引论：我们为您整理了13篇数据挖掘总结范文，供您借鉴以丰富您的创作。它们是您写作时的宝贵资源，期望它们能够激发您的创作灵感，让您的文章更具深度。
篇1
1.2妇科疾病马红丽等［29］通过对多囊卵巢综合征的病因、病机、辨证分型的现代文献信息进行挖掘，分析出肾虚、痰湿、血瘀为该病的主要病机，并从邪正关系角度将其分为5个证型。宋亚南等［30］通过挖掘现代文献有关多囊卵巢综合征的用药，总结其用药频数最高的5个中药:菟丝子、茯苓、当归、仙灵脾和香附，并归纳出11组核心药物组合，为临床对该病的病因病机以及方药认识提供了思路。为探索不孕症的古代医家用方用药特点，伏荣红搜集明清时期的种子方108首，经数据挖掘发现明清医家善用补益药物以补益肝脾肾，且药性以温通为主，并总结出使用频率最高的中药，以指导临床不孕症的治疗。秦莉花等运用聚类分析方法对绝经综合征妇女的情志变化与中医证型分布关系进行了研究。张素等通过挖掘围绝经期综合征的中药复方使用规律，发现该病用药涉及滋补、清热、温补、补气、安神、疏肝等多种治则，其中尤以滋补肝肾类药物最为常用。张焱等挖掘何立人治疗女性围绝经期高血压的用药规律，总结出何立人使用频数最高的药物为天麻、丹参、枸杞子、知母、黄柏等，常用药对为何首乌配伍枸杞子、仙鹤草配伍十大功劳叶等，体现了何立人辨治围绝经期高血压善于调补肝肾阴阳，“以平为期，以和为贵”的学术特点。
1.3儿科疾病王继军等［35］通过对《小儿痘疹方论》中治疗小儿痘疹的78首复方用药规律的挖掘分析，发现治疗以补虚药、清热药、解表药、利水渗湿药等中药为主，单味中药以甘草、人参、茯苓、当归、白术等药物为主，为现代临床辨证施治提供更科学合理的理论依据。王进进等］通过对900余例小儿感冒的信息进行挖掘，总结出小儿感冒的常见病因、9种分类证型，以及使用频数最高的方剂和药物，为中医儿科临床辨证施治提供参考。郑燕霞等为研究小儿慢性咳嗽的中医证素特征，采用数据挖掘方法对所得数据进行分析，结果表明病位证素主要在肺、表、脾，病性证素主要为风、痰、气虚。潘芳等运用支持向量机方法对孔光一教授诊治小儿外感咳嗽风热犯肺证医案进行了挖掘，提炼出宣肺、解毒为主的治法，并归纳出桑叶、金银花、连翘、黄芩为主的用药规律。郝宏文等通过信息挖掘技术对王素梅诊治的757例多发性抽动症患儿的证候要素分析，通过对其常见证型、证素、病机的归纳，总结出王素梅治疗多发性抽动症之健脾平肝、熄风通络的治则大法。
1.4外科、眼科及皮肤疾病脱疽多对应于西医学之血栓闭塞性脉管炎、动脉硬化闭塞症、糖尿病足等周围血管病。谢宇霞等运用数据挖掘技术对古今脱疽医案的方药进行分析，分别总结出3类疾病的辨证分型及常用方药，为临床应用提供帮助。赵亚男等对文献涉及臁疮的四畔证型进行研究，经数据挖掘分析其常见证型及各证型的常见症状表现，丰富了臁疮的辨证内容。角膜炎属中医“翳”“翳膜”“凝脂翳”“聚星障”等范畴，朱晓林等通过对自公元3世纪末至21世纪初的文献的搜集汇总，经聚类分析进行统计，发现角膜炎以“热、风、痰、瘀、湿”为常见病因。用药以祛邪扶正为主，祛邪以清热疏风等为法，扶正以明目、补肝肾为主。结合陈彤云教授治疗痤疮的207个处方，仓田等总结出痤疮的病位在肝、胃、肺三经，治疗以清热解毒燥湿与活血化瘀并举，兼养阴、理气之法。宁江等通过对近30年治疗寻常型银屑病医案的用药规律分析，挖掘出频数最高的中药及药对，支持众多医家“从血论治银屑病”的观点，以清热凉血法为治疗的根本大法。姜春燕等对2012年之前有关湿疹的文献进行收集整理，挖掘湿疹的证型及用药规律，总结出以湿热证型为主的核心用药，为湿疹中医治疗的规范化提供客观依据。
1.5传染性疾病田景平等基于文本挖掘方法对流行性乙型脑炎的临床用药规律进行系统研究，结果发现，中药以大青叶、地黄、板蓝根等清热解毒药使用频率最高，中成药以“温病三宝”安宫牛黄丸、紫雪丹、至宝丹的运用最为广泛，另外发现临床上干扰素、利巴韦林等西药常与中成药联合应用。利用中国中医科学院的中医临床科研信息共享系统的技术平台，胡铁骊等对乙型肝炎相关性肝衰竭进行数据挖掘，以期探索一条中医临床服务与科研需求相统一的新路径。唐仕欢等研究防治流感、肺痨的方剂组方及配伍规律，应用复杂系统熵方法挖掘隐藏于方剂配伍中的核心方药，提炼出有效方药，并融合多种数据挖掘工具应用到中药新药的研发工作中。妮等利用复杂网络分析方法，分析李发枝治疗艾滋病咳嗽的用药规律，总结李发枝从“肺脾气虚”论治的理论依据，以及治疗艾滋病咳嗽常用方药。
1.6散在中医证候数据挖掘技术不仅广泛应用于内、外、妇、儿等各科疾病，对于散在中医证候挖掘的应用也逐渐增多。有学者针对头痛进行研究，采用数据挖掘技术搜集古今医籍、名医经验中有关头痛的用药经验，总结治疗头痛的常见组方用药、药物性味归经规律;也有学者将传统中医病证与数据挖掘技术相结合，通过对燥证、盗汗、多汗证、眩晕、呕吐、失眠、肺胀、内风等传统中医病证的方药规律进行挖掘分析，为临床病证用药提供参考。
2总结与展望
篇2
随着我国的旅游业的迅猛发展，旅游产业正迈向国际化的轨道，传统旅游业积累的海量数据，没有被有效利用，资源被极大浪费。将数据挖掘引入到旅游产业是大势所趋。
当前数据挖掘在旅游信息化建设中的应用与研究情况主要集中在高校理论界的研究， 大多数研究仅仅是学术研究，真正运用到旅游行业的文章多是从某个具体的方面出发，针对个别应用进行数据挖掘的融合。笔者主要研究决策树方法在旅游信息化建设中的应用。目前，决策树算法有CLS算法、ID3算法、C4.5算法、CART算法、SLIQ算法、Z统计算法、并行决策树算法和SPRINT算法等。不同算法在执行效率、输出结果、可扩容性、可理解性、预测的准确性等方面各不相同。总的来说，这么多决策树算法各有优缺点，真正将数据挖掘运用到整个旅游信息化建设中还有很多问题需要解决。
二、旅游业数据挖掘算法选择
数据挖掘中常用的基本分类算法有决策树、贝叶斯、基于规则的算法等等。
其中，决策树是目前主流的分类技术，己经成功的应用于更多行业的数据分析。在关联规则挖掘研究中，最重要的是Apriori算法，这个算法后来成为绝大多数关联规则分类的基础。聚类算法也是数据挖掘技术中极为重要的组成部分。与分类技术不同的是，聚类不要求对数据进行事先标定，就数据挖掘功能而言，聚类能够可以针对数据的相异度来分析评估数据，可以作为其他对发现的簇运行的数据挖掘算法的预处理步骤。
各种算法分类模型建立有所不同，但原理是大致相同的。笔者考虑决策树算法结构简单，便于理解，且很擅长处理非数值型数据，建模效率高，分类速度快，特别适合大规模的数据处理的优点，结合旅游产业数据特点，故作重点分析。
三、旅游业数据挖掘系统需求分析
旅游业数据挖掘系统的基本特点如下：统计旅游兴趣；购物消费趋向；推荐其感兴趣的旅游景点；在后台管理中，通过决策树算法对游客数量、平均年龄、景点收费、游客来自地区等进行分析总结，为旅游消费者和旅游管理者提供服务：为消费者提供吃住行购娱乐天气各方面信息查询、机票、车船票、酒店、景区门票、餐饮等方面的预定与现金支付、第三方支付、消费者评价、在线咨询等方面的便利、快捷服务。为管理者提供推荐、游客管理、线路管理、景点管理、特色服务管理、机票管理、在线咨询管理、旅游客户关系管理等服务，提高整体服务效率和水平。
四、旅游业数据挖掘系统的实现
旅游业信息管理系统包括游客信息管理与游客信息分析两个子模块。根据系统日常运行出现的问题及时对系统进行维护，如添加或者删除某个模块功能，系统整体运行速度的更近等。系统运用数据库层、持久化层、业务逻辑层、表示层四层体系结构， 主要利用ID3算法达到旅游数据信息的快速、准确分类。考虑了游客与酒店之间的关系、游客与旅游路线之间的关系、游客与旅游景点之间的关系、游客与机票、车票之间的关系、管理员与游客之间的关系、逻辑结构设计。程序之间的独立性增加，易于扩展， 规范化得到保证的同时提高了系统的安全性。
详细功能设计包括：用户登录、用户查询、预定及支付、后台管理、旅游客户管理和数据分析等方面。本系统中主要运用Java语言就行逻辑上的处理。系统主要使用 Struts2和Hibernate这两个框架来进行整个系统的搭建。其中Struts2主要处理业务逻辑，而Hibernate主要是处理数据存储、查询等操作。系统采用Tomcat服务器。系统模块需要实现酒店推荐实现、景点推荐实现、天气预报实现、旅游线路实现、特产推荐、数据分析展现功能、报表数据获取、景区客流量变化分析实现等。需要进行后台信息管理等功能测试以及时间测试、数据测试等性能测试。
篇3
一、数据挖掘的定义
数据挖掘属于数据分析的一种，即在大量的数据信息资料中的筛选出与人们特定的要求相符和的数据内容。数据挖掘就是通过全智能化的途径，在众多的、不确定的、海量的信息中总结和分析出，原本就存在的但不易被人们感知，具有总结性特点的相关内容。
二、数据挖掘的方法和步骤
1.数据挖掘的分析方法。数据挖掘分析方法主要包括聚类分析、决策树和人工神经网络。
（1）聚类分析就是将具有相同或相似特点的研究对象进行整合，通过数据挖掘技术的分析过滤，在无序的、混乱的研究对象中，输出其中被隐藏的、不明显的的行的特点结果。
（2）决策树是数据挖掘中的另一方面，具有对研究对象进行分类和预测的作用。也就是对众多分析对象按照一定的要求进行重新分组，并达到对某些事项预测结果的目的。
（3）人工神经网络是指类似于人的大脑的神经分布与信息处理的一种分析方法。
如图1所示。
2.数据挖掘的步骤。数据挖掘涵盖了四个部分：目标定义、数据收集、数据分析、数据挖掘结果评析。
（1）数据挖掘的目标定义是指人们利用数据挖掘技术所要的达到的最终目的和预期结果。
（2）数据收集是指确定了数据挖掘目标以后，所要进行的对相关数据的收集和整理，即人们所说的对研究对象的集中。
（3）数据分析是指在完成数据收集之后，通过使用数据挖掘技术，运用上述三种方法对研究对象进行集中处理。
（4）数据挖掘结果评析是指数据挖掘的最终的结果的输出，即预期目标的实现。如图2所示
三、数据挖掘技术在大学英语考试中的应用
在大学英语考试中，数据挖掘技术的应用主要体现在对于学生的身份、考试内容、考试成绩结果等方面。按学生的学号、姓名、年级、指导教教师等标准，进行数据挖掘，分析学生的分布情况。考试内容是指针对于考试内容的难易层次、答题正确率情况，进行数据收集，通过数据挖掘技术，分析学生考试成绩高中低的大体情况，从而确定以后考试试题的难易程度，对应不同层次的学生。
整个考试流程的最终目的是，通过数据挖掘技术，对考试成绩进行分析评估，提取出学生各个层次学生对教学过程中英语知识的掌握程度，进行有针对性的教学，改善教育方法，提高教育水平。
语言是人们与外界沟通的最重要的媒介。英语作为世界上应用最广泛的语言，英语的学习最为关键。大学英语考试是大学教学对大学生的英语接收程度的一种考核方法，大学英语考试结果运用数据挖掘技术，有助于提升教师对考试结果了解效率，化解教与学之间的隔阂，优化大学英语教育方法，提高教学水平。
参考文献：
[1]张和华，向华，吴旋.数据挖掘技术在医疗设备行业中的应用研究[J].中国医学装备，2015，10（01）：48-50.
篇4
在计算机审计中，数据的分析方式是审计工作中最重要的步骤，审计人员应掌握数据的分析思路，并将自身的审计能力和水平发挥出来。从审计事业的角度来讲，能够给审计思路进行正确和深入的总结是体现计算机审计整体发展水平的重要内容。审计人员应从设定计算和限定条件的过程中，创新审计思路，由此判断审计单位经济活动的真实性和合法性，然后做出合理的判断。
二、基于数据挖掘的审计模式
随着计算机审计理论的不断发展和实践的不断完善，很多计算机审计模式被合理的融入到审计工作中，由于实际工作的需要和相关技术的发展，数据挖掘技术被尝试性地引入了审计过程当中。审计人员通过数据挖掘给审计工作的创新带来了新的突破，现将数据挖掘计算的计算机审计模式归纳如下，如图1所示。图1：数据挖掘计算的计算机审计模式数据挖掘技术能提供高效的方法，让审计人员在面对大量而复杂的审计数据时，拥有宽广的思路。数据挖掘技术在审计项目中主要有两大作用：一是在海量的数据中寻找有用的知识作为审计线索；二是直接找到孤立点。
计算机审计模式因为数据挖掘技术的应用而有所完善，并解决了很多计算机审计模式中的缺点。我国正处于“问题导向型”政府审计的环境中，计算机审计的目的是发现一些异常数据明确被审计单位的业务活动是否具有合法性和合规性。数据挖掘技术在计算机审计中，是为了找出一组异常和孤立的数据，由此获取知识丰富现有的审计知识，并完善业务逻辑等方面。
(一)查询式
在计算机审计模式中，最常被使用的是查询式。这种方法主要是审计人员将采集到的被审计单位的数据，在整理后存入审计人员的数据库，然后编写成SQL语句，进行灵活的查询，由此更加有效的利用数据挖掘技术进行查找和分析，并对记录进行累计、基数，综合计算其最大值和最小值，连接不同的表格，运用函数编写公式，从而生成疑点再进行核实。
这种审计模式的核心技术是掌握SQL语句，该方法的主要对象是关系数据库的二维表。该方法对审计人员的SQL语句的掌握能力要求较高，如何审计情况比较复杂，那么SQL语句也会变得复杂，步骤也较多。这种方法的图形数据很少，结果无法直观的体现出来。例如在以此农村信用社贷款的审计过程中，审计人员在将数据导入整理后，想在贷款数据表输入对应的查找条件，并对应写出转换后的SQL语句。
(二)验证式
这种审计模式需要审计人员先提出自己的假设，然后采用一定技术和方法进行验证和否定这个假设。这种假设到验证的分析方法在日常生活中很常见，在审计工作中，应充分分析这种审计模式的关键，并提出相关合理的假设，假设的提出与审计人员的职业判断有一定关系。例如在某大型酒厂销售的真实性审计中，酒厂标准的酒包装是每盒1瓶，每箱6瓶盒，每件6盒，所以可以得出1件=1箱=6瓶=6盒。由此审计人员能够得到假设，在酒厂进行销售期间，酒产品的数量和消耗的包装物数据应该有一定比例关系，然后在通过这一假设，验证酒厂销售收入情况是否真实。如果审计数据过于复杂，就无法简单的假设，那么可以使用多维分析技术进行准确的分析。
所以，审计人员运用数据挖掘分析和计算审计数据，并找出数据的规律和特点，然后通过相关方法，将这些数据整理成图形或报表展示出来，根据这些内容总结审计经验，建立审计经验库，或是得出新的审计经验，并对这种经验的合理性和准确性进行判断。审计人员应根据审计经验进行适当的更正，并之前不够准确的审计经验，重新挖掘和分析，进行总结归纳，由此可以得出，数据挖掘技术的工作可能是一个不断重复的过程，并且是对目前计算机审计的一种补充。
篇5
文献标识码：A
doi：10.19311/ki.1672-3198.2016.29.119
随着高校教学信息化的不断进步，教学管理过程中积累了大量的数据。但这些数据只是简单的业务统计，并未进行整理和分析。教学评价是教学质量监控体系的重要内容之一，如何把握其内涵以及最终的目的，是教学实践过程中的难点之一。充分应用数据挖掘技术能够对教学评价过程中的大量数据进行加工处理，从而为教学管理人员提供正确的决策，促进教学质量的提升。教学评价的科学性对于教学质量的提高具有重要意义，因此利用数据挖掘技术对教学评价的数据进行分析，能够有效提高高职院校的教学质量。
1 高职院校教学评价现状
高职院校教学评价主要是教务处对每个学期教师的教学质量进行评估，一方面教务处将评价表发放给学生或是网络评价，学生根据教学质量评价表中的内容给教师评分；另一方面教学督导和同行听课后给出相应的评价，最终形成教师的教学评价最后得分。教务处将教师的得分进行排名，并确定考核的等级。这种传统的教学评价对于教学质量的提高具有一定的作用，但是仍然存在诸多弊端，影响评价的准确性。近年来高职院校越来越重视对教学的评价，但教学评价缺乏一定的科学性。
1.1 对教学评价的认识模糊
近年来，高职院校虽然越来越重视对教学的评价，但是对教学评价的意义、教学评价在教学管理中的作用认识仍比较模糊。当前部分高职院校的教学评价还停留在初级阶段，没有意识到科学的教学评价在教学管理中的重要性，因此教学评价指标的科学性有待进一步完善。
1.2 教学评价理论薄弱
很多教学管理者对教学评价的理论知识比较薄弱，同时高职院校与专业的研究机构缺乏足够的合作，致使教学评价理论缺乏系统性，教学评价理论难以发挥应有的作用。很多高职院校教学评价工作人员并未接受过专业的评价理论培训，导致教学评价只是停留在表面，难以向深层次推进。
1.3 教学评价手段比较落后
高职院校目前采用的教学评价手段比较单一，评价技术相对落后。虽然很多院校开始采用模糊数学的方法进行评价，也取得了长足的进步，但是教学评价还是沿用现成的技术，并没有根据自身的特点进行创新和改进。
2 数据挖掘的分类与算法
2.1 数据挖掘技术的分类
2.1.1 根据任务分类
根据数据挖掘技术的任务进行分类，主要包括分类模型数据挖掘、总结、聚类、关联规则、序列发现以及依赖模型和异常发现等。
2.1.2 根据方法分类
根据数据挖掘技术的方法进行分类，主要分为分类算法、关联规则算法、最近距离算法和支撑向量机算法。
决策树分类法是应用最为广泛的算法，采用自上而下的归纳方法来总结数据规律，决策树的数据总结清晰明了，并且每个节点都使用信息增益度量来选择测试属性。简单讲，这种方法就是以树形结构来体现大数据的特点和挖掘结果。决策树具有多种算法，较早的如Quinlan在1986年提出的ID3算法和Leo-Breiman所提出的CART算法。决策树算法将数据有原则的进行分类，剔除无用或者用处不大的信息，从而实现大数据整理的高效性，在预测模型中应用广泛。所谓关联规则算法是通过数据之间的关联性建立一张关系网，从而找到解决某一问题的重要数据和条件，也就是通过对某种现象的检测来获得结果。关联规则算法使大数据清晰化，能够显示有用结果，减少统计时间。同时，该方法支持间接的数据挖掘和对变长数据进行处理，它计算的消耗量是可以预见的。最近距离法（KNN）的原理是以空间中的某个向量为样本，与其相邻的空间内与其相似的向量的统计就可以用相同的方法来统一。该方法的优势在于避免了其它方法的样本不平衡状态。由于该方法主要是依靠周边邻近的样本，样本数量有限，不能通过由判别类域的方法来确定类别，所以常用于样本之间重叠或交叉较多的空间。支撑向量法是建立在统计学理论的基础上的，靠机器来完成，是现代智能化统计的雏形。其原理在于将给定的有限的数理训练样本进行准确无误的折衷，从而提高的推广能力。
2.2 数据挖掘的过程
数据挖掘其实就是不断的反馈，其重要包括数据准备阶段、数据挖掘阶段以及评估和表示阶段。
2.2.1 数据准备阶段
数据挖掘技术应用的前提是准备数据，教师教学质量评价的所有数据均来自于系统数据库，所需数据主要有学生评价数据、同行评价数据、教师自评数据和专家评价数据等，这些数据的获取可以直接提取数据库表的内容。另外，还要综合调查问卷的数据。数据准备完成后，需要对全部数据进行预处理，使其满足数据挖掘格式。
2.2.2 数据挖掘阶段
依据数据的具体性质，选择合适的处理技术，常用的技术有聚类分析、归纳技术、关联技术以及神经元网络等技术，常用的算法有BP算法、ID3算法等。然后使用选择的技术和算法对数据进行挖掘。
2.2.3 评估和表示阶段
将教学评价的原始数据，利用数据挖掘技术转换为更加容易理解、关系明确的形式，采用统计学方法评价数据分析的结果，进而获得最佳的模式，同时还要预测可能发生的多种情况，为决策者提供多个方案。
3 数据挖掘技术在高职院校教学评价中的应用
教学评价的任务就是通过科学的手段，构建数据挖掘的模型，并将模型应用到高职院校的教学管理中。教学评价模型要尽量降低人为因素的干扰，重新调整教学评价中的属性权重。决策树算法在商业领域应用范围较广，并且成效明显，但是目前在教学评价中的应用还比较少，我们主要对决策树算法的应用进行分析，构建决策树模型，将其具体应用到高职院校的教学评价中。决策树模型能够在海量的数据中分析出可能影响学生、同行、专家评价结果的重要因素，能够建立教师的教学行为和教学质量之间的关系，进而发现相应的规律，为以后的教学评价服务。
3.1 数据挖掘技术在教学业绩评价中的应用
高职院校对于教学质量的评价一直缺乏科学的评价方法，因此教学评价的结果缺乏合理性，教学评价的效果较差。数据挖掘技术的应用，能够构建科学的、合理的教学质量评价体系，并由专门的部门负责测评，这样教师教学质量的评定就有了准确性，进而可以将教学等级作为评价的硬性指标，教师的晋级就有了理论依据。我们将其具体的应用分析如下：
（1）在成绩方面，多数高职院校是以期末成绩和平时成绩来评价学生，奖励结果多以奖学金的形式出现。采用传统的方式进行评价，只能单方面的靠成绩的数字来评价学生，而应用数据挖掘技术可以挖掘成绩背后的影响因素，实现对比分析和全面分析。从而对学生的学习成绩做出正确的评价，并且在教学环节中采用必要对策。（2）在考试试题的出题中，数据挖掘技术能够剖析学生的特点，从而针对性的出题，帮助学生发现学习中存在的问题。（3）教学评价。这是我们研究的重点，在这一过程中，教学评价源于教师，但是评价对象却是学生。在传统的评价中，我们往往忽视了对学生这一主体的作用，使用数据挖掘技术之后，评价的主体为学生，结合多种因素进行评价，从而根据学生的需求进行教学方法与课程设置的改革。使学生的学习过程循序渐进，更容易进入角色，提高学生学习的自信心。对影响学生的学习因素每个学期都要进行分析，利用管理系统并结合数据挖掘技术，就能更自如地完成教学改革，促进教学质量的提高。
3.2 数据挖掘技术在教学诊断中的应用
教学评价能够使教师明确自身教学目标的合理性，教学方法和教学手段选择是否科学合理，教学内容的重点和难点是否清晰，进而根据实际情况合理调整自身的教学策略，不断改进与完善教学方法。数据挖掘的结果可以使教师有针对性的解决教学中的问题，教学评价不仅仅要为教师的教学状况进行判断，同时对于教学改革的方向也提出了明确的要求，其能够引导教师树立科学的教学观和正确的质量观，使教师可以清楚自身的不足和今后的努力方向，督促教师不断转变教学思想，对教学的过程进行改革，发挥教师自身的主观能动性和创新精神，最终实现有效的教学改革。
3.3 数据挖掘技术在教学管理中的应用
教师教学质量的评价主要由教学主管部门完成，因此教学主管部门要利用数据挖掘技术科学的收集数据，并选择合适的算法进行分析和处理，通过数据库资料分析出提升教学质量的关键因素，然后将这些因素反馈给高职院校管理层。教学管理人员根据数据挖掘分析的结果可以及时制定正确的改进措施，进而发挥教学管理的功能。教学评价结果对其他教师具有良好的借鉴作用，有利于不断提高教学质量。
4 总结
教学评价是高职院校教学管理的重要组成部分，对我国高职院校教学质量的提高具有十分重要的作用。数据挖掘技术是信息化发展的产物，它能够处理海量的数据信息，提取出信息之间的关联，发现相应的规律，以此来服务于教学评价。数据挖掘技术通过不同的算法，可以找出影响教学质量的因素，进而使决策者可以指定正确的决策，提升高职院校的教学质量。因此高职院校在教学评价工作中，要加大数据挖掘技术的应用，使教学评价能够更好的为提升教学质量服务。
参考文献
[1]董琳.数据挖掘技术在高职院教学评价中的应用研究[J].电脑知识与技术，2013，（4）.
[2]江敏，徐艳.数据挖掘技术在高校教学管理中的应用[J].电脑知识与技术，2012，（8）.
[3]吕慎敏.基于数据挖掘的高校教学管理决策支持系统研究[D].济南：山东师范大学，2012，（6）.
篇6
一、数据挖掘的一般流程分析
数据挖掘是一个动态的过程，就目前的分析来看，数据挖掘需要经历三个基本的步骤：（1）数据的预处理。数据预处理是数据挖掘最基础的部分，也是数据挖掘关键性的步骤，其主要包括四项基本的内容，分别是原始数据获取、数据清洗、数据抽取和数据交换。通过数据的预处理，数据之间的逻辑关系会更加清晰，数据的具体利用价值会有明显性提升。（2）数据挖掘。在数据预处理的基础上进行数据挖掘需要经过两个步骤，其一是对挖掘的任务进行明确，具体包括数据的分类、数据总结等等。其二是对数据挖掘的算法进行确定，这样，数据挖掘的效率性和质量性会更好。（3）模式评估和知识表示。在数据挖掘中不同的模式有不同的效果，因此对当前确定的数据挖掘模式做有效性评估，这样可以确定模式利用的最终价值。
二、软件工程行业中的数据挖掘应用
在软件工程行业，数据挖掘的应用十分的广泛，总结分析目前软件工程行业中数据挖掘的主要应用，这可以为数据挖掘的深入推广提供可靠的参考。
（一）软件版本信息挖掘
就当前软件工程行业中数据挖掘的具体应用分析来看，最为广泛的对象之一便是软件工程版型控制信息的挖掘。就现阶段的分析来看，对软件工程版本进行控制，其目的是对软件工程开发人员在软件工程开发过程中所编辑的信息进行统一化的管理，这样，软件开发过程中数据的更新进度可以更好的保持一致性。分析研究当前环境下的软件工程系统版本信息控制，利用数据挖掘技术可以将软件开发过程中的具体变更信息做更加全面的掌握，这样，在探讨同一软件平台不同程序模块的联系和差异方面，具体的信息分析结果会更加的准确，而利用具体的结果对软件开发中需要解决的系统漏洞问题做处理，软件的开发会更具完善性。简言之，在软件版本的更新设计中利用数据挖掘技术，版本更新设计的整体质量会更加突出。
（二）软件漏洞检测挖掘
在软件工程行业，数据挖掘的应用还广泛分布在软件漏洞检测方面。从软件的具体应用来看，漏洞的检测和修复是软件利用需要重点注意的内容，因为这关系着软件利用的综合实效和安全性。就当前软件漏洞具体检测中的数据挖掘分析来看，其主要包括5个方面的内容：（1）软件漏洞检测项目的明确，有了明确的检测项目，具体的数据挖掘范围也会得到确定，这样，数据挖掘的效果会更突出。（2）对软件功能漏洞检测数据信息做深入获取，并就获取的信息做清理和转换工作，这样可以提炼更多有用的知识和信息。（3）对软件工程合适的数据挖掘信息做科学合理的选择，这样可以使数据信息的验证效果更加突出。（4）对软件工程中存在的系统平台缺陷和漏洞做科学划分并予以描述和定位。（5）基于挖掘的信息数据进行系统测试工作。
（三）开源软件代码挖掘
软件工程行业中的数据挖掘应用还体现在开源软件代码挖掘中。从现阶段的分析来看，开源软件代码挖掘可归结为对象挖掘类型，其应用最为广泛的是代码的克隆检测，而克隆检测工程在软件代码以及系统应用数据的复制和拷贝中进行使用。通过系统中具体的代码源检测操作能够将软件工程中存在的代码漏洞问题做有效解决，这样软件工程在后期的运行维护方面效果会有极大的提升。
（四）软件执行记录挖掘
数据挖掘在软件工程行业中的突出利用还体现在软件执行记录的挖掘方面。在软件执行记录当中使用数据挖掘技术，可以借助对软件执行的记录做有效的大数据分析，这样，不同的软件或者是相同的软件在不同模块代码间的关联关系会得到全面性的分析，基于此分析，数据执行的路径等可以得到跟踪，逆向建模的最终效果会更加的突出。简言之，在软件执行记录中利用数据挖掘会对软件的系统代码维护等起到突出的作用，这样，软件工程的稳定性效果会更加突出。
三、结束语
综上所述，在软件工程行业中，具体的软件开发需要对多方面的数据进行利用，更要对各方面数据表现出来的关联性以及数据应用结果做分析，这样，软件最终开发需要考虑的内容和避免的问题会更加的清楚。文章就软件工程行业中数据挖掘的一般步骤和具体内容做分析，最终的目的是为软件工程行业的实践活动开展提供帮助，从而提升软件开发的综合性，提高软件在具体生活实践中的利用价值和效果，达到软件开发的最终目的。
参考文献
[1]吕品,于文兵,汪鑫等.数据挖掘挑战赛驱动的本科生大数据分析能力培养——以上海电机学院软件工程专业学生为例[J].计算机教育,2017(11):36-39.
篇7
一、数据挖掘技术涵义
（一）数据挖掘的概念
数据挖掘是一种数据处理技术，一般是指在大量数据中，通过算法发现数据中隐藏信息的过程，从属于数据库的知识发现。数据库利用统计、情报检索、专家系统、在线分析处理、机器学习等方法与工具，对繁杂的数据进行分析、归纳与总结，通过搜索数据的内部信息，为高校的教务管理提供决策依据。
（二）数据挖掘的过程
数据挖掘过程是一个需要循环往复的过程，要做到精益求精，如果经过一次的数据挖掘没有得到有效的信息，就要重新进行数据的选择和处理，直到得出对我们有用的信息为止。一般情况下数据挖掘分为五个阶段：一是了解数据挖掘的概念，明确其目的；二是做好数据挖掘的准备工作；三是数据挖掘有很多种方法，依据实际情况选择合适的算法，对要处理的数据进行数据挖掘；四是对数据挖掘得出的信息进行分析，给予用户能够接受的知识；五是将通过数据挖掘得到的信息运用到对应的领域中，发挥数据挖掘的指导与参考作用。
（三）数据挖掘常用的方法
聚类分析法、统计分析法、模糊集方法、关联规则方法、神经网络方法、决策树方法、覆盖正例排斥反例法、粗集理论方法等。
二、成绩分析中应用数据挖掘的方法
（一）关联规则算法
1.应用关联规则算法的内容。关联规则的算法是指在大量的待处理数据中找到各事物之间的联系，是数据挖掘中的重要课题。关联是指在两个事物或者两个以上事物之间必然存在着某些规律性，运用关联规则就是要获取数据之间隐藏的重要信息。在成绩分析中运用关联规则，查找影响成绩的因素，针对试卷得分情况，对学生的成绩进行总结，分析得分情况与课程之间的相关性。
2.运用关联规则算法的挖掘过程。一是对数据库中的内容进行分析与识别，在进行数据挖掘之前，首先要定义最小的支持度，在最小支持度的基础上进行原始数据的挖掘，得到的项集应不小于最小支持度；二是产生强关联规则，利用频繁项集产生规则，得到的规则的置信度与最小置信度相比，要比最小置信度大或者与最小置信度相等。
3.关联规则的具体应用，下表为应用关联规则中某专业成绩不及格的挖掘规则。
依据上表得出如果最小的支持度为0.55，最小的置信度为0.35，那么1、2、4、5就为强关联规则，在课程1不及格时，课程3与6不及格的概率就会高，这就说明课程一影响课程3与课程6；课程4也受到课程2的较大影响；课程2受到课程5的影响。
4. Apriori算法的数据挖掘。Apriori算法是一种频繁项集算法，用来发掘相关规则。Apriori算法应用的非常广泛，核心思想是在候选集生成与情节向下的封闭检测的阶段下，进行频繁项集的挖掘。具体内容包括：一是依据数据挖掘的要求，建立相应的事物数据表，对于优秀成绩进行保留，其他的做删除处理；二是建立频繁项集数据表，用A、B表示项目名称并做相应的记录；三是删除表中支持度的计数小于最小的支持度记录，从而得到最终的频繁1项集；四是计算后几个频繁项目集的结果；五是删除最终的频繁项集中比最小的置信度阈值小的记录，进而得到最终的规则信息。
关联规则数据见下表：
通过置信度的计算，删除小于最小置信度阈值的记录，得到最终的关联规则，见下表。
（二）决策树算法
应用决策树算法是将预测的内容用树的模型表现出来，树的根节点作为数据的结合空间，树的分支表现每一个分类问题，作为单一的属性测试存在，树的叶子节点是数据分割的分类，从根节点到叶子节点的路径就是相应的类别预测。
应用决策树算法要收集学生的基本个人资料、学生出勤情况，以及对课程的喜爱程度、上机练习情况与基础程度等，再结合学生的成绩进行分析，得到的数据用来指导教学工作，以提高教学质量。
高校中影响学生成绩的因素的决策树如下图：
依据决策树得到：上机情况最为影响学生的成绩，造成学生低下。教师可以决策树得出的结论为参考，加强学生管理工作，在上机情况上加以重视，重点解决成绩不理想的问题。
三、成绩分析中应用数据挖掘的优势
在学生的成绩分析中应用数据挖掘技术可以有效指导教学，提高对教学有益的信息，具体内容包括：
（一）帮助学校全面掌握学生的学习情况，通过数据挖掘对学生的成绩进行深层次的分析，了解学生对课程内容的实际掌握情况，便于对学生整体情况的掌握。
（二）有助于对课程相关性的分析，通过分析不同专业的核心课程，掌握学生对课程的理解程度、得分情况，进而得到课程之间存在的联系，便于学校合理地安排课程。
（三）通过数据挖掘得到学生入学时的成绩，再依据学生现在的成绩，将二者结合进行分析，得到学生这一学年的学习状况，得出课程对学生的影响，便于更好地指导学生学习。
四、结语
随着高校的不断发展，学生的成绩数据逐年增多，运用数据挖掘技术分析学生的学习成绩非常有必要。通过数据挖掘技术，发现相关数据间的联系，从而提高分析成绩效率，也在一定程度上使成绩的分析结果更准确更具科学性。在实际工作中，要将数据挖掘的众多方法结合起来运用，便于发现数据中的隐藏信息。高校要加强对学生成绩的分析，提高教学质量，保证教学目标的实现。
参考文献：
[1]朱明.数据挖掘导论[M].合肥：中国科学技术大学出版社，2012.
[2]郑岩.数据仓库与数据挖掘原理及应用[M].北京：清华大学出版社，2011.
篇8
Key words: data mining technology;anti-money laundering procedures;application
中图分类号:TP39 文献标识码:A文章编号:1006-4311(2010)21-0031-01
1反洗钱基本程序
1.1 定义目前关于洗钱的定义有很多种,国际上并没有一个统一的定义。但洗钱的本质就是利用资产、资金转换(转移)过程中所造成的信息缺失、信息隐蔽、信息不完整、信息不真实、信息复杂而使犯罪所得收益的原始来源和性质无法识别或追溯,从而掩盖和隐瞒其真实信息。
1.2 基本程序我国的反洗钱基本程序分为采集、监测分析和移交三个步骤:第一步,大额和可疑交易报告的收集。第二步,大额和可疑交易报告的分析和甄别。第三步,可疑交易线索移送。
1.3 反洗钱工作的主要问题①巨量数据报表和高误报率。②预设标准易于被洗钱分子规避。③无法自动适应洗钱形势变化。
2数据挖掘技术
2.1 数据挖掘定义数据挖掘(Date Mining),是指从大量的、不完全的、模糊的、随机数据中揭示出隐含的、先前未知的、并有潜在价值的信息和知识的过程。数据挖掘融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术,是帮助发现隐藏在数据中知识和信息的有力工具。
2.2 数据挖掘任务①数据总结。②分类。③关联分析。④聚类。
2.3 数据挖掘流程引入数据挖掘技术应用于反洗钱系统中,完成从大量数据中自动提取出模型的过程。在建立攻击检测系统过程中消除人为因素和特定因素,为其开发一个更加系统化的方法,即开发一套能从各种审计数据中产生攻击检测模型的自动工具。我们应用关联分析和序列模式分析等算法,发现特征之间的关联和与时序有关的联系,从而完成对用户数据的收集与特征选择过程。
2.4 常用的数据挖掘算法①决策树。首先,通过一批已知的训练数据建立一棵决策树;然后,利用建好的决策树对数据进行预测。决策树的建立过程可以看成是数据规则的生成过程,因而可以认为,决策树实现了数据规则的可视化,其输出结果也容易理解。在反洗钱领域,决策树算法可以按照事前已经制定的决策模式对各种报告数据进行分类,最终以一种类似树状的决策结构显示出来,为分析者提供一个推力框架,帮助其摸清整个洗钱活动的过程并了解某一具体的洗钱操作在整个洗钱链条中的作用。决策树方法精确度较高,容易理解,效率也比较高,因而比较常用。②神经网络。神经网络系统由一系列类似于人脑神经元的处理单元组成,这些单元被称为节点。节点通过网络彼此互连,如果有数据输入,他们可以进行确定数据模式的工作。神经元网络可以通过本身所包含的无数个神经元持续不断地对报告数据进行反复计算,对某项资金流动是否牵涉洗钱活动进行认定,自动发现洗钱线索,并能通过自动学习制定出最为有利的反洗钱整体分析方案,提高数据分析效率。③相关规则。这是一种简单却实用的关联分析规则,它描述了一个事务中某些属性同时出现的规律和模式,依据一定的可信度、支持度、期望可信度、作用度建立相关规则。④K-nearest邻居。邻居就是彼此距离很紧的数据。该方法认为相邻数据必然有相同的属性或行为。因此,可以通过K个邻居的平均数据来预测该特定数据的某个属性后行为。⑤遗传算法。在反洗钱领域,遗传算法可以在发现可疑洗钱活动后沿最优路径追踪洗钱的各步操作,帮助分析人员总结大额可疑交易数据中所隐藏的洗钱疑点或疑点组合的发现规律,保证分析时能够发现某项洗钱活动的最重要线索,方便后期调查工作的顺利开展。⑥联机分析处理。其典型的应用有对银行信用卡风险的分析与预测、市场营销策略制定等,主要是进行大量查询操作。
3数据挖掘技术在反洗钱系统中的应用
3.1 系统的整体设计反洗钱系统本身应用的特殊性,要求它具有准确性、全局性、可扩展性、可伸缩性以及环境适应性。到目前为止,研究人员已经提出实现了许多方法,但没有一种模型能够满足完全检测的要求。由于系统的设计和实现都取决于设计人员自身的知识储备和其对已知反洗钱形式的了解程度,因而系统的效率和环境性都受到了限制。
基于数据挖掘技术的智能反洗钱系统的核心就是从事件序列数据(训练数据)中挖掘正常和异常行为规则,构建规则库,在此基础上,再根据发现的证据进行反洗钱识别。
我们采用数据挖掘方法实现整个过程,并将它划分为三个过程。
①特征提取。②规则发现,对不同类型的数据,采用不同的数据挖掘算法发现其中的规则。③建立好规则库后,对每一次发现的证据,就可以根据规则来判断是否属于反洗钱行为。
3.2 基于数据挖掘的智能反洗钱模型的设计根据上面介绍的体系结构、数据挖掘方法和智能检测体系,我们设计了一种基于数据挖掘的智能反洗钱系统。其系统结构包括如下组件:数据处理、审计数据库、数据挖掘引擎、特征提取器、数据挖掘引擎、规则库、数据检测引擎和决策响应中心。
自适应数据挖掘反洗钱系统的工作原理如下:①活动监测Agent采集来自外部网络环境的各种数据,并把这些数据传送给协同Agent,协同Agent对从活动监测Agent来的数据进行过滤、格式转换等预处理,然后将数据存入审计数据库中;②审计数据库组件存储数据,并利用数据库查询技术产生训练数据集,同时特征提取器采用数据挖掘技术对当前用户行为进行分析,从中提取出当前用户行为特征;③数据挖掘引擎利用数据挖掘技术对审计数据库中的数据和提取出的特征进行学习,从中提取出有关行为特征和规则,建立异常模式和正常行为轮廓,从而建立检测模型,并存入规则库中;④数据检测引擎接受来自特征提取器的数据特征和数据挖掘引擎建造的模型与来自规则库中的正常规则进行分析,将分析结果送给决策中心;⑤决策中心分析判断结果以决定是否报警或更新规则库。
来自多个地方的数据,主要通过如下方式进行处理和转换。
篇9
所谓数据挖掘，就是将那些隐含的在数据中的、不能先知以及包含潜在价值的大量信息，从数据中提炼出来以供技术人员参考分析。通过数据挖掘理论所得到的信息，可以为地理信息的测绘提供依据，并且还具有预测和决策的功能。为了能够得到更加精确的信息，我们建立了数据采集平台。数据采集平台侧重于数据的收集，将大量的数据进行有效的汇总，使之转化成有助于测绘地理信息管理和决策的有效信息。我们在实际工作中，常常可以看到，由于对数据没有进行系统科学的分析，使得一些潜在的威胁留在了我们要做的工程中，甚至会为此丧失掉很多利益。如果我们不能够尽力把威胁清除掉，后果可能不堪设想，数据表面，看不出东西（即其隐藏的信息量），绝对是关键所在。因此，我们不仅要做好数据采集工作，更要有效的利用好数据挖掘理论，做好数据分析工作，充分挖掘出这些数据背后所带来的意义。
1数据挖掘的功能
在测绘地理信息技术领域，数据挖掘理论能够将采集的数据转化为我们需要的知识。下面就数据挖掘的功能，并结合其在数据采集中的运用，我概括了几点，主要功能有以下几点：1）聚类功能。即按照数据内在的规则，把数据聚合分类；2）关联分析功能。关联分析是从数据库中发现知识的一类重要方法。当建立在多次检测的基础上的某两个或多个数据之间算出来的数据相似，差异极小的时候， 那么我们就说这些事件之间存在着某种关联， 能够建立起这些关联项的关联规则；3）分类功能。将不同数据按照不同的分类标准进行分类组合；4）偏差检测功能。对那些不常见，极端的特例进行归档分析， 并揭示其发生偏差的原因，以便以后好做调整；5）预测功能。通过数据信息所显示的一些潜在的知识，我们能够做好对未来测绘数据的预测。实践证明，事物的联系是普遍存在的，即数据挖掘的各项功能协调组合，以便发挥更大的作用。数据挖掘通过对数据的总结、分类、聚类和关联等分析， 对采集的数据进行深层次的剖析，把那些潜在的东西给挖掘出来，便于技术人员的管理与预测。
2 “数据挖掘”理论在数据采集平台上的应用基础
2.1数据采集平台的建立
由于科技发展的需要，数据采集平台应势而生。数据采集平台，是一个拥有大量数据的数据库。据最新的统计数据显示，整个平台采集一次便可产生多达50万以上的数据量。数据采集平台最大的作用就是能够产生巨大的数据。
我们知道数据本身就是数据而已，不能够得到对我们有帮助的东西。而数据挖掘理论，基于相应的知识，做出极具准确性的预测性，能够把单纯的数据，通过总结、分类、聚类、偏差检测和关联等功能可以把那些分散在数据库里面的各种数据，进行综合分析整合。数据挖掘理论，是以对数据的分析作为基础的，其功能与分析方法对数据采集平台管理和运用，有着不可估量的作用和意义。
2.2“数据挖掘”理论应用基础
由于科技的不断发展，数据库不断充实，数据采集平台也在不断的完善和发展中。在国家政策，和科技不断发展的趋势下，数据采集平台近几年来，其结构和采集信息量上也发生了翻天覆地的改变。主要表现在版本、汇总部分字段以及采集字段上。即：版本不断的更新，由原先的“08c版”一直发展到现在的“10a001版”； 汇总部分字段和采集字段的增加，使得数据库里的数据成海量的增长，甚至多达数十万。这样使得数据采集平台更加规模化，同时也加强了数据与数据之间的联系，这也使得采集的数据成了 “数据挖掘”的数据基础，给了“数据挖掘”一个更好的平台。也为技术人员运用数据挖掘理论提供了数据来源。
3 “数据挖掘”理论在数据采集平台上的实际应用
在上面我笼统的介绍了数据挖掘的基本功能，即分类、估计、关联、聚类、偏差检测和预测。在这里我具体的介绍一下“关联规则挖掘” 理论。通过“关联规则挖掘”理论，我们知道，如果仅仅是单独、孤立的数据，那是形成不了重要信息的，但是，如果我们将那些相互关联的数据集中起来，并从不同的角度，不同的方面去分析这些数据，那么潜伏在这些数据表面以下的部分就会浮出表面，这样我们就能看到事物的全部。这对我们做决策有着重要的意义。所以我们要可以通过“关联规则挖掘”理论辨证的去分析事物内部所蕴含的关系。相反，如果只是盲目的看到表面的数据，甚至割裂地、孤立地去看待数据，这样不仅找不到数据与数据之间关联关系，更不能通过聚合这些相互关联的数据，这不能做出科学有效的决策。在测绘地理信息的时候，“关联规则挖掘”的理论，为我们提供了更广阔的分析方法和思维模式，为我们做出正确合理的决策提供了理论依据。在实际操作中，我们感觉到任何一个重要问题的分析，我们都要依赖“关联规则挖掘”理论，对具体的数据进行科学分析，以呈现其数据和事物之间的关联性。
4 结论
结合个人的工作经验和实际操作，就数据挖掘理论在数据采集中的应用展开了探讨和研究。介绍了数据挖掘的功能；“数据挖掘”理论在数据采集平台上的应用基础：数据采集平台的建立和“数据挖掘”理论应用基础；以及“数据挖掘”理论在数据采集平台上的实际应用。但是由于自身学识和理解的局限性，说的不是很全面，只是希望大家可以关注一下数据挖掘理论在数据采集中的应用，并能在你所在的领域内有所应用。
参考文献
[1]谭广宇.数据挖掘理论在状态数据采集平台上的应用[J].广西教育，2011（6）.
[2]蒋盛益，李霞，郑琪.数据挖掘原理与实践[J].图书，2011（8）.
篇10
数据挖掘是在信息的海洋中从统计学的角度分析发现有用的知识，并且能够充分利用这些信息，发挥其巨大的作用，从而创造价值，为社会生产服务。数据挖掘工具能够扫描整个数据库，并且识别潜在的以往未知的模式。
1 数据挖掘
数据挖掘是与计算机科学相关，包括人工智能、数据库知识、机器学习、神经计算和统计分析等多学科领域和方法的交叉学科，是从大量信息中提取人们还不清楚的但具有对于潜在决策过程有用的信息和知识的过程[1]。数据挖掘能够自动对数据进行分析，并归纳总结，推理，分析数据，从而帮助决策者对信息预测和决策其作用[2]。
对比数据挖掘及传统数据分析（例如查询、报表），其本质区别在于：前者在没有明确假设的前提下通过挖掘信息，提取有用的资料，并提升到知识层面，从而帮助提供决策支持。所以数据挖掘又称为知识挖掘或者知识发现。数据挖掘通过统计学、数据库、可视化技术、机器学习和模式识别等诸多方法来实现丛大量数据中自动搜索隐藏在其中的有着特殊关联性的信息[3]。
2 数据挖掘技术
数据挖掘有许多挖掘分析工具，可以在大量数据中发现模型和数据间关系，常用数据挖掘技术包括：聚类分析和分类分析，偏差分析等。
分类分析和聚类分析的主要区别在于前者是已知要处理的数据对象的类，后者不清楚处理的数据对象的类。聚类是对记录分组，把相似的记录在一个聚集里，聚集不依赖于预先定义好的类，不需要训练集。分类分析是预先假定有给定的类，并假定数据库中的每个对象归属于这个类，并把数据分配到这个给定类中。通过分析训练集中的数据，准确描述每个类别，并进行建模、挖掘分类规则，并依据该分类规则，划分其他数据库中的数据类别。聚类分析是非监督学习，不依靠预先定义的类和带类标号的训练数据集，实体对象集合依照某种相似性度量原则，归纳为若干个类似实体对象组成的多个类或簇的过程，不同类中的数据尽可能存在差异，同类中的数据之间各个数据尽可能相似。
存在大量数据的数据库中，数据中存在着偏差，而在偏差中也包括了大量的知识。偏差分析是当数据库中存在异常行为，就显示出要采取预防措施；否则，正常的变化，则需要更新数据库中的记录[4]。
3 数据挖掘方法
要的数据挖掘方法包括决策树、遗传算法、人工神经网络、近邻算法和规则推导等。通过描述和可视化来对数据挖掘结果进行表示。
决策树是以实例为基础的归纳学习算法。着决策集的树形结构代表决策树，树型结构表示分类或决策集合。决策树是采用自顶向下的递归方式，树的非终端节点表示属性，叶节点表示所属的不同类别。
遗传算法是基于种群“多样性”和“优胜劣汰”原则等进化理论，模拟生物进化过程的全局优化方法，将群体中将较劣的初始解通过复制、交叉和变异3个基本算子优化求解的技术，在求解空间随机和定向搜索特征的多次迭代过程，直到求得问题的最优解[5]。
人工神经网络对人脑神经元进行模拟，依据其非线形预测模型，通过模式识别的方式展开，获取的知识需要存储在网络各单元之间的连接权中。人工神经网络能够完成分类和聚类等挖掘[5]。
关联规则是进行数据挖掘的重要的可悲发现的知识，对于两个或多个变量的取值之间存在某种规律性，并对其进行可信度的分析，挖掘其中的关联关系。这对于发现数据中存在的各种有用的信息，发现其数据模式和特征，然后发现目标行为具有重要意义。
4 数据挖掘的应用
在医学领域，科学家从异构和分布式基因数据发现的基因序列的识别、发现基因表达谱数据中的差异表达基因，疾病不同阶段的致病基因等，运用各种数据挖掘技术了解各种疾病之间的相互关系、发展规律，总结治疗效果这对疾病的诊断、治疗和医学研究都是很有价值的。在零售业/市场营销，通过对顾客购物篮的分析，把顾客经常同时买的商品放在一起，帮助如何摆放货架上的商品，挖掘购买商品的关联关系，规划如何相互搭配进货，促销产品组合等商业活动[6]。
数据挖掘在生物信息学中有着广泛的应用。生物信息学就是通过对生物学实验产生的海量数据，进行分类、处理、分析和存储，达到深入理解生命科学中基于分子水平的生物信息的生物学意义。如差异基因表达检测的基因芯片，就是具有高通量的特点，并同时能够产生许多生物学数据，在其中蕴含着丰富的生物学意义。分析和挖掘基因芯片数据，检测差异表达基因在不同环境条件的异常表达值，能够生层次的了解生物学知识，提高对生命科学研究的科学性和效率。对癌症差异基因的分析结果分析，能够更好的检测有关疾病，并根据相关疾病的基因特性，就能有针对性的进行个体化治疗，开发个体化的新药。
进入2013年，有许多媒体都在称之为“大数据元年”。大数据也就是拥有庞大的数据信息，事务数据量大规模增长，而且大数据是要处理大量的非规范化数据，数据挖掘和分析是必不可少的。爆炸性的大数据的产生，可能会改变人们的思考方式，也重塑了人类交流的方式[7]。
5 结语
数据挖掘技术能自动分析数据，广泛应用于各个企事业单位，分析调查大量数据，分析企业经营对社会，经济和环境的综合影响，并预测企业未来的发展趋势，从数据仓库中揭示出数据之间的潜在价值的规律性，形成知识发现，为决策管理提供依据。
参考文献
[1] 孟晓明.浅谈数据挖掘技术[J].计算机应用与软件，2004（8）.
[2] 丁样武，杨莹.数据挖掘在医学上的应川[J].郧阳医学院学报，1999（3）：130-132.
[3] 黄晓霞，萧蕴诗.数据挖掘集成技术研究[J].计算机应用研究，2003（4）：37.39.
[4] 王阳，张春华.数据挖掘技术、应用及发展趋势[J].信息化与网络建设，2003（4）.
篇11
数据挖掘中常用的基本分类算法有决策树、贝叶斯、基于规则的算法等等。其中，决策树是目前主流的分类技术,己经成功的应用于更多行业的数据分析。在关联规则挖掘研究中,最重要的是Apriori算法,这个算法后来成为绝大多数关联规则分类的基础。聚类算法也是数据挖掘技术中极为重要的组成部分。与分类技术不同的是,聚类不要求对数据进行事先标定,就数据挖掘功能而言,聚类能够可以针对数据的相异度来分析评估数据,可以作为其他对发现的簇运行的数据挖掘算法的预处理步骤。各种算法分类模型建立有所不同,但原理是大致相同的。笔者考虑决策树算法结构简单,便于理解,且很擅长处理非数值型数据,建模效率高,分类速度快,特别适合大规模的数据处理的优点,结合旅游产业数据特点,故作重点分析。
三、旅游业数据挖掘系统需求分析
旅游业数据挖掘系统的基本特点如下：统计旅游兴趣；购物消费趋向；推荐其感兴趣的旅游景点；在后台管理中,通过决策树算法对游客数量、平均年龄、景点收费、游客来自地区等进行分析总结,为旅游消费者和旅游管理者提供服务：为消费者提供吃住行购娱乐天气各方面信息查询、机票、车船票、酒店、景区门票、餐饮等方面的预定与现金支付、第三方支付、消费者评价、在线咨询等方面的便利、快捷服务。为管理者提供推荐、游客管理、线路管理、景点管理、特色服务管理、机票管理、在线咨询管理、旅游客户关系管理等服务，提高整体服务效率和水平。
四、旅游业数据挖掘系统的实现
旅游业信息管理系统包括游客信息管理与游客信息分析两个子模块。根据系统日常运行出现的问题及时对系统进行维护,如添加或者删除某个模块功能,系统整体运行速度的更近等。系统运用数据库层、持久化层、业务逻辑层、表示层四层体系结构,主要利用ID3算法达到旅游数据信息的快速、准确分类。考虑了游客与酒店之间的关系、游客与旅游路线之间的关系、游客与旅游景点之间的关系、游客与机票、车票之间的关系、管理员与游客之间的关系、逻辑结构设计。程序之间的独立性增加,易于扩展,规范化得到保证的同时提高了系统的安全性。详细功能设计包括：用户登录、用户查询、预定及支付、后台管理、旅游客户管理和数据分析等方面。本系统中主要运用Java语言就行逻辑上的处理。系统主要使用Struts2和Hibernate这两个框架来进行整个系统的搭建。其中Struts2主要处理业务逻辑,而Hibernate主要是处理数据存储、查询等操作。系统采用Tomcat服务器。系统模块需要实现酒店推荐实现、景点推荐实现、天气预报实现、旅游线路实现、特产推荐、数据分析展现功能、报表数据获取、景区客流量变化分析实现等。需要进行后台信息管理等功能测试以及时间测试、数据测试等性能测试。
篇12
Based on Data Mining Technology Customer Relationship Management System
LIU Ying
(The Xinjiang Uygur Autonomous Region Youth Corps Committee School, Urumqi 830002, China)
Abstract: This paper introduces the data mining technology and customer relationship management (CRM) of the meaning and the core work, inspected the data mining for customer relationship management of commercial value and application in pharmaceutical company, and function of CRM to elaborate use of customer groups of data mining technology management processes.
Key words: data mining; CRM
数据挖掘技术是信息爆炸推动下的新兴产物，已经在很多领域得到应用并取得了非同寻常的效果，数据挖掘技术的应用具有广阔的前景。数据挖掘又称数据库中的知识发现，是指从大型数据库或数据仓库中提取隐含的、未知的、非平凡的及有潜在应用价值的信息或模式。
目前，数据挖掘技术在企业客户关系管理中得到了比较普遍的应用，以医药公司客户关系管理为例。医药公司在经营过程中已经积累了大量的客户资料数据，在这些数据中蕴涵了丰富的信息，随着公司所占市场份额及客户群体的不断扩大，公司迫切需要一种科学管理工具，能够从大量资料数据中挖掘出对公司至关重要的因素以不断提高公司市场竞争力和经济效益，为公司带来更多的利润。
本文阐述的就是利用数据挖掘技术对医药公司客户群进行有用管理的过程。
1 什么是数据挖掘技术
数据挖掘（DW）已成为数据库研究、开发和应用最活跃的分支，也是一个多学科交叉的领域，随着计算机中收集的数据的增多，人们已不满足仅对数据进行简单的查询，而是希望计算机能帮助分析数据、理解数据和做出决策等。数据挖掘技术的一个经典案例：“啤酒与尿布”，使各商家企业受了很大的启发，得到了更大的价值。
随着信息技术的高速发展，人们积累的数据量急剧增长，如何从海量的数据中提取有用的知识成为当务之急。数据挖掘就是为顺应这种需要应运而生发展起来的数据处理技术。是知识发现的关键步骤。
2 数据挖掘的任务
2.1 数据总结
数据总结目的是对数据进行浓缩，给出它的紧凑描述。数据挖掘主要关心从数据泛化的角度来讨论数据总结。数据泛化是一种把数据库中的有关数据从低层次抽象到高层次上的过程。
2.2 关联分析
关联规则挖掘是由Rakesh Apwal首先提出的。数据关联是数据库中存在的一类重要的、可被发现的知识。关联分析的目的是找出数据库中隐藏的关联网。例如：在购买面包和黄油的顾客中，有90%的人同时也买了牛奶（面包+黄油（牛奶）。
2.3 聚类分析
聚类分析可以建立宏观的概念，发现数据的分布模式，以及可能的数据属性之间的相互关系。它的目的是使得属于同一类别的个体之间的距离尽可能的小，而不同类别上的个体间的距离尽可能的大。
2.4 分类
分类在数据挖掘中是一项非常重要的任务。分类是利用训练数据集通过一定的算法而求得分类规则，分类可被用于规则描述和预测，预测的目的是从利用历史数据纪录中自动推导出对给定数据的推广描述，从而能对未来数据进行预测。
3 数据挖掘在医药领域中的应用
数据挖掘技术在医药领域有非常重要的作用，这是因为医药领域积累了大量的供货、销售渠道等历史记录，其数据量在不断地迅速膨胀。数据挖掘可有助于识别购买行为，发现购买模式和趋势，改进服务质量，取得更好的客户保持力和满意程度。以下给出几种数据挖掘的几个重要方面：
1) 基于数据挖掘的数据仓库的设计与构造：由于医药公司销售数据覆盖面广（包括销售、客户、员工等），所以有许多设计数据仓库的方式，所包含的细节级别可以变化很大。
2) 销售、客户、产品的多维分析：考虑到客户的需求，产品的销售，趋势，以及药品的质量、价格等，医药公司需要的是适时的信息。因此提供强有力的多维分析和可视化工具是十分重要的一件事情。
3) 促销活动的有效性分析：医药公司常常通过广告、优惠等方式搞促销活动，以促销产品并吸引新老客户。认真分析促销活动的有效性，有助于提高企业利润。多维分析可满足这方面分析的要求，方法是通过比较促销期间的销售量和交易数量与促销活动前后的有关情况。
4) 客户保持力和忠诚度分析：通过销售数据，可以记录客户的购买序列，将同一客户在不同时期购买的商品进行分组形成序列，运用序列模式分析客户的消费或忠诚的变化，按系统的方法对客户的忠诚和购买趋势加以分析，据此对价格和药品的种类加以调整，以便留住老客户，吸引新客户。
5) 购买推荐和药品参照：通过从销售记录中挖掘关联信息，可以发现购买某一品牌药品的客户很可能购买其他一些药品。这类信息可用于形成一定的购买推荐。购买推荐可在广告、宣传单、收据上宣传，以便改进服务，帮助客户选择药品，增加销售额。
4 客户关系管理（CRM）含义
客户关系管理（Customer Relationship Management，CRM）是以客户为核心的企业营销的技术实现和管理实现，它可以帮助企业充分利用以客户为主的外部商业关系资源，使企业的外部资源主要是客户资源得以合理利用，不断扩展企业新的市场和业务渠道，提高客户的满意度和企业的赢利能力。对医药公司而言，注重公司的客户群体发展，提高客户满意度及稳定率，无疑有着非常重要的实际意义。
基于以上的论述，我们可以把医药公司CRM系统归结为就是公司与客户之间建立关系维持关系增进关系的过程，也是公司持续改进的吸引客户留住客户升级客户的营销策略。
5 对医药公司CRM数据进行数据挖掘的意义
1) 客户获取
在医药公司CRM系统中，数据挖掘技术可以帮助公司对潜在客户群进行筛选，再通过市场人员把由数据挖掘技术得出的潜在客户名单和这些客户感兴趣的优惠措施系统地结合起来，以达到实施正确的市场决策的目的。
2) 交叉营销
在医药公司CRM系统实现中，数据挖掘技术可以帮助公司在所有可能对客户提供的销售服务中找出最佳的一种服务，从而形成更加稳定的客户关系，为企业带来持续的经济效益。
3) 客户保持
通过对医药公司已有经营业务数据的分析发现，吸引并使一个新客户签约的开支要远远大于保留一个旧客户的开支，因为对旧客户的保持可能只是一次有关怀的拜访。
医药公司有大约30000名客户，利用CRM系统和数据挖掘技术进行有效的客户关系管理，对数据挖掘的结果进行分析和预测，进而指导公司的业务经营过程是十分必要的。
6 如何对医药公司CRM数据进行数据挖掘
开展有益的数据挖掘工作可从以下几个方面开始：
第一步，准备数据基础。
医药公司建立起的客户流失预测模型主要考虑终端患者用户。基于这个条件，在用来分析的客户群里包含了25000名左右的终端患者客户数据。
第二步，定义预测目标。
用2008年上半年的数据来建立预测分析模型，用以预测2009年上半年客户的变动情况。这里的变动情况是指使用或停止医药公司的业务。
第三步，选择数据挖掘工具。
目前我们使用了关联规则数据挖掘算法实现，输出的结果包含不同药品销售过程中关联关系，公司下一步的市场活动可以直接根据这些分析结果选择有针对性的药品销售，从而实现了对实际工作的指导。
第四步，结果分析运用数据挖掘技术得出挖掘结果，结合实际业务进行科学分析、定义，最终达到为企业经营管理过程提供参考的目的。
7 医药公司CRM系统框架结构
在CRM中企业和客户是关系维系的两极。企业通过制定科学有效的营销策略来满足客户需求、发展忠诚客户，为完成此目的，我们需要收集大量的客户资料，并登记在不同的卡上，形成公司的客户资料卡。客户资料卡为企业了解客户信息、与客户建立关系提供了方便。同时它也是客户和企业联系的纽带。接下来要利用数据挖掘技术进行分析，得出正确结论。通过数据挖掘，可以了解现有客户的需求，分析客户流失的原因和满意的原因来检讨营销策略，并制定新的策略来提高客户满意水平和客户忠诚度，同时数据挖掘还可以剖析现有的目标市场和不满意客户的构成，制定新的营销策略来吸引客户。根据上述工作过程，我们可以将CRM系统框架表示如图1所示。
总之，数据挖掘是实施客户关系管理、制定营销策略的核心工具，营销策略是提高客户满意水平的手段，满意水平提高带动客户忠诚度进而客户关系价值增加，最终提高盈利能力。
参考文献：
[1] 毛国君.数据挖掘原理与算法[M].北京:清华大学出版社,2007.
[2] 吴亮.基于数据挖掘技术的客户价值管理[D].贵州:贵州大学,2006.
[3] 魏娟,梁静国.基于数据挖掘技术的企业客户关系管理(CRM)[J].商业研究,2005(7):14-18.
篇13
数据挖掘又称为知识发现、商业智能，是指从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的但又潜在有用信息和知识的过程，这些知识具有新颖性、可用性和可理解性。[1]挖掘的任务有六种：分类、预测、关联分析、序列分析、聚类分析和偏差分析。数据挖掘使用的方法包括：归纳学习、集合论方法、统计方法、仿生物计算(神经网络、遗传算法、免疫算法)等。
在电子政务中数据挖掘的常用方法主要有决策树方法、统计的方法、归纳法、神经网络方法、遗传算法、粗糙集方法、人工智能、模糊集方法等。[2]电子政务中的数据挖掘是指为政府各种业务活动、工作、决策寻找知识，一般电子政务中数据挖掘的过程应该包括数据准备、挖掘处理、知识表达与解释三个阶段。
根据数据挖掘过程的几个阶段，一般数据挖掘系统应该包括数据载体、服务器、数据挖掘引擎、知识库、模式评估模块、用户界面等几个主要组成部分。[3]图1是一个典型的数据挖掘系统模型。从整体上看，一般数据挖掘的框架可以应用于电子政务数据挖掘，但是，必须根据挖掘目的需要对具体方面进行细化，针对电子政务中数据的特点，添加相应的模块。[4]图2是一个面向电子政务数据挖掘系统的基本框架，整个系统将用户界面、数据预处理模块、数据挖掘模块、数据库和外部文件紧密地结合在一起，构成了一个层次结构。
二、数据挖掘技术在电子政务中的应用体现
（一）实现电子政务中典型空间信息的自动提取
数据挖掘可以实现电子政务中典型空间信息的自动提取。对几个待选地点的遥感图像进行典型信启、自动提取，分析各个地点的地形地貌等特点，找出最合适的建筑地点。[5]可以对数字城市中的各种资源分布进行状态分析，为城市各种资源在空间上的优化配置、在时间上的合理利用，宏观、全局地制定城市规划和发展战略，减少资源浪费，为实现可持续发展提供科学决策的依据。
（二）降低成本、减少财政支出
电子政务系统的建设带来的直接的经济效益，就是打破了各级政府之间文件传递的繁琐性，用最快捷的电子方式在政府上下级之间传递信息，这不仅降低了政府办公用品及相关开销，而且无形中也减少了大量的额外开支。 通过数据挖掘可以了解各个部门的费用开支状况，并提供可行的减少开支的方案。
（三）分析和决策的需求
数据挖掘是电子政务辅助决策系统的重要技术手段。电子政务数据挖掘对政务系统中的海量数据进行开采、挖掘和分析，从中识别和抽取隐含的信息，并利用这些信息为政府部门重大政策、法规的制定提供决策依据。例如在辅助决策系统中通过对各种经济资源的挖掘确定未来经济的走势，从而制定出相应的经济策略。
（四）实时有效信息的需求
政府部门要充分发挥政府的职能，进行有效地监控和管理，同时为了增强民众和政府之间沟通的时效性，及时掌握有效的信息，就必须建立一个可以有效的收集、监测和分析所获得的大量数据的系统。
（五）政府的电子贸易
为了发现政务系统中用户的访问模式及行为模式，可以利用数据挖掘技术对系统服务器以及浏览器上日志记录中的数据进行挖掘操作，从中发现信息并对其进行预测分析。[6]例如，通过对用户对某些信息资源浏览所花费的时间进行挖掘，可以判断出用户对哪些信息资源感兴趣，从而进行个性化服务。
（六）优化网站设计
数据挖掘可以优化政府网站设计。通过对网站内容的挖掘，可以有效组织网站信息，把握用户兴趣，吸引更多的用户。为了有效地组织政府网站信息，可以通过对网站内容的挖掘，主要是对文本内容的挖掘操作。例如，可以利用聚类技术对网站文本的内容进行自动划分类别，从而实现网站信息的层次性组织和便于文本内容的分类浏览与检索。
（七）提高对各种突发事件的快速响应能力
数据挖掘可以提高政府对各种突发事件的快速响应能力。利用数据挖掘工具，对历史记载来的突发事件进行挖掘，从中提取、总结、升华相关经验教训，得到今后应对突发事件的各种知识，制定出有效高效的措施，提高政府的快速响应能力。
三、总结
数据挖掘是电子政务一项重要的应用技术和支持技术，可以为各级政府的决策提供科学的依据，提高各项政策制订的科学性和合理性。在工作过程中，政府部门建立了庞大的信息收集系统并积累了大量政务数据，这些政务数据的开发利用对于政府科学决策非常重要。电子政务数据挖掘能够有效地对政府部门海量的数据资源进行整合和利用，打破了政府部门之间对公共信息资源的垄断和封闭，加大了政府机构之间、政府与企业、政府与公众之间信息资源的共享和利用。今后应注重于面向电子政务的研究，重点研究实用的数据挖掘算法，开发业务型数据挖掘平台和工具，实现其与电子政务系统的集成，促进电子政务向智能化分析的发展。
参考文献：
