电子商务中数据挖掘方法浅析

５３

《商场现代化》２００８年１２月（上旬刊）总第５５９期

往不能同时签名，那么必然有签字的先后顺序，那么最后签字的一方主营业地（没有主营业地的为经常居住地）为合同签订地。作为合同双方当事人而言，无论是主营业地还是经常居住地往往是与合同纠纷有密切联系的地点。

２．合同履行地的确定

有关合同履行地的确定，我国《合同法》第６１条规定：合同生效后，当事人就质量、价款、或报酬、履行地点等内容没有约定或约定不明确的，可以补充协议；不能达成补充协议的，按照合同有关条款或交易习惯确定；第６２条规定：当事人就有关合同内容约定不明确，按照本法第６１条的规定仍不能确定的，适用下列规定：……履行地点不明确，给付货币的，在接受货币一方所在地履行；交付不动产的，在不动产所在地履行；其他标的，在履行义务一方所在地履行。根据这些规定，网上履行合同的双方当事人也可以约定合同履行地点；若双方当事人对此没有约定或约定不明确的，双方可以补充协议；不能达成补充协议的，按照合同有关条款或交易习惯确定；仍不能确定的，可以根据《合同法》第６２条第３款确定：一方交付信息产品或信息服务，而另一方交付货币的，接受货币一方所在地为履行地；双方均向对方交付信息产品或信息服务的，即存在信息发送地和信息接收地两个地点时，应该确定信息接收地为管辖地。

３．被告住所地的确定

在民事诉讼中之所以采取原告就被告原则，其目的在于，一方面避免被告因原告的诉讼行为而疲于奔波，实现双方当事人权益的平等保护；另一方面也便于法院调查取证，传唤被告，强制执行；并且在一定程度上可以防止原告滥诉，保护被告的利益。在网络合同纠纷案件中虽然交易的双方可能都不使用真实的姓名和地址，这就造成在诉讼中确定被告身份的困难，但是困难并不表明就无法确定被告的身份，根据民事诉讼法第１０８条的规定：起诉必须符合下列条件：（１）原告是与本案有直接利害关系的公民法人其他组织；（２）有明确的被告；（３）有具体的诉讼请求和事实、理由；（４）属于人民法院受理民事诉讼的范围和受诉人民法院管辖。也就是说当事人向法院起诉时　首先要有明确的被告，只要被告的身份确定了，那么被告的住所地的确定就迎刃而解了。

也就是说对被告身份的确认并不是一个法律问题，更多的是技术问题。在进行互联网交易过程中，双方当事人虽然不知道对方真实的住所地，但是可以很直观地知道所交易的网站的ＩＰ地址，众所周知，互联网上的每一台主机都有一个在全球范围内唯一的ＩＰ地址。即使采取虚拟主机或服务器托管的方式也并不影响对ＩＰ地址所对应的当事人的确认。也就是说，ＩＰ地址网址具有相对稳定性，网址存在于网络空间中，其位置是确定的，它的变动要通过网络服务提供商（ＩＳＰ）依照一定程序来进行。因此，我们可以通过网址来确定被告的身份从而确定被告的住所地。

参考文献：

［１］张 楚：电子商务法教程［Ｍ］．清华大学出版社，２００５年版：Ｐ２，Ｐ４

［２］黄 川：民事诉讼管辖研究［Ｍ］．中国法制出版社，２００１年版：Ｐ１２５

［３］顾云峰：网络侵权行为司法管辖权初探（上）［Ｊ］．电工知识产权，２００２，１２：Ｐ３８～４２

一、电子商务和数据挖掘简介

电子商务是指个人或企业通过Ｉｎｔｅｒｎｅｔ网络，采用数字化电子方式进行商务数据交换和开展商务业务活动。目前国内已有网上商情广告、电子票据交换、网上订购，网上银行、网上支付结算等多种类型的电子商务形式。电子商务正以其成本低廉、方便、快捷、安全、可靠、不受时间和空间的限制等突出优点而逐步在全球流行。

数据挖掘（Ｄａｔａ　Ｍｉｎｉｎｇ）是伴随着数据仓库技术的发展而逐步完善起来的。数据挖掘主要是为了帮助商业用户处理大量存在的数据，发现其后隐含的规律性，同时将其模型化，来完成辅助决策的作用。它要求从大量的、不完全的、有噪声的、模糊的和随机的数据中，提取人们事先不知道的但又是潜在有用的信息和知识。数据挖掘的过程有时也叫知识发现的过程。

而电子商务中的数据挖掘即Ｗｅｂ挖掘，是利用数据挖掘技术从ｗｗｗ的资源（即Ｗｅｂ文档）和行为（即Ｗｅ服务）中自动发现并提取感兴趣的、有用的模式和隐含的信息，它是一项综合技术涉及到Ｉｎｔｅｒｎｅｔ技术学、人工智能、计算机语言、信息学、统计学等多个领域。

二、Ｗｅｂ数据挖掘对象的分类

Ｗｅｂ数据有３种类型：ＨＴＭＬ标记的Ｗｅｂ文档数据，Ｗｅｂ文档内连接的结构数据和用户访问数据。按照对应的数据类型，Ｗｅｂ挖掘可以分为３类：

１．Ｗｅｂ内容挖掘：就是从Ｗｅｂ文档或其描述中筛选知识的过程。２．Ｗｅｂ结构挖掘：就是从Ｗｅｂ的组织结构和链接关系中推导知识。它的目的是通过聚类和分析网页的链接，发现网页的结构和有用的模式，找出权威网页。

３．Ｗｅｂ使用记录挖掘：就是指通过挖掘存储在Ｗｅｂ上的访问日志，来发现用户访问Ｗｅｂ页面的模式及潜在客户等信息的过程。

电子商务中

数据挖掘方法浅析

张小刚 塔里木大学信息工程学院

［摘 要］　在电子商务中，数据挖掘有助于发现业务发展的趋势，帮助企业做出正确的决策。本文对目前电子商务中的Ｗｅｂ数据挖掘方法进行了总结，并对电子商务中的Ｗｅｂ数据对象进行了分类，对网络数据挖掘的作用进行了分析，为今后电子商务中实用Ｗｅｂ数据挖掘软件的开发与应用提供了参考。

［关键词］　电子商务 Ｗｅｂ数据挖掘 Ｗｅｂ日志

本文为兵团软科学基金项目，项目编号（２００８ＹＤ３４）

５４

《商场现代化》２００８年１２月（上旬刊）总第５５９期

三、电子商务中数据挖掘的方法

针对电子商务中不同的挖掘目标可以采用不同的数据挖掘方法，数据挖掘的方法有很多，主要包括下面３大类：统计分析或数据分析，知识发现，基于预测模型的挖掘方法等。

１．统计分析。统计分析主要用于检查数据中的数学规律，然后利用统计模型和数学模型来解释这些规律。通常使用的方法有线性分析和非线性分析、连续回归分析和逻辑回归分析、单变量和多变量分析，以及时间序列分析等。统计分析方法有助于查找大量数据间的关系，例如，识别时间序列数据中的模式、异常数据等，帮助选择适用于数据的恰当的统计模型，包括多维表、剖分、排序，同时应生成恰当的图表提供给分析人员，统计功能是通过相应的统计工具来完成回归分析、多变量分析等，数据管理用于查找详细数据，浏览子集，删除冗余等。

２．知识发现。知识发现源于人工智能和机器学习，它利用一种数据搜寻过程，去数据中抽取信息，这些信息表示了数据元素的关系和模式，能够从中发现商业规则和商业事实。利用数据可视化工具和浏览工具有助于开发分析以前挖掘的数据，以进一步增强数据发掘能力。其他数据挖掘方法，如可视化系统可给出带有多变量的图形化分析数据，帮助商业分析人员进行知识发现。

３．预测模型的挖掘方法。预测模型的挖掘方法是将机器学习和人工智能应用于数据挖掘系统。预测模型基于这样一个假设：消费者的消费行为具有一定的重复性和规律性，这使得商家可以通过分析收集存储在数据库中的交易信息，预测消费者的消费行为。按消费者所具有的特定的消费行为将其分类，商家就能将销售工作集中于一部分消费者，即实现针对性销售。

四、Ｗｅｂ挖掘的作用

通过收集、加工和处理涉及消费者消费行为的大量信息。确定特定消费群体或个体的兴趣、消费习惯、消费倾向和消费需求，进而推断出相应消费群体或个体未来的消费行为，然后对所识别出来的消费群体进行特定内容的定向营销，节省成本，提高效率，从而为企业带来更多的利润。

１．优化Ｗｅｂ站点。Ｗｅｂ设计者不再完全依靠专家的定性指导来设计网站，而是根据访问者的信息来设计和修改网站结构和外观。站点上页面内容的安排和链接就如超级市场中物品的摆放一样，把相关联的物品摆放在一起有助于销售。网站管理员也可以按照大多数访问者的浏览模式对网站进行组织，按其所访问内容来裁剪用户与Ｗｅｂ信息空间的交互，尽量为大多数访问者的浏览提供方便。

２．设计个性化网站。强调信息个性化识别客户的喜好，使客户能以自己的方式来访问网站。对某此用户经常访问的地方，有针对性地提供个性化的广告条，以实现个性化的市场服务。

３．留住老顾客。通过Ｗｅｂ挖掘，电子商务的经营者可以获知访问者的个人爱好，更加充分地了解客户的需要。根据每一类（甚

至是每一个）顾客的独特需求提供定制化的产品，有利于提高客户的满意度，最终达到留住客户的目的。

４．挖掘潜在客户。通过分析和探究Ｗｅｂ日志记录中的规律，可以先对已经存在的访问者进行分类。确定分类的关键属性及相互间关系，然后根据其分类的共同属性来识别电子商务潜在的客户，提高对用户服务的质量。

５．延长客户驻留时间。在电子商务中，为了使客户在网站上驻留更长的时间就应该了解客户的浏览行为，知道客户的兴趣及需求所在，及时根据需求动态地向客户做页面推荐，调整Ｗｅｂ页面，提供特有的一些商品信息和广告，以使客户满意。

６．降低运营成本。通过Ｗｅｂ挖掘，公司可以分析顾客的将来行为，进行有针对性的电子商务营销话动，可以根据关心某产品的访问者的浏览模式来决定广告的位置，增加广告针对性，提高广告的投资回报率。可以得到可靠的市场反馈信息，降低公司的运营成本。

７．增强电子商务安全。Ｗｅｂ的内容挖掘还包括挖掘存有客户登记信息的后台交易数据库。客户登记信息在电子商务话动中起着非常重要的作用，特别是在安全方面，或者在对客户可访问信息的限制方面。

８．提高企业竞争力。分析潜在的目标市场，优化电子商务网站的经营模式，根据客户的历史资料不仅可以预测需求趋势，还可以评估需求倾向的改变，有助于提高企业的竞争力。

五、小结

本文介绍了在电子商务中可以被用来进行数据挖掘的数据源，以及可用于电子商务中的基于Ｗｅｂ上的几种数据挖掘技术。将数据挖掘技术应用于电子商务，对这些数据进行挖掘，可以找出这些有价值的“知识”，企业用户可以根据这些“知识”把握客户动态，追踪市场变化，做出正确的针对性的决策，比如改进网站、向各类用户推出个性化的页面，或者向高流失客户群提供优惠政策进行挽留等等。但是在电子商务中进行Ｗｅｂ的数据挖掘时还有很多问题需要解决。例如，如何解决不同国家不同地区存储Ｗｅｂ数据的语义不一致性，如果提供更安全、快捷的服务方面还有很多工作要做。

参考文献：

［１］郝先臣 张德干 尹国成 赵 海：用于电子商务中的数据挖掘技术研究．小型微型计算机系统［Ｊ］．　２００７（７）７８６～７８７

［２］赵焕平等：ＷＥＢ数据挖掘及其在电子商务中的应用．福建电脑［Ｊ］．２００８（１）１６７

［３］石 岩：Ｗｅｂ挖掘技术在电子商务中的应用．科技情报开发与经济［Ｊ］．２００６（７）　２３５～２３６

［４］凌传繁：Ｗｅｂ挖掘技术在电子商务中的应用．情报杂志［Ｊ］．２００６（１）９３～９４

空间数据挖掘工具浅谈_汤海鹏

第28卷第3期2005年6月 测绘与空间地理信息 G E O M A T I C S ＆S P A T I A LI N F O R M A T I O NT E C H N O L O G Y V o l .28,N o .3 J u n .,2005 收稿日期:2004-09-14 基金项目:国家重点基础研究发展规划(973)资助项目(2001C B 309404) 作者简介:汤海鹏(1979-),男,湖南沅江人,本科,主要从事信息化管理和信息化建设等方面的研究。 空间数据挖掘工具浅谈 汤海鹏1 ,毛克彪 2,3 ,覃志豪2,吴　毅 4 (1.公安部出入境管理局技术处,北京100741;2.中国农业科学院自然资源与农业区划研究所农业遥感实验室, 北京100081;3.中国科学院遥感所,北京100101;4.黑龙江乌苏里江制药有限公司,黑龙江哈尔滨150060) 摘要:数据挖掘是一个利用各种分析工具在海量数据中发现模型和数据间关系的过程,这些模型和关系可以 用来做出预测。空间数据挖掘有十分广阔的应用范围和市场前景,目前已出现大量的数据挖掘工具用于企业决策、科学分析等各个领域。文中对2个数据挖掘工具进行讨论,介绍它们的功能、所使用的技术以及如何使用它们来进行数据挖掘。 关键词:数据挖掘;空间数据挖掘;数据立方体;知识库引擎 中图分类号:P 208 文献标识码:A 文章编号:1672-5867(2005)03-0004-02 AS u r v e y o f D a t a Mi n i n g T o o l s T A N GH a i -p e n g 1 ,M A OK e -b i a o 2,3 ,Q I NZ h i -h a o 2 ,W UY i 4 (1.B u r e a uo f E x i t a n dE n t r y A d m i n i s t r a t i o n ,M i n i s t r y o f P u b l i c S e c u r i t y ,B e i j i n g 100741,C h i n a ;2.T h e K e y L a b o r a t o r y o f R e m o t e S e n s i n g a n d D i g i t a l A g r i c u l t u r e ,C h i n a A c a d e m y o f A g r i c u l t u r e R e m o t e S e n s i n g L a b o r a t o r y ,B e i j i n g 100081,C h i n a ; 3.I n s t i t u t eo f R e m o t e S e n s i n g A p p l i c a t i o n s ,C h i n e s e A c a d e m y o f S c i e n c e s ,B e i j i n g 100101,C h i n a ; 4.H e i l o n g j i a n g Wu s u l i j i a n g P h a r m a c e u t i c a l C o .L t d .,H a r b i n 150060,C h i n a ) A b s t r a c t : B e c a u s e o f c o m m e r c i a l d e m a n d s a n dr e s e a r c hi n t e r e s t ,a l l k i n d s o f s p a t i a l d a t a m i n i n g s o f t w a r e t o o l s e m e r g e .I n o r d e r t o g e t u s e o f t h e d a t a m i n i n g t o o l s ,t w o o f t h e ma r e i n t r o d u c e d i n t h i s p a p e r a n d m a k e p r o s p e c t o f i n t e g r a t i o n o f G I S ,R S ,G P S a n d d a t a m i n -i n g .K e yw o r d s :d a t a m i n i n g ;s p a t i a l d a t a m i n i n g ;d a t a c u b e ;d a t a b a s e e n g i n e 0　引　言 随着数据获取手段(特别是对地观测技术)及数据库 技术的快速发展,科研机构、政府部门在过去的若干年里都积累了大量的数据,而且,目前这些数据仍保持迅猛的增长势头。如此大量的数据已远远超过传统的人工处理能力,怎样从大量数据中自动、快速、有效地提取模式和发现知识显得越来越重要。数据挖掘与知识发现作为一个新的研究领域和新的技术正方兴未艾,用于从巨量数据中获取有效的、新颖的、潜在有用的、最终可理解的模式[1～2],很好地满足了海量数据处理的需要。 具体应用中,数据挖掘工具很多。它们在功能和方法等方面差别很大。如何选择适合具体挖掘需求的工具,是进行挖掘工作必须考察的前提。选择某一工具时,应考虑数据类型,主要是考察工具能处理的数据:①关系 数据库的数据。包括数据仓库数据、文本文档、空间数据、 多媒体数据、W e b 数据等;②功能和方法。数据挖掘功能是数据挖掘工具(或系统)的核心,一些数据挖掘工具仅提供一种功能(如分类),另一些工具可能支持另外的挖掘功能(如描述、关联、分类、预测和聚类等);③其他考虑的方面如:系统问题、数据源、可伸缩性、可视化、数据挖掘查询语言和图形用户接口、工具和数据库或数据仓库系统等。 在众多的数据中,有近80%的数据可以通过空间关系表达。现在,通过卫星扫描地球,每天都能获得大量的关于地表的遥感图像。要从大量的数据中判读出每一个图片所潜藏的信息,就必然要用到数据挖掘技术。本文将通过介绍专业的航空遥感图像处理系统E r d a s 和D B -M i n e r 来阐述处理空间数据和关系数据的这一过程及这2种软件的特点。

数据挖掘技术在电子商务中的应用

数据挖掘技术在电子商务中的应用 学院 专业 研究方向 学生姓名 学号 任课教师姓名 任课教师职称 2013年6月20日

数据挖掘技术在电子商务中的应用 摘要：电子商务在现代商务活动中的作用正变得日趋重要，电子商务的广泛应用使企 业产生了大量的业务数据，按企业既定业务目标对这些数据进行数据挖掘可以帮助企业 分析出完成任务所需的关键因素。由此凸显出数据挖掘的重要。本文讨论了数据挖掘的 主要方法，具体阐述了数据挖掘技术在电子商务中的作用及应用。 关键词：数据挖掘；电子商务；路径分析；关联分析 1. 引言 随着Internet 的普及，电子商务的兴起，人们的商务理念正在改变，在人们访问、浏览、交易,电子商务企业更新产品信息的同时, Web网上产生了大量的数据，这些数据充斥着网络，充斥着电子商务企业，充斥着客户。企业只有从海量的数据中挖掘出有价值的信息，为顾客提供更好的服务，才能吸引顾客和挽留顾客，提高自己的效益。如何更快、更好地利用各种有效的数据更好地开展电子商务，这是目前电子商务急需解决的问题。 2.电子商务和数据挖掘简介 2.1 电子商务 电子商务是指个人或企业通过Internet网络，采用数字化电子方式进行商务数据交换和开展商务业务活动。目前国内已有网上商情广告、电子票据交换、网上订购，网上、网上支付结算等多种类型的电子商务形式。电子商务正以其低廉、方便、快捷、安全、可靠、不受时间和空间的限制等突出优点而逐步在全球流行。电子商务是指以Internet网络为载体、利用数字化电子方式开展的商务活动。随着网络技术和数据库技术的飞速发展，电子商务正显示越来越强大的生命力。电子商务的发展促使公司内部收集了大量的数据，并且迫切需要将这些数据转换成有用的信息和知识，为公司创造更多潜在的利润。利用数据挖掘技术可以有效地帮助企业分析从网上获取的大量数据，发现隐藏在其后的规律性，提取出有效信息，进而指导企业调整营销策略，给客户提供动态的个性化的高效率服务。 2.2 数据挖掘技术 数据挖掘(Data Mining)，又称数据库中的知识发现(Knowledge Discovery in Database, KDD)，是从大量的、不完全的、有噪声的、模糊的和随机的数据中，提取隐含在其中的、人们事先不知道的，但又是潜在有用的信息和知识的过程。数据挖掘是一门广义的交叉学科，它汇聚了不同领域尤其是数据库、人工智能、数理统计、可视化、并行计算等方面的知识。数据挖掘技术从一开始就是面向应用领域，它不仅是面向特定数据库的简单检索查询调用，而且，要对数据进行微观、中观乃至宏观的统计、分析、综合和推理，以指定实际问题的求解，企图发现事件间的相互关联，甚至利用已有的数据对未来的活动进行预测。数据挖掘技术在金融、保险、电信、大型超市等积累有大量数据的电子商务行业有着广泛的应用，如信用分析、风险分析、欺诈检验、用户聚类分析、消费者习惯分析等。[1] 而电子商务中的数据挖掘即Web挖掘，是利用数据挖掘技术从www的资源（即Web 文档）和行为（即We服务）中自动发现并提取感兴趣的、有用的模式和隐含的信息，它是

中国平安保险电子商务案例分析报告

传统与新兴的融合——平安保险电子商务之路摘要： 本案例分析分三部分展开对中国平安保险有限公司电子商务的研究，第一部分介绍平安保险的概况和开展电子商务的背景，第二部分具体介绍平安保险的电子商务模式，第三部分从三个角度对平安保险的案例进行评析，包括开展电子商务的益处，存在的问题及启示。关键词：保险电子商务，流程模式，KPI管理，BCC,CRM 一、平安保险概况和开展电子商务的背景 1.1概况 ?中国平安保险(集团)股份有限公司是中国第一家以保险为核心的，融证券、信托、银行、资产管理、企业年金等多元金融业务为一体的紧密、高效、多元的综合金融服务集团。是中国第一家股份制保险公司，也是中国第一家有外资参股的全国性保险公司。公司成立于1988年，总部位于深圳。2003年2月，经国务院批准，公司完成分业重组，更名为现名。经营理念“差异、专业、领先、长远”。 1.2公司历程 ?1988年3月21日成为我国第一家股份制、地方性的保险企业 ?1992年9月29日平安保险公司更名为中国平安保险公司 ?1995年实行了产险、寿险、证券、投资四大业务的统一管理、分业经营。总公司成立电脑工作委员会

?1996年平安信托投资公司和中国平安保险海外公司成立 ?1998年麦肯锡改革方案全面推出 ?1998年10月中旬，中国第一家全国性电话咨询中心—平安Call Center 项目将全面提升平安服务、销售和信息管理的手段和水平。同时电子商务项目也开始起步?2000年平安3A客户服务体系初步建成。7月18日，平安全国电话中心95511在苏州开通，并力争三年内建成亚洲最大的企业电话中心；8月18日，一站式综合理财网站PA18正式启用，平安大步进入电子商务 ?2002年6月27日引进礼贤业务员甄选系统（LASS系统） ?2003年更名为中国平安保险股份有限公司。国内首次实现特服号码海外直拨 ?2004年11月10日平安人寿行销支援管理系统正式投入使用 ?2006年8月成功收购深圳商业银行89.24％股权，取得一张全国性的中资银行牌照。 ?2007年，在上海证券交易所挂牌上市，证券简称为“中国平安” ?2008年，发布公告，公开发行不超过12亿股的A股和412亿元分离交易可转债，其融资总额将近1600亿元。 1.3开展电子商务的背景 ?开展电子商务的必然性： 1.我国加入WTO，由“保险+电子商务”组成的服务则是国内保险公司与国外保险公司竞争的有力武器。 2.随着网络的普及，通过网络对保险业的需求业迅速增长

Web数据挖掘在电子商务中的应用

结课论文 课程名称：数据仓库与数据挖掘 授课教师：徐维祥 论文题目：Web数据挖掘在电子商务中的应用学生姓名：王琛 学号：13120975 北京交通大学 2014年9月

Web 数据挖掘在电子商务中的应用 摘要：大数据时代已然来临，在各种信息数据都呈现出爆炸式增长的今天，不同规模的电商都在奋力追赶“大数据”发展的速率和步伐。一个全新的以信息为中心，以洞察力为导向的电商生存环境已经出现，而智慧的分析能力成为在该环境下成功的关键，以大数据为导向的效率提升，客户需求快速响应，风险把控和商业模式优化，都将成为提高商业流转速率的利器，数据挖掘和分析领域技术型、产品型的创业公司将有可能成为全新的创业机会和投资热点。数据挖掘在电子商务的发展中占有越来越重要的作用，本文重点论述Web 数据挖掘在电子商务的相关应用。 关键字：Web 数据挖掘，电子商务，内容挖掘 随着Internet 的快速发展，互联网上的各种信息飞速增长，电子商务已经成为当代经济不可或缺的重要组成部分。面对电子商务网站产生的海量信息和数据，通过Web 数据挖掘技术可以从这个庞大的信息数据集合中提取有用的信息，找到提供数据管理和使用的平台；可以合理的组织网站建设，更加人性化的给用户提供服务；可以从无限量的网络信息中迅速找到用户最为需求的信息，从而更好的有针对性的销售自己的产品。电子商务中的Web 数据挖掘，主要是从其中挖掘出有效的、新颖的、有价值的，潜在的有用的市场信息，从而进行正确的商业决策。 1 概述 1.1Web 数据挖掘技术 Web 数据挖掘技术是随着电子商务的发展应运而生的技术，是指从海量的Web 信息仓库中进行浏览的相关数据中发现潜在有用的、隐含的模式或关联信息。Web 数据挖掘技术在电子商务中有广泛的应用，能对客户的访问方式、订单详情等进行挖掘，获取其购买行为特点，跟踪发现用户的访问习惯，以此来改进网页设计机构，实现智能化、个性化的用户界面。1 1.2Web 数据挖掘的分类 Web 挖掘通常基于Web 数据类型的分类进行划分。Web 数据类型主要包含三种：一类 1

中国平安保险电子商务案例分析报告

传统与新兴的融合——平安保险电子商务之路 摘要： 本案例分析分三部分展开对中国平安保险有限公司电子商务的研究，第一部分介绍平安保险的概况和开展电子商务的背景，第二部分具体介绍平安保险的电子商务模式，第三部分从三个角度对平安保险的案例进行评析，包括开展电子商务的益处，存在的问题及启示。 关键词：保险电子商务，流程模式，KPI管理，BCC,CRM 一、平安保险概况和开展电子商务的背景 1.1概况 中国平安保险(集团)股份有限公司是中国第一家以保险为核心的，融证券、信托、银行、资产管理、企业年金等多元金融业务为一体的紧密、高效、多元的综合金融 服务集团。是中国第一家股份制保险公司，也是中国第一家有外资参股的全国性保 险公司。公司成立于1988年，总部位于深圳。2003年2月，经国务院批准，公司 完成分业重组，更名为现名。经营理念“差异、专业、领先、长远”。 1.2公司历程 1988年3月21日成为我国第一家股份制、地方性的保险企业 1992年9月29日平安保险公司更名为中国平安保险公司 1995年实行了产险、寿险、证券、投资四大业务的统一管理、分业经营。总公司成立电脑工作委员会 1996年平安信托投资公司和中国平安保险海外公司成立 1998年麦肯锡改革方案全面推出 1998年10月中旬，中国第一家全国性电话咨询中心—平安Call Center 项目将全面提升平安服务、销售和信息管理的手段和水平。同时电子商务项目也开始起步 2000年平安3A客户服务体系初步建成。7月18日，平安全国电话中心95511在苏州开通，并力争三年内建成亚洲最大的企业电话中心；8月18日，一站式综合理财网站PA18正式启用，平安大步进入电子商务 2002年6月27日引进礼贤业务员甄选系统（LASS系统） 2003年更名为中国平安保险股份有限公司。国内首次实现特服号码海外直拨 2004年11月10日平安人寿行销支援管理系统正式投入使用 2006年8月成功收购深圳商业银行89.24％股权，取得一张全国性的中资银行牌照。 2007年，在上海证券交易所挂牌上市，证券简称为“中国平安” 2008年，发布公告，公开发行不超过12亿股的A股和412亿元分离交易可转债，

大数据时代的空间数据挖掘综述

第37卷第7期测绘与空间地理信息 GEOMATICS ＆SPATIAL INFOＲMATION TECHNOLOGY Vol．37，No．7收稿日期：2014－01－22 作者简介：马宏斌（1982－），男，甘肃天水人，作战环境学专业博士研究生，主要研究方向为地理空间信息服务。 大数据时代的空间数据挖掘综述 马宏斌1 ，王 柯1，马团学 2（1．信息工程大学地理空间信息学院，河南郑州450000；2．空降兵研究所，湖北孝感432000） 摘 要：随着大数据时代的到来，数据挖掘技术再度受到人们关注。本文回顾了传统空间数据挖掘面临的问题， 介绍了国内外研究中利用大数据处理工具和云计算技术，在空间数据的存储、管理和挖掘算法等方面的做法，并指出了该类研究存在的不足。最后，探讨了空间数据挖掘的发展趋势。关键词：大数据；空间数据挖掘；云计算中图分类号：P208 文献标识码：B 文章编号：1672－5867（2014）07－0019－04 Spatial Data Mining Big Data Era Ｒeview MA Hong －bin 1，WANG Ke 1，MA Tuan －xue 2 （1．Geospatial Information Institute ，Information Engineering University ，Zhengzhou 450000，China ； 2．Airborne Institute ，Xiaogan 432000，China ） Abstract ：In the era of Big Data ，more and more researchers begin to show interest in data mining techniques again．The paper review most unresolved problems left by traditional spatial data mining at first．And ，some progress made by researches using Big Data and Cloud Computing technology is introduced．Also ，their drawbacks are mentioned．Finally ，future trend of spatial data mining is dis-cussed． Key words ：big data ；spatial data mining ；cloud computing 0引言 随着地理空间信息技术的飞速发展，获取数据的手 段和途径都得到极大丰富，传感器的精度得到提高和时空覆盖范围得以扩大，数据量也随之激增。用于采集空间数据的可能是雷达、红外、光电、卫星、多光谱仪、数码相机、成像光谱仪、全站仪、天文望远镜、电视摄像、电子 显微镜、CT 成像等各种宏观与微观传感器或设备，也可能是常规的野外测量、人口普查、土地资源调查、地图扫描、 地图数字化、统计图表等空间数据获取手段，还可能是来自计算机、 网络、GPS ，ＲS 和GIS 等技术应用和分析空间数据。特别是近些年来，个人使用的、携带的各种传感器（重力感应器、电子罗盘、三轴陀螺仪、光线距离感应器、温度传感器、红外线传感器等），具备定位功能电子设备的普及，如智能手机、平板电脑、可穿戴设备（GOOGLE GLASS 和智能手表等），使人们在日常生活中产生了大量具有位置信息的数据。随着志愿者地理信息（Volunteer Geographic Information ）的出现，使这些普通民众也加入到了提供数据者的行列。 以上各种获取手段和途径的汇集，就使每天获取的 数据增长量达到GB 级、 TB 级乃至PB 级。如中国遥感卫星地面站现在保存的对地观测卫星数据资料达260TB ，并以每年15TB 的数据量增长。比如2011年退役的Landsat5卫星在其29年的在轨工作期间，平均每年获取8．6万景影像，每天获取67GB 的观测数据。而2012年发射的资源三号（ZY3）卫星，每天的观测数据获取量可以达到10TB 以上。类似的传感器现在已经大量部署在卫 星、 飞机等飞行平台上，未来10年，全球天空、地空间部署的百万计传感器每天获取的观测数据将超过10PB 。这预示着一个时代的到来，那就是大数据时代。大数据具有 “4V ”特性，即数据体量大（Volume ）、数据来源和类型繁多（Variety ）、数据的真实性难以保证（Veracity ）、数据增加和变化的速度快（Velocity ）。对地观测的系统如图1所示。 在这些数据中，与空间位置相关的数据占了绝大多数。传统的空间知识发现的科研模式在大数据情境下已经不再适用，原因是传统的科研模型不具有普适性且支持的数据量受限， 受到数据传输、存储及时效性需求的制约等。为了从存储在分布方式、虚拟化的数据中心获取信息或知识，这就需要利用强有力的数据分析工具来将

数据挖掘在电子商务上的应用

数据挖掘在电子商务中的应用 学号： 姓名： 班级： 摘要：随着数据挖掘技术的发展和电子商务的普及，将数据挖掘技术应用到电子商务中可 以解决电子商务中数据量庞大的问题，从而获得真正有价值的信息。通过分析电子商务应用数据挖掘的必要性和可行性, 概述数据挖掘的一些挖掘技术, 重点介绍了数据挖掘在电子商务中的实际应用, 包括营销、电子商务系统规划和系统安全、客户关系管理以及网络广告方面的应用。 关键词：数据挖掘技术；电子商务；客户关系管理 引言：电子商务是网络时代的一种全新的商务模式，其由于Internet的迅速普及和发展而 引起了越来越多的学者关注，研究人员希望充分发挥电子商务优势，从而获取更大的经济效益。在电子商务中采用数据挖掘的方法和思想，帮助电子商务网站把真正有价值的知识从海量的信息提取出来，从而更好地为电子商务网站的客户提供更方便的服务以及指导企业决策已经成为了当前研究的热点。数据挖掘是一种全新的信息技术，其是伴随着数据库技术的发展而出现的，其融合了统计学、人工智能以及数据库等众多学科内容，借助从大量的数据中挖掘出未知、有用和有效的信息，从而更好地为电子商务网站服务。随着计算机技术、因特网技术、通讯技术的发展推动着电子商务的迅速发展，电子商务过程产生大量的电子数据，通过运用数据挖掘技术可以发现和提取这些信息中隐含的未知的有价值的信息，形成知识。如何对这些数据进行分析和挖掘，以充分了解客户的喜好、购买模式，甚至是客户一时的冲动，进而设计出满足于不同客户群体需要的个性化网站，增加自己的竞争力，似乎已变得势在必行。若想在竞争中生存和获胜，你就得比你的竞争对手更了解客户。数据挖掘是从大量的数据中自动地抽取潜在的、有价值的知识、模型或规则的过程。在网络时代，数据挖掘技术当然也自然而然地被应用到对电子商务网站的海量数据进行分析和处理中来。在对电子商务网站进行数据挖掘时，所需要的数据主要来自两个方面: 一是客户的背景信息。这部分信息主要来自客户的登记表; 二是浏览者的点击流。这部分数据主要用于考察客户的行为表现。但是，有时客户对自己的背景信息十分珍重，不肯把这部分信息填写在登记表上，这就会给数据分析和挖掘带来不便。在这种情况之下，就不得不从浏览者的表现数据中来推测客户的背景信息，进而再加以利用。 一、数据挖掘在电子商务中应用的必要性和可行性 电子商务就是采用数字化电子方式进行商务数据交换和开展商务业务活动。电子商务由于应用了计算机网络技术，特别是因特网之后，以其本身的优势对传统的商务活动产生巨大的冲击。具体的优势主要有： ( 1) 服务不受时间的限制，一般可以实现的商务活动。( 2) 能实现全球的资源共享，特别B2B 的电子商务模式的发展，使得在全球采购原材料和全球销售变得更加简单和方便。( 3) 大大降低了成本。首先可以免去高昂的房租，可减去旅行费用，

电子商务专业人才需求调研报告

电子商务专业人才需求调研报告 中国电子商务专业教育可以追溯到1998年，从西安交通大学的“2+2”和汕头大学在第4年级培养电子商务方向本科生“3+1”的模式开始。在过去的10多年里，其发展历程经历了尝试期、规范期和蓬勃发展期三个阶段。随着2015年3月5日上午十二届全国人大三次会议上，李克强总理在政府工作报告中首次提出“互联网+”行动计划。“互联网+”已经提升为国家战略，而这个行动计划中电子商务则扮演了及其重要的角色，在新形势和新需求下对电商专业人才的培养提出了新的要求。南华电子商务专业立足于电商行业发展的最新前沿城市广州，这里有适合电商发展的最好土壤，培养适合于广东省本土需求的电子商务专业人才成为南华电商专业最为重要的责任。通过对本专业对应的职业岗位的人才需求状况调查，使我院电子商务专业人才培养的目标和规格凸显职业教育的针对性、实践性和先进性，实现与用人单位需求的对接。通过对本专业对应的职业岗位的人才需求状况调查，找出电子商务专业人才培养模式构建中应注意的关键问题和教学体系设计的思路，确立专业建设和发展的方向，把我电子商务专业建设成为广东省重点专业。通过对本专业对应的职业岗位的人才需求状况调查，研究分析高职电子商务专业人才的培养规格、能力与素质结构，确定专业培养目标，优化课程体系和教学内容。 一、电子商务行业现状及其发展趋势 电子商务作为现代服务业中的重要产业，有“朝阳产业、绿色产业”之称，具有“三高”、“三新”的特点。“三高”即高人力资本含量、高技术含量和高附加价值；“三新”是指新技术、新业态、新方式。人流、物流、资金流、信息流“四流合一”是对电子商务核心价值链的概括。近年来，电子商务快速发展，已经成为中国重要的社会经济形式和现代流通方式，广泛深入地渗透到生产、流通、

数据挖掘中的软计算方法及应用综述

摘要文章对数据挖掘中软计算方法及应用作了综述。对模糊逻辑、遗传算法、神经网络、粗集等软计算方法，以及它们的混合算法的特点进行了分析，并对它们在数据挖掘中的应用进行了分类。 关键词数据挖掘；软计算；模糊逻辑；遗传算法；神经网络；粗集 1 引言 在过去的数十年中，随着计算机软件和硬件的发展，我们产生和收集数据的能力已经迅速提高。许多领域的大量数据集中或分布的存储在数据库中[1][2]，这些领域包括商业、金融投资业、生产制造业、医疗卫生、科学研究，以及全球信息系统的万维网。数据存储量的增长速度是惊人的。大量的、未加工的数据很难直接产生效益。这些数据的真正价值在于从中找出有用的信息以供决策支持。在许多领域，数据分析都采用传统的手工处理方法。一些分析软件在统计技术的帮助下可将数据汇总，并生成报表。随着数据量和多维数据的进一步增加，高达109的数据库和103的多维数据库已越来越普遍。没有强有力的工具，理解它们已经远远超出了人的能力。所有这些显示我们需要智能的数据分析工具，从大量的数据中发现有用的知识。数据挖掘技术应运而生。 数据挖掘就是指从数据库中发现知识的过程。包括存储和处理数据，选择处理大量数据集的算法、解释结果、使结果可视化。整个过程中支持人机交互的模式[3]。数据挖掘从许多交叉学科中得到发展，并有很好的前景。这些学科包括数据库技术、机器学习、人工智能、模式识别、统计学、模糊推理、专家系统、数据可视化、空间数据分析和高性能计算等。数据挖掘综合以上领域的理论、算法和方法，已成功应用在超市、金融、银行[4]、生产企业 [5]和电信，并有很好的表现。 软计算是能够处理现实环境中一种或多种复杂信息的方法集合。软计算的指导原则是开发利用那些不精确性、不确定性和部分真实数据的容忍技术，以获得易处理、鲁棒性好、低求解成本和更好地与实际融合的性能。通常，软计算试图寻找对精确的或不精确表述问题的近似解[6]。它是创建计算智能系统的有效工具。软计算包括模糊集、神经网络、遗传算法和粗集理论。 2 数据挖掘中的软计算方法 目前，已有多种软计算方法被应用于数据挖掘系统中，来处理一些具有挑战性的问题。软计算方法主要包括模糊逻辑、神经网络、遗传算法和粗糙集等。这些方法各具优势，它们是互补的而非竞争的，与传统的数据分析技术相比，它能使系统更加智能化，有更好的可理解性，且成本更低。下面主要对各种软计算方法及其混合算法做系统性的阐述，并着重强调它们在数据挖掘中的应用情况。 2.1 模糊逻辑 模糊逻辑是1965年由泽德引入的，它为处理不确定和不精确的问题提供了一种数学工具。模糊逻辑是最早、应用最广泛的软计算方法，模糊集技术在数据挖掘领域也占有重要地位。从数据库中挖掘知识主要考虑的是发现有兴趣的模式并以简洁、可理解的方式描述出来。模糊集可以对系统中的数据进行约简和过滤，提供了在高抽象层处理的便利。同时，数据挖掘中的数据分析经常面对多种类型的数据，即符号数据和数字数据。nauck[7]研究了新的算法，可以从同时包含符号数据和数字数据中生成混合模糊规则。数据挖掘中模糊逻辑主要应用于以下几个方面： （1）聚类。将物理或抽象对象的集合分组成为由类似的对象组成的多个类的过程被称为聚类。聚类分析是一种重要的人类行为，通过聚类，人能够识别密集的和稀疏的区域，因而发现全局的分布模式，以及数据属性之间有趣的关系。模糊集有很强的搜索能力，它对发现的结构感兴趣，这会帮助发现定性或半定性数据的依赖度。在数据挖掘中，这种能力可以帮助

web数据挖掘在电子商务中的应用研究

电子商务是利用计算机技术、网络技术和远程通信技术，实现整个商务(买卖)过程中的电子化、数字化和网络化。在全球X围内，基于Internet的电子商务迅猛发展，促使各企业经营者必须及时搜集大量的数据，并且将这些数据转换成有用的信息，为企业创造更多潜在的利润。利用Web数据挖掘技术可以有效地帮助企业分析从网上获取的大量数据，提取出有效信息，进而指导企业调整营销策略，给客户提供动态的个性化的高效率服务。同时Internet是一个巨大、分布广

泛、全球性的信息资源储备库。随着上网人数的急剧增加，电子商务的蓬勃发展，各种基于互联网的商业Web站点也面临越来越激烈的竞争。Web包含了丰富和动态的超信息，以及Web页面的访问和使用信息，这也为数据挖掘提供了大量丰富的资源。[1][2] Web数据挖掘(Web Data Mining)是利用数据挖掘从Web文档及Web服务中自动发现并提取用户感兴趣的、潜在的、有用的模式和隐藏信息。Web数据挖掘的主要目标就是从Web的访问记录中抽取用户感兴趣的模式，服务器中的访问日志，记录了关于用户访问和交互的信息，通过Web数据挖掘，就可以根据用户的访问兴趣、访问频度、访问时间动态地调整页面结构，改进服务，开展有针对性的电子商务活动，以更好地满足客户的需求。 3 Web挖掘的过程和方法 3.1 Web挖掘的过程 电子商务中的Web挖掘过程一般由3个主要阶段组成：数据准备、挖掘操作、结果表达和解释。

(1)数据准备：这个阶段又可分成3个子步骤：数据集成、数据选择、数据预处理。数据集成将多文件或多数据库运行环境中的数据进行合并处理，解决语义模糊准备，这个阶段又可分成为处理数据中的遗漏等。数据选择的目的是辨别出需要分析的数据集合，缩小处理X围，提高数据挖掘的质量。预处理是为了克服数据挖掘工具的局限性。 (2)数据挖掘：这个阶段进行实际的挖掘操作，包括的要点有：决定如何产生假设；选择合适的工具；发掘知识的操作；证实发现的知识。 （3）结果表述和解释：根据最终用户的决策目的对提取的信息进行分析，把最有价值的信息区分开来，并且通过决策支持工具提交给决策者。因此，这一步骤的任务不仅是把结果表达出来，还要对信息进行过滤处理，如果不能令决策者满意，需要重复上述过程。 3.2 Web数据挖掘的方法 (1)协同过滤：协同过滤技术采用最近邻技术，利用客户的历史、喜好信息计算用户之间的距离，目标客户对特点商品的喜好程度由最近邻居对商品的评价的加权平均值来计算。 (2)关联规则：关联规则是寻找在同一个事件中出现的不同项的相关性，用数学模型来描述关联规则发现的问题：x=>y的蕴含式，其中x,y为属性——值对集(或称为项目集)，且X∩Y空集。在数据库中若S%的包含属性——值对集X的事务也包含属性——值集Y，则关联规则X=>Y的置信度为C%。 (3)Web日志的聚类算法：聚类分析是把具有相似特征的用户或数据项归类,在管理中通过聚类具有相似浏览行为的用户。基于模糊理论的Web页面聚类算法与客户群体聚类算法的模糊聚类定义相同，客户访问情况可用URL(Uj)表示。

可视化空间数据挖掘研究综述

可视化空间数据挖掘研究综述 贾泽露1，2 刘耀林2 （1. 河南理工大学测绘与国土信息工程学院，焦作，454000；2. 武汉大学资源与环境科学学院，武汉，430079）摘要：空间数据挖掘针对的是更具有可视化要求的地理空间数据的知识发现过程，可视化能提供同用户对空间目标心理认知过程相适应的信息表现和分析环境，可视化与空间数据挖掘的结合是该领域研究发展的必然，并已成为一个研究热点。论文综述了空间数据挖掘和可视化的研究现状，重点阐述了空间数据挖掘中的可视化化技术及其应用，并对可视化空间数据挖掘的发展趋势进行了阐述。 关键词：数据挖掘；空间数据挖掘；数据可视化；信息可视化；GIS； 空间信息获取技术的飞速发展和各种应用的广泛深入，多分辨率、多时态空间信息大量涌现，以及与之紧密相关的非空间数据的日益丰富，对海量空间信息的综合应用和处理技术提出了新的挑战，要求越来越高。空间数据挖掘技术作为一种高效处理海量地学空间数据、提高地学分析自动化和智能化水平、解决地学领域“数据爆炸、知识贫乏”问题的有效手段，已发展成为空间信息处理的关键技术。然而，传统数据挖掘“黑箱”作业过程使得用户只能被动地接受挖掘结果。可视化技术能为数据挖掘提供直观的数据输入、输出和挖掘过程的交互探索分析手段，提供在人的感知力、洞察力、判断力参与下的数据挖掘手段，从而大大地弥补了传统数据挖掘过程“黑箱”作业的缺点，同时也大大弥补了GIS重“显示数据对象”轻“刻画信息结构”的弱点，有力地提高空间数据挖掘进程的效率和结果的可信度[1]。空间数据挖掘中可视化技术已由数据的空间展现逐步发展成为表现数据内在复杂结构、关系和规律的技术，由静态空间关系的可视化发展到表示系统演变过程的可视化。可视化方法不仅用于数据的理解，而且用于空间知识的呈现。可视化与空间数据挖掘的结合己成为必然，并已形成了当前空间数据挖掘1与知识发现的一个新的研究热点——可视化空间数据挖掘(Visual Spatial Data Mining，VSDM)。VSDM技术将打破传统数据挖掘算法的“封闭性”，充分利用各式各样的数据可视化技术，以一种完全开放、互动的方式支持用户结合自身专业背景参与到数据挖掘的全过程中，从而提高数据挖掘的有效性和可靠性。本文将对空间数据挖掘、可视化的研究概况，以及可视化在空间数据挖掘中的应用进行概括性回顾总结，并对未来发展趋势进行探讨。 一、空间数据挖掘研究概述 1.1 空间数据挖掘的诞生及发展 1989年8月，在美国底特律市召开的第一届国际联合人工智能学术会议上，从事数据库、人工智能、数理统计和可视化等技术的学者们，首次出现了从数据库中发现知识(knowledge discovery in database，KDD)的概念，标志着数据挖掘技术的诞生[1]。此时的数据挖掘针对的 作者1简介：贾泽露（1977,6－），男，土家族，湖北巴东人，讲师，博士，主要从事空间数据挖掘、可视化、土地信息系统智能化及GIS理论、方法与应用的研究和教学工作。 作者2简介：刘耀林(1960,9- ),男，汉族，湖北黄冈人，教授，博士，博士生导师，武汉大学资源与环境科学学院院长，现从事地理信息系统的理论、方法和应用研究和教学工作。

小议电子商务中准确利用数据挖掘科技.pdf

1电子商务介绍 随着网络技术和数据库技术的成熟，全球传统商务正经历一次重大变革，向电子商务全速挺进。这种商业电子化的趋势不仅为客户提供了便利的交易方式和广泛的选择，同时也为商家提供了更加深入地了解客户需求信息和购物行为特征的可能性。数据挖掘技术作为电子商务的重要应用技术之一，将为正确的商业决策提供强有力的支持和可靠的保证，是电子商务不可缺少的重要工具。 电子商务的发展促使公司内部收集了大量的数据，并且迫切需要将这些数据转换成有用的信息和知识，为公司创造更多潜在的利润，数据挖掘概念就是从这样的商业角度开发出来的。数据挖掘涉及的学科领域和方法很多，其核心技术历经了数十年的发展，其中包括统计、近邻、聚类、决策树、神经网络和规则等。今天，这些成熟的技术在电子商务中已进入了实用阶段，并取得了良好的效果。但数据挖掘作为一个新兴领域，在实际应用当中仍存在许多尚未解决的问题。其中最困难的往往在于决定什么时候采用哪种数据挖掘技术。为了对数据挖掘技术进行明智的选择，本文结合数据挖掘技术在电子商务中的应用，从挖掘任务和数据信息两个角度进行分析，指出各种数据挖掘技术适用的场合，以便开发出切实可用的数据挖掘系统。 2数据挖掘的概念及其在电子商务中的应用 2.1数据挖掘的概念 数据挖掘是通过挖掘数据仓库中存储的大量数据，从中发现有意义的新的关联模式和趋势的过程。从商业的角度定义，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、分析和其它模型化处理，从中提取辅助商业决策的关键性数据。数据挖掘最吸引人的地方是它能建立预测模型而不是回顾型的模型。利用功能强大的数据挖掘技术，可以使企业把数据转化为有用的信息帮助决策，从而在市场竞争中获得优势地位。 2.2数据挖掘在电子商务中的应用 由于数据挖掘能带来显著的经济效益，它在电子商务中（特别是金融业、零售业和电信业）应用也越来越广泛。 在金融领域，管理者可以通过对客户偿还能力以及信用的分析，进行分类，评出等级。从而可减少放贷的麻木性，提高资金的使用效率。同时还可发现在偿还中起决定作用的主导因素，从而制定相应的金融政策。更值得一提的是通过对数据的分析还可发现洗黑钱以及其它的犯罪活动。 在零售业，数据挖掘可有助于识别顾客购买行为，发现顾客购买模式和趋势，改进服务质量，取得更好的顾客保持力和满意程度，提高货品销量比率，设计更好的货品运输与分销策略，减少商业成本。 电信业已经迅速地从单纯的提供市话和长话服务演变为综合电信服务，如语音、传真、寻呼、移动电话、图像、电子邮件、计算机和WEB数据传输以及其它的数据通信服务。电信、计算机网络、因特网和各种其它方式的通信和计算的融合是目前的大势所趋。而且随着许多国家对电信业的开放和新型计算与通信技术的发展，电信市场正在迅速扩张并越发竞争激烈。因此，利用数据挖掘技术来帮助理解商业行为、确定电信模式、捕捉盗用行为、更好的利用资源和提高服务质量是非常有必要的。分析人员可以对呼叫源、呼叫目标、呼叫量和每天使用模式等信息进行分析，还可以通过挖掘进行盗用模式分析和异常模式识别，从而可尽早发现盗用，为公司减少损失。 3选择数据挖掘技术的两个重要依据 数据挖掘使用的技术很多，其中主要包括统计方法、机器学习方法、和神经网络方法和数据库方法。统计方法可细分为回归分析、判别分析、聚类分析、探索性分析等。机器学习方法可细分为归纳学习方法（决策树、规则归纳）、基于范例学习、遗传算法等。神经网络方法可细分为钱箱神经网络（BP算法）、自组织神经网络等。数据库方法主要是多维数据分析或OLAP方法，另外还有面向属性的归纳方法。由于每一种数据挖掘技术都有其自身的特点和实现的步骤，对数据的形式有具体的要求，并且与具体的应用问题密切相关，因此成功的应用数据挖掘技术以达到目标过程本身就是一件很复杂的事情，本文主要从挖掘任务和可获得的数据两个角度来讨论对数据挖掘技术的选择。 3.1不同的挖掘任务使用不同的挖掘技术 数据挖掘的任务是从数据中发现模式。根据挖掘任务，数据挖掘可分为概念描述、聚集发现、关联规则发现、分类发现、回归发现和序列模式发现等。在选择使用某种数据挖掘技术之前，首先要将待解决的商业问题转化成正确的数据挖掘的任务，然后根据挖掘的任务来选择具体使用某一种或几种挖掘技术。下面具体的分析每一种挖掘任务应使用哪些挖掘技术。 概念描述 概念描述是描述式数据挖掘的最基本形式。它以简洁汇总的形式描述给定的任务相关数据集，提供数据的有趣的一般特性。概念描述由特征化和比较组成。数据特征化是目标类数据的一般特征或特性的汇总。通常，用户指定类的数据通过数据库查询收集。例如，为研究上一年销售增加10%的软件产品的特征，可以通过执行一个SQL查询收集关于这些产品的数据。概念的特征化有两种一般方法：基于数据立方体OLAP的方法和面向属性归纳的方法。二者都是基于属性或维的概化方法．数据特征的输出可以用多种形式提供。包括饼图、条图、曲线、多维数据立方体和包括交叉表在内的多维表。数据区分是将目标类对象的一般特征与一个或多个对比类对象的一般特征比较。例如，将上一年销售增加10%的软

数据挖掘综述

数据挖掘综述 1、产生背景 随着计算机的产生和大量数字化的存储方法的出现，我们借助计算机来收集和分类各种数据资料，但是不同存储结构存放的大量数据集合很快被淹没，便导致了结构化数据库以及DBMS的产生。 但是随着信息时代的到来，信息量远远超过了我们所能处理的范围，从商业交易数据、科学资料到卫星图片、文本报告和军事情报，以及生活中各种信息，这也就是“数据爆炸但知识贫乏”的网络时代，面对巨大的数据资料，出现了新的需求，希望能够更好的利用这些数据，进行更高层次的分析，从这些巨大的数据中提取出对我们有意义的数据，这就是知识发现（KDD,Knowledge Discovery in Databases），数据挖掘应运而生。 2、数据库系统技术的演变 1）20世纪60年代和更早 这个时期是数据收集和数据库创建的过程，原始文件的处理2）20世纪70年代---80年代初期 有层次性数据库、网状数据库、关系数据库系统 3）20世纪80年代中期—现在 高级数据库系统，可以应用在空间、时间的、多媒体的、主动的、流的和传感器的、科学的和工程的。 4）20世纪80年代后期—现在

高级数据分析：数据仓库和数据挖掘 5）20世纪90年代—现在 基于web的数据库，与信息检索和数据信息的集成6）现在---将来 新一代的集成数据域信息系统 3、数据挖掘概念 数据挖掘（Data Mining），就是从大量数据中获取有效的、新颖的、潜在的有用的，最终可以理解的模式的非平凡过程。数据挖掘，又称为数据库中知识发现（KDD,Knowledge Discovery in Databases），也有人把数据挖掘作为数据库中知识发现过程的一个基本步骤。 数据挖掘基于的数据库类型主要有：关系型数据库、面向对象数据库、事务数据库、演绎数据库、时态数据库、多媒体数据库、主动数据库、空间数据库、遗留数据库、异质数据库、文本型、Internet信息库以及新兴的数据仓库等。 4、数据挖掘特点和任务 4.1数据挖掘具有以下几个特点： 1）处理的数据规模十分庞大，达到GB,TB数量级，甚至更大2）查询一般是决策制定者（用户）提出的即时随机查询，往往不能形成精确的查询要求，需要靠系统本身寻找其可能感兴 趣的东西。 3）在一些应用（如商业投资等）中，由于数据变化迅速，因此