了有效的日志數據后，工作人員可以利用一些有效數據挖掘算法進(jìn)行模式發(fā)現。目前，主要的數據挖掘方法有統計分析、關(guān)聯(lián)規則、分類(lèi)、聚類(lèi)以及序列模式等技術(shù)。本文主要討論利用Apriori 算法來(lái)發(fā)現科技期刊日志數據中的關(guān)聯(lián)規則。本質(zhì)上數據挖掘不是用來(lái)驗證某個(gè)假定的模式的正確性，而是在數據庫中自己尋找模型，本質(zhì)是一個(gè)歸納的過(guò)程。支持度( Support) 的公式定義為: Support ( A≥B) = P( A ∪B) 。支持度可以用于度量事件A 與B 同時(shí)出現的概率。如果事件A 與B 同時(shí)出現的概率較小，說(shuō)明事件A 與B 的關(guān)系不大; 如果事件A 與B 同時(shí)出現非常頻繁，則說(shuō)明事件A 與B 總是相關(guān)的。置信度( Confidence) 的公式定義為: Confidence( A≥B) = P( A | B) 。置信度揭示了事件A 出現時(shí)，事件B 是否也會(huì )出現或有多大概率出現。如果置信度為100%，則事件A 必然會(huì )導致事件B 出現。置信度太低，說(shuō)明事件A 的出現與事件B 是否出現關(guān)系不大。
對所有的科技期刊日志數據進(jìn)行預處理后，利用WebLogExplore 軟件可得到日志匯總表。表中存儲了所有用戶(hù)訪(fǎng)問(wèn)網(wǎng)站頁(yè)面的詳細信息，工作人員可將其導入數據庫中。以查看到所選擇用戶(hù)訪(fǎng)問(wèn)期刊頁(yè)面的詳細信息。
同樣，在WebLogExplore 軟件中選擇感興趣的頁(yè)面，可以查看所有用戶(hù)訪(fǎng)問(wèn)該頁(yè)面的統計信息，如該頁(yè)面的訪(fǎng)問(wèn)用戶(hù)數量等。工作人員可以對用戶(hù)訪(fǎng)問(wèn)排名較高的頁(yè)面進(jìn)行進(jìn)一步的模式分析。
步驟1: 將圖2 日志信息匯總表中的數據導入數據庫中，建立日志總表。
步驟2: 在數據庫中建立一個(gè)新表命名為tj。
步驟3: 通過(guò)查詢(xún)程序得到日志總表中每一個(gè)用戶(hù)訪(fǎng)問(wèn)的頁(yè)面，同時(shí)做distinct 處理。
步驟4: 將查詢(xún)得到的用戶(hù)訪(fǎng)問(wèn)頁(yè)面記錄進(jìn)行判斷。如果用戶(hù)訪(fǎng)問(wèn)過(guò)排名前20 位的某個(gè)頁(yè)面，則在數據庫中寫(xiě)入true，否則寫(xiě)入false。依次循環(huán)判斷寫(xiě)入數據庫中。
步驟5: 統計每個(gè)訪(fǎng)問(wèn)排名靠前頁(yè)面的支持度，設置一維項目集的最小閥值( 10%) 。
步驟6: 統計大于一維閥值的頁(yè)面，寫(xiě)入數組，并對數組內部頁(yè)面進(jìn)行兩兩組合，統計每個(gè)組合2 個(gè)頁(yè)面值均為true 時(shí)的二維項目集的支持度。
步驟7: 設置二維項目集支持度的閥值，依次統計三維項目集支持度和置信度( A≥B) ，即當A 頁(yè)面為true 時(shí)，統計B 頁(yè)面為true 的數量，除以A 為true 的數量。設置相應的置信度閥值，找到訪(fǎng)問(wèn)排名靠前頁(yè)面之間較強的關(guān)聯(lián)規則。
4 數據挖掘技術(shù)應用的意義
1) 對頻繁訪(fǎng)問(wèn)的用戶(hù)，可以使用用戶(hù)識別技術(shù)分析此用戶(hù)的歷史訪(fǎng)問(wèn)記錄，得到他經(jīng)常訪(fǎng)問(wèn)的頁(yè)面。當該用戶(hù)再次登錄系統時(shí)，可以對其進(jìn)行個(gè)性化提示或推薦。這樣，既方便用戶(hù)使用，也可將系統做得更加友好。很多OA 期刊網(wǎng)站，不具備歷史瀏覽記錄的功能; 但瀏覽記錄對用戶(hù)來(lái)講其實(shí)十分重要，隱含了用戶(hù)對文章的篩選過(guò)程，所以對用戶(hù)經(jīng)常訪(fǎng)問(wèn)的頁(yè)面需要進(jìn)行優(yōu)化展示，不能僅僅提供鏈接地址，需要將文章題名、作者、關(guān)鍵詞等信息以列表的方式予以顯示。
2) 由數據挖掘技術(shù)而產(chǎn)生的頻繁項目集的分析，可以對網(wǎng)站的結構進(jìn)行改進(jìn)。支持度很高的頁(yè)面，說(shuō)明該頁(yè)面的用戶(hù)訪(fǎng)問(wèn)量大。為了方便用戶(hù)以及吸引更多的讀者，可以將這些頁(yè)面放置在更容易被訪(fǎng)問(wèn)的位置，科技期刊的網(wǎng)站內容一般以年、卷、期的形式展示。用戶(hù)如果想查看某一篇影響因子很高的文章，也必須通過(guò)年卷期的方式來(lái)查看，非常不方便而且頁(yè)面友好性不高。通過(guò)數據挖掘的分析，編輯部可以把經(jīng)常被訪(fǎng)問(wèn)或者高影響因子的文章放在首頁(yè)展示。
3) 對由數據挖掘技術(shù)產(chǎn)生的頻繁項目集的分析，可以發(fā)現用戶(hù)的關(guān)注熱點(diǎn)。若某些頁(yè)面或項目被用戶(hù)頻繁訪(fǎng)問(wèn)，則可以用這些數據對用戶(hù)進(jìn)行分析。一般來(lái)說(shuō)科技期刊的讀者，每個(gè)人的專(zhuān)業(yè)和研究方向都是不同的，編輯部可以通過(guò)數據挖掘技術(shù)來(lái)判斷讀者的研究方向和感興趣的熱點(diǎn)，對每一個(gè)用戶(hù)進(jìn)行有針對性的內容推送和消息發(fā)送。
4) 網(wǎng)站管理者可以根據在不同時(shí)間內頻繁項目集的變化情況對科技期刊網(wǎng)站進(jìn)行有針對性的調整，比如加入更多關(guān)于該熱點(diǎn)的主題資源。目前大多數科技期刊網(wǎng)站首頁(yè)的內容，均為編輯部工作人員后臺添加、置頂、高亮來(lái)吸引用戶(hù)的; 通過(guò)數據挖掘技術(shù)，完全可以擯棄這種展示方式。編輯部網(wǎng)站的用戶(hù)訪(fǎng)問(wèn)哪些頁(yè)面頻繁，系統便會(huì )自動(dòng)將這些頁(yè)面的文章推向首頁(yè)，不需要編輯部的人工干預，整個(gè)網(wǎng)站實(shí)現自動(dòng)化運行。
5 后記
本文重點(diǎn)討論了數據挖掘技術(shù)與科技期刊網(wǎng)站頁(yè)面之間的關(guān)系。其實(shí)我們還可以從很多方面進(jìn)行數據挖掘，比如可以對網(wǎng)站的用戶(hù)和內容進(jìn)行數據挖掘，通過(guò)分析可以為后期的期刊經(jīng)營(yíng)做好鋪墊。
有一點(diǎn)很重要，沒(méi)有一種數據挖掘的分析方法可以應付所有的需求。對于某一種問(wèn)題，數據本身的特性會(huì )影響你的選擇，需要用到許多不同的數據挖掘方法以及技術(shù)從數據中找到最佳的模型。
在目前深化文化體制改革，推動(dòng)社會(huì )主義文化大發(fā)展、大繁榮的政治形勢下，利用數據挖掘技術(shù)從中進(jìn)行提取、分析和應用，能有效地幫助企業(yè)了解客戶(hù)、改進(jìn)系統、制訂合理的市場(chǎng)策略、提高企業(yè)的銷(xiāo)售水平和利潤。通過(guò)利用數據挖掘技術(shù)準確定位優(yōu)質(zhì)客戶(hù)，向客戶(hù)提供更精確、更有價(jià)值的個(gè)性化服務(wù)。這將成為未來(lái)科技期刊經(jīng)營(yíng)十分重要的突破點(diǎn)和增長(cháng)點(diǎn)。
數據挖掘論文13
摘要：數據挖掘就是對潛在的數據及數據關(guān)聯(lián)進(jìn)行探索和發(fā)現。隨著(zhù)信息技術(shù)的不斷發(fā)展，這一技術(shù)在電子商務(wù)領(lǐng)域逐漸得到普遍應用�；诖�，本文就數據挖掘在電子商務(wù)中的應用進(jìn)行研究，首先就數據挖掘中的路徑分析技術(shù)、關(guān)聯(lián)分析技術(shù)、聚類(lèi)分析技術(shù)和分類(lèi)分析技術(shù)進(jìn)行簡(jiǎn)要介紹，然后分析數據挖掘在電子商務(wù)中的實(shí)際應用，從而提高數據挖掘技術(shù)的應用水平，增強電子商務(wù)的發(fā)展實(shí)力。
關(guān)鍵詞：數據挖掘；電子商務(wù)；潛在客戶(hù)
一、數據挖掘在電子商務(wù)中的技術(shù)應用
就現階段電子商務(wù)對數據挖掘技術(shù)的應用現狀來(lái)看，主要應用到的技術(shù)包括以下幾方面內容，分別是路徑分析技術(shù)、關(guān)聯(lián)分析技術(shù)、聚類(lèi)分析技術(shù)和分類(lèi)分析技術(shù)。就路徑分析技術(shù)來(lái)看，主要對客戶(hù)互聯(lián)網(wǎng)訪(fǎng)問(wèn)路徑的頻繁性進(jìn)行分析，通過(guò)大數據采集和處理，了解客戶(hù)對各種網(wǎng)絡(luò )頁(yè)面的喜好程度和特點(diǎn)，從而對自身的設計進(jìn)行針對性的改進(jìn)，為客戶(hù)提供更加人性化的服務(wù)；就關(guān)聯(lián)分析技術(shù)來(lái)看，主要指的是對隱藏數據之間的關(guān)聯(lián)進(jìn)行分析，并且通過(guò)分析掌握其相互關(guān)聯(lián)的規律，并根據這一規律對網(wǎng)絡(luò )站點(diǎn)的結構進(jìn)行相應的改進(jìn)，使電子商務(wù)中存在相關(guān)性的商品能夠一起被搜索出來(lái)，既為客戶(hù)提供便利，同時(shí)提高交叉銷(xiāo)售的幾率；聚類(lèi)分析技術(shù)指的是根據數據的信息，按照一定的原則對數據進(jìn)行分類(lèi)。就分類(lèi)分析技術(shù)而言，主要通過(guò)分析數據掌握分類(lèi)規則，然后按照這一規則對數據進(jìn)行分類(lèi)。
二、數據挖掘在電子商務(wù)中的實(shí)際應用
1.對潛在客戶(hù)進(jìn)行挖掘在電子商務(wù)中應用數據挖掘技術(shù)能夠對潛在客戶(hù)進(jìn)行挖掘。例如商家可以對網(wǎng)站的日志記錄進(jìn)行分析，探究該記錄中存在的規律，從而按照這一規律對網(wǎng)站的訪(fǎng)問(wèn)客戶(hù)進(jìn)行相應分類(lèi)。在分類(lèi)過(guò)程中，商家應該對客戶(hù)屬性和相關(guān)關(guān)系進(jìn)行確定，對新客戶(hù)與老客戶(hù)之間存在重疊的屬性進(jìn)行識別，從而實(shí)現對訪(fǎng)問(wèn)網(wǎng)站新用戶(hù)快速分類(lèi)，在分類(lèi)完畢后，商家可以通過(guò)分析新客戶(hù)的屬性特點(diǎn)，從而對新客戶(hù)進(jìn)行潛在性判斷，如果判斷新客戶(hù)可以被作為商家的潛在客戶(hù)，就可以為該客戶(hù)提供個(gè)性化的頁(yè)面服務(wù)，從而將新客戶(hù)發(fā)展成為老客戶(hù)。2.對駐留時(shí)間進(jìn)行延長(cháng)對于電子商務(wù)而言，商家必須提高客戶(hù)在商品頁(yè)面的駐留時(shí)間，并且使客戶(hù)的購買(mǎi)興趣和欲望得到激發(fā)。電子商務(wù)與傳統商務(wù)最大的不同在于銷(xiāo)售商具有虛擬性的特點(diǎn)，因此客戶(hù)在購物選擇時(shí)，對銷(xiāo)售商的印象是沒(méi)有差異的。銷(xiāo)售商在不斷提升自身服務(wù)水平的.同時(shí)，應該對客戶(hù)的瀏覽行為和特點(diǎn)進(jìn)行分析，從而對客戶(hù)的興趣和需求進(jìn)行進(jìn)一步的了解，以此為依據調整自身的商品頁(yè)面，用符合客戶(hù)需求的廣告和商品文案吸引客戶(hù)的駐留時(shí)間，從而提高交易的幾率。3.對網(wǎng)絡(luò )站點(diǎn)進(jìn)行優(yōu)化電子商務(wù)主要依托于網(wǎng)站，因此網(wǎng)站優(yōu)化也是提高電子商務(wù)發(fā)展水平的有效措施。利用數據挖掘技術(shù)對網(wǎng)絡(luò )站點(diǎn)進(jìn)行優(yōu)化主要由兩方面構成，一方面是對存在相關(guān)性的網(wǎng)頁(yè)進(jìn)行鏈接設計。例如對用戶(hù)瀏覽頁(yè)面的幾率和特點(diǎn)進(jìn)行分析，然后找出存在相關(guān)性的頁(yè)面，增加網(wǎng)頁(yè)鏈接這一功能，使客戶(hù)的搜索更加便捷；另一方面是對客戶(hù)的期望位置進(jìn)行探索，例如對用戶(hù)頻率較高的訪(fǎng)問(wèn)位置進(jìn)行分析，從而將頻率較高的位置設置為客戶(hù)的期望位置，并且在實(shí)際位置與期望位置間建立鏈接。另外，可以對用戶(hù)的網(wǎng)頁(yè)瀏覽習慣和信息喜好進(jìn)行分析，強化用戶(hù)在網(wǎng)頁(yè)中的自助服務(wù)，例如將網(wǎng)頁(yè)信息參照超市模式進(jìn)行擺放，根據相關(guān)性分類(lèi)，使用戶(hù)能夠通過(guò)自主瀏覽選擇到心儀的產(chǎn)品，從而提高交易的幾率。4.對營(yíng)銷(xiāo)手段進(jìn)行改進(jìn)在電子商務(wù)的實(shí)際運營(yíng)過(guò)程中，很多客戶(hù)都會(huì )在購買(mǎi)一種物品時(shí)同時(shí)選擇具有相關(guān)性的其他物品，因此銷(xiāo)售商應該對銷(xiāo)售方式進(jìn)行改進(jìn)，利用數據挖掘技術(shù)實(shí)現交叉銷(xiāo)售，從而提高營(yíng)銷(xiāo)水平。在應用交叉銷(xiāo)售這一手段時(shí)，主要應該利用數據挖掘技術(shù)，對客戶(hù)的喜好進(jìn)行分析，從而提供具有針對性的商品。
參考文獻：
[1]姜寧,牛永潔.Web數據挖掘在電子商務(wù)中的應用——以淘寶網(wǎng)為例[J].計算機時(shí)代,20xx(7):49-52.
[2]王紅玉.數據挖掘在電子商務(wù)中的應用[J].電腦編程技巧與維護,20xx(3):49-51.
數據挖掘論文14
一、數據挖掘相關(guān)概念
數據挖掘技術(shù)是近些年發(fā)展起來(lái)的一門(mén)新興學(xué)科，它涉及到數據庫和人工智能等多個(gè)領(lǐng)域。隨著(zhù)計算機技術(shù)的普及數據庫產(chǎn)生大量數據，能夠從這些大量數據中抽取出有價(jià)值信息的技術(shù)稱(chēng)之為數據挖掘技術(shù)。數據挖掘方法有統計學(xué)方法、關(guān)聯(lián)規則挖掘、決策樹(shù)方法、聚類(lèi)方法等八種方法，關(guān)聯(lián)規則是其中最常用的研究方法。關(guān)聯(lián)規則算法是1993年由R.Atal,Inipusqi,Sqtm三人提出的Apriori算法，是指從海量數據中挖掘出有價(jià)值的能夠揭示實(shí)體和數據項間某些隱藏的聯(lián)系的有關(guān)知識，其中描述關(guān)聯(lián)規則的兩個(gè)重要概念分別是Suppor（t支持度）和Confi-dence（可信度）。只有當Support和Confidence兩者都較高的關(guān)聯(lián)規則才是有效的、需要進(jìn)一步進(jìn)行分析和應用的規則。
二、使用Weka進(jìn)行關(guān)聯(lián)挖掘
Weka的全名是懷卡托智能分析環(huán)境（WaikatoEnviron-mentforKnowledgeAnalysis），是一款免費的、非商業(yè)化的、基于JAVA環(huán)境下開(kāi)源的機器學(xué)習以及數據挖掘軟件[2]。它包含了許多數據挖掘的算法，是目前最完備的數據挖掘軟件之一。Weka軟件提供了Explorer、Experimenter、Knowledge-Flow、SimpleCLI四種模塊[2]。其中Explorer是用來(lái)探索數據環(huán)境的，Experimenter是對各種實(shí)驗計劃進(jìn)行數據測試，KnowledgeFlow和Explorer類(lèi)似，但該模塊通過(guò)其特殊的接口可以讓使用者通過(guò)拖動(dòng)的形式去創(chuàng )建實(shí)驗方案，Simple-CLI為簡(jiǎn)單的命令行界面。以下數據挖掘任務(wù)主要用Ex-plorer模塊來(lái)進(jìn)行。
�。ㄒ唬⿺祿A處理
數據挖掘所需要的所有數據可以由系統排序模塊生成并進(jìn)行下載。這里我們下載近兩年的教師科研信息。為了使論文總分、學(xué)術(shù)著(zhù)作總分、科研獲獎總分、科研立項總分、科研總得分更有利于數據挖掘計算，在這里我們將以上得分分別確定分類(lèi)屬性值。
�。ǘ⿺祿d入
點(diǎn)擊Explorer進(jìn)入后有四種載入數據的方式，這里采用第一種Openfile形式。由于Weka所支持的標準數據格式為ARFF，我們將處理好的xls格式另存為csv，在weka中找到這個(gè)文件并重新保存為arff文件格式來(lái)實(shí)現數據的載入。由于所載入的數據噪聲比較多，這里應根據數據挖掘任務(wù)對數據表中與本次數據任務(wù)不相關(guān)的屬性進(jìn)行移除，只將學(xué)歷、職稱(chēng)、論文等級、學(xué)術(shù)著(zhù)作等級、科研獲獎等級、科研立項等級、科研總分等級留下。
�。ㄈ╆P(guān)聯(lián)挖掘與結果分析
WeakExplorer界面中提供了數據挖掘多種算法，在這里我們選擇“Associate”標簽下的Apriori算法。之后將“l(fā)owerBoundMinSupprot”（最小支持度）參數值設為0.1，將“upperBoundMinSupprot”（最大支持度）參數值設為1，在“metiricType”的參數值選項中選擇lift選項，將“minMetric”參數值設為1.1，將“numRules”（數據集數）參數值設為10，其它選項保存默認值，這樣就可以挖掘出支持度在10%到100%之間并且lift值超過(guò)1.1且排名前10名的關(guān)聯(lián)規則。其挖掘參數信息和關(guān)聯(lián)挖掘的部分結果。
三、挖掘結果與應用
以上是針對教師基本情況和科研各項總分進(jìn)行的反復的數據挖掘工作，從挖掘結果中找到最佳模式進(jìn)行匯總。以下列出了幾項作為參考的關(guān)聯(lián)數據挖掘結果。
1、科研立項得分與論文、科研總得分關(guān)聯(lián)度高，即科研立項為A級的論文也一定是A。這與實(shí)際也是相符的，因為科研立項得A的教師應該是主持了省級或是國家級的立項的同時(shí)也參與了其他教師的科研立項，在課題研究的`過(guò)程中一定會(huì )有國家級論文或者省級論文進(jìn)行發(fā)表來(lái)支撐立項，所以這類(lèi)教師的論文得分也會(huì )很高。針對這樣的結果，在今后的科研工作中，科研處要鼓勵和幫助教師搞科研，為教師的科研工作提供精神上的支持和物質(zhì)上的幫助，這樣在很大程度上能夠帶動(dòng)整個(gè)學(xué)�？蒲泄ぷ鞯倪M(jìn)展。
2、副教授類(lèi)的教師科研立項得分很高，而講師類(lèi)教師和助教類(lèi)教師的科研立項得分很低，這樣符合實(shí)際情況。因為副教授類(lèi)的教師有一定的教學(xué)經(jīng)驗，并且很多副教授類(lèi)的教師還想晉職稱(chēng)，所以大多數副教授類(lèi)教師都會(huì )申請一些課題。而對于講師類(lèi)和助教類(lèi)的教師，由于教學(xué)經(jīng)驗不足很少能進(jìn)行省級以上的課題研究，因此這兩類(lèi)教師的科研立項分數不高。針對這樣的結果，在今后的科研工作中，科研處可以采用一幫一、結對子的形式來(lái)幫助年輕教師，這樣可以使青年教師參與到老教師的科研課題研究工作中去，在課題研究工程中提高科研能力和教學(xué)能力。
3、講師類(lèi)教師的論文等級不高。從論文得分能夠推斷出講師類(lèi)教師所發(fā)表論文的級別不高。為了鼓勵這類(lèi)教師的論文發(fā)表，在今后的科研量化工作中對省級、國家級的論文級別進(jìn)行細化，并且降低一般論文的得分權重，加大高級論文的得分權重。并且鼓勵講師類(lèi)教師參加假期培訓，提高自身的科研和教學(xué)水平。
數據挖掘論文15
摘要：近年來(lái)，數據庫挖掘技術(shù)的普遍應用，使數據價(jià)值實(shí)現最大化，在我國金融、商業(yè)、市場(chǎng)營(yíng)銷(xiāo)等領(lǐng)域得到廣泛應用。然而在我國高校管理中并沒(méi)有得到推廣，為使高校管理系統中的數據充分發(fā)揮應有價(jià)值，在該系統中使用數據庫挖掘技術(shù)意義深遠。本文首先介紹了數據挖掘技術(shù)的流程，然后在教師教學(xué)質(zhì)量評估中應用數據庫挖掘技術(shù)，充分證明數據庫挖掘技術(shù)在高校管理中能發(fā)揮重大作用。
關(guān)鍵詞：管理 決策 數據挖掘技術(shù)
當前，大部分高校都擁有配套的管理系統，該系統具備海量數據儲存和管理功能，徹底告別了手工記錄信息和數據的年代。不但節約了紙張，更有效提高了高校管理數據和信息的效率。然而我國高校沒(méi)有有效利用應用數據挖掘技術(shù)，因此研究數據庫挖掘技術(shù)在高校管理中的應用十分必要。
1數據挖掘技術(shù)的流程
數據挖掘技術(shù)能夠將海量數據展開(kāi)分析和處理，再把整體數據庫中存在規律的數據整合起來(lái)，實(shí)施該技術(shù)主要包括以下五個(gè)環(huán)節。目標定義：該環(huán)節中要與有關(guān)領(lǐng)域的背景知識相結合，清晰、精確的定義出數據挖掘目標。數據準備：在該環(huán)節中要搜集、選取數據源中的數據，處理已選數據，將其轉換為適合數據挖掘的形態(tài)。數據挖掘：該環(huán)節是數據挖掘技術(shù)的核心，即采用關(guān)聯(lián)規則法、分類(lèi)分析法等各種數據挖掘方法把數據中隱藏的知識和規律發(fā)掘出來(lái)。結果表示：在該環(huán)節中可以以用戶(hù)需求為依據，將挖掘出來(lái)的知識和規律轉變?yōu)橛脩?hù)能接受和理解的形態(tài)。知識吸收：該環(huán)節中，主要是把挖掘結果與指定領(lǐng)域中的需求相結合，在該領(lǐng)域中應用發(fā)掘出來(lái)的結果，為決策者提供知識，是數據挖掘的終極目標。
2數據挖掘技術(shù)在教學(xué)質(zhì)量評估中的應用
2。1運用關(guān)聯(lián)規則法挖掘數據庫中的信息
評估老師教學(xué)質(zhì)量不但是評定教學(xué)效果的重要部分，也是評定教師職稱(chēng)的重要根據，因此是高校管理工作中不可或缺的.部分。目前評估教學(xué)質(zhì)量的主要措施是搜集、統計學(xué)生的成績(jì)和以及對老師的評價(jià)，然后加權算出老師的總得分，作為評估該老師教學(xué)質(zhì)量指標。這種方法非但不科學(xué)，其權威性也較低，因此需要深挖數據的相關(guān)性，本文采用了數據挖掘技術(shù)中的關(guān)聯(lián)規法挖掘數據中的規律和知識，為評估老師教學(xué)質(zhì)量提供有力根據。運用關(guān)聯(lián)規則法挖掘數據，其規則方法為“XY，置信度為c%，，支持度為s%”。關(guān)聯(lián)規則中置信度為c%：在整體事件D集合中，如果既能夠符合事件X中擁有c%的需求，也能夠符合Y的要求。那么就用置信度來(lái)表示關(guān)聯(lián)規則的強度，被記錄為confidence（XY），置信度最小值用minConf來(lái)表示，通常置信度最小數值由客戶(hù)提供。關(guān)聯(lián)規則中置信度為s%：在整體事件D集合中，如果既能夠符合事件Y中的s%的需求，又能夠符合X要求。用支持度來(lái)表示關(guān)聯(lián)規則的頻度，把支持度的最小數記錄用minsup（X）來(lái)表示，通常支持度最小數值由客戶(hù)提供。頻繁項集合：當X項集的支持度大于等于用戶(hù)設定好的最小支持度時(shí)，那么頻繁項集是X。通常關(guān)聯(lián)規則包含兩個(gè)環(huán)節：①把全部頻繁項集從整體事件集中選出；②運用頻繁項集產(chǎn)生關(guān)聯(lián)規則。在這兩個(gè)環(huán)節中關(guān)聯(lián)規則效果和性能是否良好取決于第一個(gè)環(huán)節。
2。2關(guān)聯(lián)規則分析在評估教學(xué)質(zhì)量中的運用
第一步是準備數據期，在某大學(xué)的教學(xué)管理系統中將五百條與教學(xué)評價(jià)有關(guān)的記錄從數據庫中隨機抽取，并挑選出老師編號、學(xué)歷、性別、教齡、評估分和職稱(chēng)這六個(gè)屬性，并將相關(guān)數據從數據庫中提取。比如把講師、副教授和教授等職稱(chēng)轉化成11、01、00等編碼，表1就是制定的評價(jià)教師教學(xué)記錄表。第二步采用關(guān)聯(lián)規則分析法把90分以上評價(jià)分數作為檢索目標和判斷標準，也就是將≥90分作為判斷是否是高教學(xué)質(zhì)量闕值。通過(guò)檢索有143條記錄符合標準，即設定最小的支持度為10%，置信度則為15%，得出下表2的關(guān)聯(lián)規則。最后一步評價(jià)本次實(shí)驗的結果。由上表得知，學(xué)生喜歡男老師和女老師的程度大致相同；學(xué)歷愈高的老師，給予他們的教學(xué)評價(jià)也就愈高，即學(xué)歷和教學(xué)評價(jià)成正比，這也說(shuō)明了學(xué)歷高的老師其基本功與學(xué)歷低的老師相比，前者基本功更為穩固，也有較高的科學(xué)研究水平；有較長(cháng)教齡和較高職稱(chēng)的老師，其教學(xué)質(zhì)量也越高；此外，在支持度中可以看出，高校教授和高學(xué)歷人才越多，說(shuō)明其辦學(xué)能力也就越高。
3結語(yǔ)
高校管理系統作為教學(xué)信息化的重要舉措，只是起到搜集和儲存海量教學(xué)信息的作用，并沒(méi)有挖掘出海量數據之間的相關(guān)性，而在本文中把關(guān)聯(lián)規則法運用在教師教學(xué)質(zhì)量評估中，在數據中挖掘有價(jià)值的知識和規律，使評估教師教學(xué)質(zhì)量更具有科學(xué)性，因此在高校管理中全面應用數據挖掘技術(shù)，能為高校深化教學(xué)改革提供新的契機。
參考文獻
[1]江敏，徐艷。數據挖掘技術(shù)在高校教學(xué)管理中的應用[J]。電腦知識與技術(shù)，20xx，（24）：541—545+560。
[2]楊雪霞。數據挖掘技術(shù)在高校圖書(shū)館管理系統中的應用研究[J]。軟件，20xx（04）：16—18。
【數據挖掘論文】相關(guān)文章：
數據挖掘論文07-15
數據挖掘論文07-16
旅游管理下數據挖掘運用論文11-18
旅游管理下數據挖掘運用論文6篇11-18
旅游管理下數據挖掘運用論文(6篇)11-18
旅游管理下數據挖掘運用論文(匯編6篇)11-18
旅游管理下數據挖掘運用論文(集合6篇)11-18
數據挖掘工程師的職責內容02-23
數據挖掘工程師工作的職責01-21