數據挖掘論文
無(wú)論在學(xué)習或是工作中，大家都接觸過(guò)論文吧，論文可以推廣經(jīng)驗，交流認識。那要怎么寫(xiě)好論文呢？以下是小編整理的數據挖掘論文，供大家參考借鑒，希望可以幫助到有需要的朋友。
數據挖掘論文1
摘要：隨著(zhù)科學(xué)技術(shù)的不斷發(fā)展，數據挖掘技術(shù)也應運而生。為了高效有序的醫療信息管理，需要加強數據挖掘技術(shù)在醫療信息管理中的實(shí)際應用，從而提升醫院的管理水平，為醫院的管理工作及資源的合理配置提供多樣化發(fā)展的可能性。筆者將針對數據挖掘技術(shù)在醫療信息管理中的應用這一課題進(jìn)行相應的探究，從而提出合理的改進(jìn)建議。
關(guān)鍵詞：挖掘技術(shù)；醫療信息管理；應用方式
數據挖掘作為一種數據信息再利用的有效技術(shù)，能夠有效地為醫院的管理決策提供重要信息。它以數據庫、人工智能以及數理統計為主要技術(shù)支柱進(jìn)行技術(shù)管理與決策。而在醫療信息管理過(guò)程之中應用數據挖掘技術(shù)能夠較好地針對醫療衛生信息進(jìn)行整理與歸類(lèi)來(lái)建立管理模型，形成有效的總結數據的同時(shí)能夠為醫療工作的高效進(jìn)行提供有價(jià)值的信息。所以筆者將以數據挖掘技術(shù)在醫療信息管理中的應用為著(zhù)手點(diǎn)，從而針對其應用現狀進(jìn)行探究，以此提出加強數據挖掘技術(shù)在醫療信息管理中應用的具體措施，希望能夠在理論層面上推動(dòng)醫療信息管理工作的飛躍。
1在醫療信息管理中應用數據挖掘技術(shù)的基本內涵
數據挖掘是結合信息收集技術(shù)、人工智能處理技術(shù)以及分析檢測技術(shù)等所形成的功能強大的技術(shù)。它能夠實(shí)現對于數據的收集、問(wèn)題的定義與處理，并且能夠較好地對于結果進(jìn)行解釋與評估。在醫療信息管理工作進(jìn)行的過(guò)程之中，應用數據挖掘技術(shù)可以較好地加強醫療信息數據模型的建立，同時(shí)以多種形式出現，例如文字信息、基本信號信息、圖像收集等，也能夠用來(lái)進(jìn)行醫療信息的科普與宣傳。并且，數據挖掘技術(shù)在醫療信息中所體現出的應用方式有所不同，在數據挖掘技術(shù)應用過(guò)程之中，既可以針對同一類(lèi)的實(shí)物反應出共同性質(zhì)的基本特征，同時(shí)也能夠根據具有一定關(guān)聯(lián)性的事物信息來(lái)探究差異。這些功能不僅僅能夠在醫療信息的管理層面上給予醫療人員較大的信息管理指導，同時(shí)在實(shí)際的醫療診斷過(guò)程之中，也可以向醫生提供患者的患病信息，并且輔助治療的進(jìn)行[1]。所以，在醫療信息管理中應用數據挖掘技術(shù)不僅僅能夠推動(dòng)醫療信息管理水平的提升，也是醫院實(shí)現現代化、信息化建設的重要體現，需要從根本上明確醫療信息管理應用數據挖掘技術(shù)的必要性與基本內涵，從而針對醫院的管理現狀實(shí)現其管理方式與技術(shù)應用的轉變與優(yōu)化。
2在醫療信息管理過(guò)程之中加強數據挖掘技術(shù)應用的重要措施
2.1實(shí)現建模環(huán)節以及數據收集環(huán)節的優(yōu)化
在應用數據挖掘技術(shù)的過(guò)程之中，必須基于數據庫信息的基礎之上，其數據挖掘技術(shù)才能夠進(jìn)行相應的規律探究與信息分析，所以需要在源頭處加強數據收集環(huán)節以及建模環(huán)節的優(yōu)化。以醫院中醫部門(mén)為例，在對于中醫處方經(jīng)驗的挖掘方法使用過(guò)程之中，需要針對不同的藥物進(jìn)行關(guān)聯(lián)性建模，比如數據庫中有基礎性藥物，針對藥物進(jìn)行頻數和次數的統計，然后以此類(lèi)推，將所有藥物都按照出現的頻數進(jìn)行降數排列，從而探究參考價(jià)值。建模環(huán)節以及數據收集環(huán)節是醫療信息管理過(guò)程的根本，所以需要做好對于建模環(huán)節以及數據收集環(huán)節的優(yōu)化，才能夠為數據挖掘技術(shù)的應用奠定相應的基礎[2]。
2.2細化數據挖掘技術(shù)應用類(lèi)別
想要在醫療信息管理過(guò)程之中，加強對于數據挖掘技術(shù)的有效應用，就需要從數據挖掘技術(shù)應用類(lèi)別處進(jìn)行著(zhù)手，從而提升技術(shù)應用的針對性與有效性。常見(jiàn)的技術(shù)應用類(lèi)別有：醫院資源配置方面、病患區域管理方面、醫療衛生質(zhì)量管理方面、醫療急診管理方面、醫院經(jīng)濟管理方面以及醫療衛生常見(jiàn)病宣傳方面等，數據挖掘技術(shù)都可以在這些類(lèi)別之中實(shí)現應用，但是在應用的.過(guò)程之中也有所不同。以病房區域管理為例，在應用數據挖掘技術(shù)之前，首先需要明確不同的科室狀況以及病房區域分配狀況等，加強病患區域的指標分析，因為病房管理不僅僅影響到科室的工作效率與工作效果，同時(shí)也是醫療物資分配與人員編制的主要參考標準。其次利用數據挖掘技術(shù)能夠較好地實(shí)現不同科室工作效率、質(zhì)量管理質(zhì)量以及經(jīng)濟收益等多種指標的評估，建立其科室的運營(yíng)模型，從而實(shí)現科室的又好又快發(fā)展。比如使用數據挖掘技術(shù)建立其病區管理的標準模型以及統計指標，從而計算出科室動(dòng)態(tài)的工作模型以及病床動(dòng)態(tài)的周轉次數等[3]。另外在醫療質(zhì)量管理過(guò)程之中，數據挖掘技術(shù)提供的不僅僅是資料數據的參考以及疾病的診斷，也能夠針對臨床的治療效果進(jìn)行分析與評價(jià)，并且能夠預測治療狀況：可以利用醫院的醫療數據庫，對于病人的基本患病信息進(jìn)行分類(lèi)，從而比對死亡率、治愈率等多個(gè)數據，實(shí)現治療方案的制訂。而在醫療質(zhì)量管理過(guò)程之中也有很多的影響因素，例如基礎醫療設備、病床周轉次數、病種治愈記錄等，所以也可以利用數據挖掘技術(shù)來(lái)進(jìn)一步加強其多種數據之間的關(guān)聯(lián)性，從而為提升醫院的社會(huì )效益與經(jīng)濟效益提出合理的參考性建議。
2.3明確數據挖掘技術(shù)的應用方向
醫院加強數據挖掘技術(shù)應用方向的探索上，可以從客戶(hù)拓展這個(gè)角度出發(fā)實(shí)現對于醫療信息管理。例如通過(guò)數據挖掘技術(shù)多方進(jìn)行患者信息比對，同時(shí)制訂完善的醫療服務(wù)影響策略方式，加強對于客戶(hù)行為的分析；在數據挖掘的基礎之上，增強其技術(shù)應用的實(shí)用性，在分析的基礎之上比對自身的競爭優(yōu)勢，實(shí)現醫院資源的合理規劃與合理配置，例如藥品、資金以及疾病診斷等，從而實(shí)現經(jīng)營(yíng)狀況的優(yōu)化。目前醫院也逐步向現代化、信息化方向發(fā)展，無(wú)論是信息管理還是醫療技術(shù)方面，醫院都已經(jīng)成為了一個(gè)信息化的綜合行業(yè)體系，所以在加強數據挖掘應用的過(guò)程之中，還需要加強數據信息的管理，實(shí)現數據挖掘結果的維護，從而提升醫院的決策能力，實(shí)現數據挖掘技術(shù)的高效應用。
3結語(yǔ)
醫院在目前的醫療信息管理過(guò)程之中，還有很大的發(fā)展空間，需要綜合利用數據挖掘技術(shù)，實(shí)現其信息管理水平的提升。通過(guò)明確數據挖掘技術(shù)的應用方向、應用類(lèi)別以及建模數據環(huán)節的優(yōu)化等，促進(jìn)醫院管理水平的提升，實(shí)現數據挖掘技術(shù)應用效果的提升.
參考文獻：
[1]鄭勝前.數據挖掘技術(shù)在社區醫療服務(wù)系統中的應用與研究[J].數字技術(shù)與應用,20xx(09):81-82.
[2]廖亮.數據挖掘技術(shù)在醫療信息管理中的應用[J].中國科技信息,20xx(11):54,56.
[3]牟勇.數據挖掘技術(shù)在醫院信息化系統中應用[J].電子測試,20xx(11):23-24,22.
數據挖掘論文2
摘要：數據挖掘是指從海量數據中找到人們未知、可能有用的、隱藏的規則，可以通過(guò)關(guān)聯(lián)分析、聚類(lèi)分析、時(shí)序分析等各種算法發(fā)現一些無(wú)法通過(guò)觀(guān)察圖表得出的深層次原因。將計算機數據挖掘技術(shù)應用于高校學(xué)籍預警機制的研究中，在大量以往的教學(xué)管理數據庫中挖掘出未知、可能有用的、隱藏的規則，促進(jìn)教育的改革和發(fā)展。
關(guān)鍵詞：數據挖掘;DataMining;學(xué)籍預警機制
本文針對學(xué)分制背景下高校學(xué)籍預警機制存在的問(wèn)題和現狀，用計算機數據挖掘（DataMining）技術(shù)對學(xué)籍預警機制進(jìn)行分析，通過(guò)數據挖掘有關(guān)方法對搜集到的學(xué)生學(xué)籍數據進(jìn)行分析和處理，以求能夠挖掘出大量的隱含在學(xué)籍信息系統中的有價(jià)值的資源，用以預測可能發(fā)生的預警事件，為教學(xué)管理者進(jìn)行危機管理提供幫助。隨著(zhù)高校招生規模不斷擴大，如何保證高校的教學(xué)質(zhì)量最終完成人才培養方案，成為一個(gè)重要的問(wèn)題，具有重要研究?jì)r(jià)值。
一、高校學(xué)籍預警機制的現狀及問(wèn)題
20xx年8月教育部對“學(xué)籍預警”這一詞語(yǔ)做出了解釋?zhuān)菏且环N高等教育管理方式。普通高校學(xué)籍的預警方式一般采用學(xué)校和院系雙向管理，學(xué)校負責統一制定學(xué)籍預警標準，通過(guò)學(xué)習進(jìn)度推進(jìn)的不同階段劃分學(xué)分預警標準，在達到一定學(xué)分線(xiàn)開(kāi)始預警，分為考勤預警、選課預警、成績(jì)預警、學(xué)籍異動(dòng)預警、畢業(yè)預警。根據高校教學(xué)管理系統，對缺課達到一定數目的學(xué)生進(jìn)行提醒教育，期末統計學(xué)生完成的學(xué)分來(lái)評估學(xué)生學(xué)習情況，并預測學(xué)生是否能夠完成培養方案，通過(guò)教師提供的學(xué)生考勤記錄、作業(yè)情況以及課堂表現等，針對學(xué)生的具體情況對其預警。教學(xué)考核工作與學(xué)生思想政治工作在學(xué)生管理方面相對獨立，主要是事先警示教育、事后跟蹤管理。目前的學(xué)籍預警主要是單方向的，原有的學(xué)籍管理制度大都是傳統的事后處理型，具有延遲性。只有出現嚴重的學(xué)籍異常后，才會(huì )觸發(fā)預警機制，采取相應的對策解決問(wèn)題，家長(cháng)對學(xué)生的在校學(xué)習情況了解不清，了解不及時(shí)，比如之前學(xué)期表現良好的學(xué)生本學(xué)期出現網(wǎng)癮狀態(tài)而不能及時(shí)發(fā)現，往往會(huì )錯過(guò)對該生的最佳教育期。傳統的學(xué)籍預警機制無(wú)法做到提前預知，對學(xué)生的學(xué)習和生活狀況無(wú)法實(shí)時(shí)監管，問(wèn)題的根源也無(wú)法追蹤。
二、數據挖掘技術(shù)
數據挖掘（DataMining）是指從海量數據中找到人們未知的、可能有用的、隱藏的規則，可以通過(guò)關(guān)聯(lián)分析、聚類(lèi)分析、時(shí)序分析等各種算法發(fā)現一些無(wú)法通過(guò)觀(guān)察圖表得出的深層次原因。因此，將計算機數據挖掘技術(shù)應用于高校學(xué)籍預警機制的研究中，在大量以往的教學(xué)管理數據庫中挖掘出未知的、可能有用的、隱藏的規則，促進(jìn)教育的改革和發(fā)展。將計算機數據挖掘技術(shù)和傳統的人力管理相結合，以學(xué)生為本，建立健全全方位學(xué)籍預警構架，做到“防微杜漸”，為學(xué)校順利完成教育目標起到促進(jìn)作用。
三、數據挖掘在學(xué)籍預警機制里的應用
隨著(zhù)計算機技術(shù)的進(jìn)步，各大高校逐步建立了日益完善的學(xué)籍信息管理系統，累積了大量學(xué)籍信息數據庫。目前，這些數據主要用來(lái)向各級管理部門(mén)上報和學(xué)校自行查看存檔，但對于這些數據后面隱藏的價(jià)值并沒(méi)有進(jìn)行深度挖掘和利用，十分可惜。所以，應以高校學(xué)生信息管理系統為對象，研究深度數據挖掘的方法，“透過(guò)現象看本質(zhì)”，綜合分析出有價(jià)值的學(xué)籍預警信息，為管理提供參考。例如，學(xué)校發(fā)現高等數學(xué)等主干課的不及格率有逐年上升的趨勢，一般認為是學(xué)習不認真所致，但做了很多工作效果并不明顯，這時(shí)通過(guò)數據挖掘分析挖掘最近10年所有有過(guò)不及格課程的學(xué)生的成績(jì)，發(fā)現有較高比例的.學(xué)生來(lái)自西部地區，而且還發(fā)現有較高比例的學(xué)生家庭收入非常高或者非常低（生源地和經(jīng)濟情況問(wèn)題）。針對此可以在學(xué)生管理上提前采取有針對性的管理措施。制定好目標標準，挖掘學(xué)生的學(xué)習習慣及學(xué)習特長(cháng)，輔助教師指導學(xué)生，指導學(xué)生改正自己的不當行為，提高學(xué)習能力。從教學(xué)管理系統中所記載的學(xué)生基本資料、學(xué)習成績(jì)、學(xué)習經(jīng)歷、學(xué)習喜好以及知識體系結構等內容，發(fā)現學(xué)生學(xué)習習慣，輔助學(xué)生改正自身學(xué)習行為。提高學(xué)生各方面綜合素質(zhì)。利用數據挖掘的關(guān)聯(lián)分析輔助師生行為預警干預。各高校學(xué)籍管理系統中記載著(zhù)各院系各專(zhuān)業(yè)學(xué)生與教師的學(xué)習工作，社會(huì )活動(dòng)，獎勵處罰情況，可從中分析出師生各種活動(dòng)之間的內在聯(lián)系，假定有規則“A∪B∈C”，那么當在實(shí)際活動(dòng)中，某學(xué)生已有A和B行為，馬上可以分析出產(chǎn)生下個(gè)行為的概率，可即時(shí)預警，提前制止C行為的發(fā)生。利用數據挖掘為課程設置提供合理依據。高校學(xué)生的課程安排設置是循序漸進(jìn)的，每門(mén)課程之間都有一定的關(guān)聯(lián)和前后順序，在學(xué)習一門(mén)專(zhuān)業(yè)課程之前必須先修一門(mén)基礎課程，基礎知識沒(méi)學(xué)好勢必影響專(zhuān)業(yè)課程的學(xué)習。而且，同一年級不同專(zhuān)業(yè)學(xué)生之間，由于教師或教師專(zhuān)業(yè)背景知識不同，各個(gè)學(xué)生總體成績(jì)相差有時(shí)會(huì )很大。數據庫中記載著(zhù)以往各專(zhuān)業(yè)學(xué)生各學(xué)科考試成績(jì)，使用數據挖掘的關(guān)聯(lián)分析與時(shí)序分析技術(shù)，能分析出原因，在此基礎上對課程進(jìn)行合理設置。
綜上所述，將基于計算機數據挖掘技術(shù)應用于高校的教學(xué)管理，以提高教學(xué)管理的預知性，增加教法選擇的參考性，加強教學(xué)過(guò)程的指導性，提高教學(xué)質(zhì)量。
參考文獻：
[1]陳東民，等.數據倉庫與數據挖掘技術(shù)[M].北京：北京電子工業(yè)出版社，20xx
[2]楊?lèi)?數據挖掘在高校招生工作中的應用前景[J].教育科學(xué)，20xx
[3]胡侃.基于大型數據倉庫的數據采掘[J].軟件學(xué)報，1998
數據挖掘論文3
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4
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5
1理論研究
1.1客戶(hù)關(guān)系管理
客戶(hù)關(guān)系管理的目標是依靠高效優(yōu)質(zhì)的服務(wù)吸引客戶(hù)，同時(shí)通過(guò)對業(yè)務(wù)流程的全面優(yōu)化和管理，控制企業(yè)運行成本�？蛻�(hù)關(guān)系管理是一種管理理念，將企業(yè)客戶(hù)視作企業(yè)發(fā)展最重要的企業(yè)資源，采用企業(yè)服務(wù)優(yōu)化等手段來(lái)管理客戶(hù)關(guān)系�？蛻�(hù)關(guān)系管理并不是單純的信息技術(shù)或者管理技術(shù)，而是一種企業(yè)生物戰略，通過(guò)對企業(yè)客戶(hù)的分段充足，強化客戶(hù)滿(mǎn)意的行為，優(yōu)化企業(yè)可盈利性，將客戶(hù)處理工作上升到企業(yè)級別，不同部門(mén)負責與客戶(hù)進(jìn)行交互，但是整個(gè)企業(yè)都需要向客戶(hù)負責，在信息技術(shù)的支持下實(shí)現企業(yè)和客戶(hù)連接環(huán)節的自動(dòng)化管理。
1.2客戶(hù)細分
客戶(hù)細分由美國學(xué)者溫德?tīng)柺访芩乖?0世紀50年代提出，認為客戶(hù)細分是根據客戶(hù)屬性將客戶(hù)分成集合�，F代營(yíng)銷(xiāo)學(xué)中的客戶(hù)細分是按照客戶(hù)特征和共性將客戶(hù)群分為不同等級或者子群體，尋找相同要素，對不同類(lèi)別客戶(hù)心理與需求急性研究和評估，從而指導進(jìn)行企業(yè)服務(wù)資源的分配，是企業(yè)獲得客戶(hù)價(jià)值的一種理論與方法。因此我們注意到，客戶(hù)細分其實(shí)是一個(gè)分類(lèi)問(wèn)題，但是卻有著(zhù)顯著(zhù)的特點(diǎn)。
1.2.1客戶(hù)細分是動(dòng)態(tài)的企業(yè)不斷發(fā)展變化，用戶(hù)數據不斷積累，市場(chǎng)因素的變化，都會(huì )造成客戶(hù)細分的變化。所以客戶(hù)細分工作需要根據客戶(hù)情況的變化進(jìn)行動(dòng)態(tài)調整，
減少錯誤分類(lèi)，提高多次細分中至少有一次是正確分類(lèi)的可能性。
1.2.2受眾多因素影響
隨著(zhù)時(shí)間的推移，客戶(hù)行為和心理會(huì )發(fā)生變化，所以不同時(shí)間的數據會(huì )反映出不同的規律，客戶(hù)細分方法需要在變化過(guò)程中準確掌握客戶(hù)行為的規律性。
1.2.3客戶(hù)細分有不同的分類(lèi)標準
一般分類(lèi)問(wèn)題強調準確性，客戶(hù)關(guān)系管理則強調有用性，講求在特定限制條件下實(shí)現特定目標。
1.3數據挖掘
數據挖掘就是從大型數據庫數據中提取有價(jià)值的、隱含的、事前未知的潛在有用信息。數據挖掘技術(shù)不斷發(fā)展，挖掘對象不再是單一數據庫，已經(jīng)逐漸發(fā)展到文件系統、數據集合以及數據倉庫的挖掘分析。
2客戶(hù)細分的數據挖掘
2.1邏輯模型
客戶(hù)數據中有著(zhù)若干離散客戶(hù)屬性和連續客戶(hù)屬性，每個(gè)客戶(hù)屬性為一個(gè)維度，客戶(hù)作為空間點(diǎn)，全部客戶(hù)都能夠形成多為空間，作為客戶(hù)的屬性空間，假設A={A1，A2,…Am}是一組客戶(hù)屬性，屬性可以是連續的，也可以離散型，這些屬性就形成了客戶(hù)m維屬性空間。同時(shí)設g是一個(gè)描述客戶(hù)屬性的'一個(gè)指標，f(g)是符合該指標的客戶(hù)集合，即為概率外延，則任一確定時(shí)刻都是n個(gè)互不相交集合。在客戶(hù)價(jià)值概念維度上，可分為“有價(jià)值客戶(hù)”“潛在價(jià)值客戶(hù)”“無(wú)價(jià)值客戶(hù)”三種類(lèi)型，定義RB如下：(1)顯然RB是一個(gè)等價(jià)關(guān)系，經(jīng)RB可分類(lèi)屬性空間為若干等價(jià)類(lèi)，每個(gè)等價(jià)類(lèi)都是一個(gè)概念類(lèi)，建立客戶(hù)細分，就是客戶(hù)屬性空間和概念空間映射關(guān)系的建立過(guò)程。
2.2客戶(hù)細分數據挖掘實(shí)施
通過(guò)數據庫已知概念類(lèi)客戶(hù)數據進(jìn)行樣本學(xué)習和數據挖掘，進(jìn)行客戶(hù)屬性空間與概念空間映射的自動(dòng)歸納。首先確定一組概念類(lèi)已知客戶(hù)集合。首先確定一個(gè)映射：p：C→L，使，如果，則。，求p(c)確定所屬概念類(lèi)。數據部分有客戶(hù)數據存儲和概念維數據構成，客戶(hù)數據存儲有企業(yè)全部?jì)仍趯傩�、外在屬性以及行為屬性等數據，方法則主要有關(guān)聯(lián)規則分析、深井網(wǎng)絡(luò )分類(lèi)、決策樹(shù)、實(shí)例學(xué)習等數據挖掘方法，通過(guò)對客戶(hù)數據存儲數據學(xué)習算法來(lái)建立客戶(hù)數據和概念維之間的映射關(guān)系。
2.3客戶(hù)細分數據分析
建立客戶(hù)動(dòng)態(tài)行為描述模型，滿(mǎn)足客戶(hù)行為非確定性和非一致性要求，客戶(hù)中心的管理體制下，客戶(hù)細分影響企業(yè)戰術(shù)和戰略級別決策的生成，所以數據挖掘要能夠彌補傳統數據分析方法在可靠性方面的缺陷。
2.3.1客戶(hù)外在屬性
外在屬性有客戶(hù)地理分布、客戶(hù)組織歸屬情況和客戶(hù)產(chǎn)品擁有情況等�？蛻�(hù)的組織歸屬是客戶(hù)社會(huì )組織類(lèi)型，客戶(hù)產(chǎn)品擁有情況是客戶(hù)是否擁有或者擁有哪些與其他企業(yè)或者其他企業(yè)相關(guān)產(chǎn)品。
2.3.2內在屬性
內在屬性有人口因素和心理因素等，人口因素是消費者市場(chǎng)細分的重要變量。相比其他變量，人口因素更加容易測量。心理因素則主要有客戶(hù)愛(ài)好、性格、信用情況以及價(jià)值取向等因素。
2.3.3消費行為
消費行為屬性則重點(diǎn)關(guān)注客戶(hù)購買(mǎi)前對產(chǎn)品的了解情況，是客戶(hù)細分中最客觀(guān)和重要的因素。
2.4數據挖掘算法
2.4.1聚類(lèi)算法
按照客戶(hù)價(jià)值標記聚類(lèi)結果，通過(guò)分類(lèi)功能，建立客戶(hù)特征模型，準確描述高價(jià)值客戶(hù)的一些特有特征，使得企業(yè)在之后的市場(chǎng)活動(dòng)中能夠迅速發(fā)現并抓住類(lèi)似的高價(jià)值客戶(hù)，全面提高客戶(hù)的整體價(jià)值水平。通常都采用中心算法進(jìn)行客戶(hù)的聚類(lèi)分析，分析涉及的字段主要有客戶(hù)的基本信息以及與客戶(hù)相關(guān)業(yè)務(wù)信息，企業(yè)采用中心算法，按照企業(yè)自身的行業(yè)性質(zhì)以及商務(wù)環(huán)境，選擇不同的聚類(lèi)分析策略，有主屬性聚類(lèi)分析和全屬性聚類(lèi)分析兩類(lèi)。主屬性聚類(lèi)分析是企業(yè)根據在企業(yè)標度變量中選擇主要弧形作為聚類(lèi)分析變量。通常區間標度變量選用的度量單位會(huì )對聚類(lèi)分析結果產(chǎn)生很大影響，選擇的度量單位越小，就會(huì )獲得越大的可能值域，對聚類(lèi)結果的影響也就越大。
2.4.2客戶(hù)分析預測
行業(yè)競爭愈加激烈，新客戶(hù)的獲得成本越來(lái)越高，在保持原有工作價(jià)值的同時(shí)，客戶(hù)的流失也受到了企業(yè)的重視。為了控制客戶(hù)流失，就需要對流失客戶(hù)的數據進(jìn)行認真分析，找尋流失客戶(hù)的根本原因，防止客戶(hù)的持續流失。數據挖掘聚類(lèi)功能同樣能夠利用在客戶(hù)流失數據分析工作中，建立基于流失客戶(hù)數據樣本庫的分類(lèi)函數以及分類(lèi)模式，通過(guò)模型分析客戶(hù)流失因素，能夠獲得一個(gè)最有可能流失的客戶(hù)群體，同時(shí)編制一個(gè)有針對性的挽留方案。之后對數據進(jìn)行分析并利用各種數據挖掘技術(shù)和方法在多個(gè)可供選擇的模型中找出最佳模型。初始階段，模型的擬合程度可能不理想，但是隨著(zhù)模型的不斷更換和優(yōu)化，最終就有可能找出合適的模型進(jìn)行數據描述并挖掘出流失數據規律。通常模擬模型都通過(guò)數據分析專(zhuān)業(yè)和業(yè)務(wù)專(zhuān)家協(xié)作完成，采用決策樹(shù)、貝葉斯網(wǎng)絡(luò )、神經(jīng)網(wǎng)絡(luò )等流失分析模型，實(shí)現客戶(hù)行為的預測分析。
3結語(yǔ)
從工業(yè)營(yíng)銷(xiāo)中的客戶(hù)細分觀(guān)點(diǎn)出發(fā)，在數據挖掘、客戶(hù)關(guān)系管理等理論基礎上，采用統計學(xué)、運籌學(xué)和數據挖掘技術(shù)，對客戶(hù)細分的數據挖掘方法進(jìn)行了研究，建立了基于決策樹(shù)的客戶(hù)細分模型，是一種效率很高的管理工具。
作者:區嘉良 呂淑儀 單位:中國石化廣東石油分公司
數據挖掘論文6
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7
1、數據挖掘技術(shù)的應用及特點(diǎn)
數據挖掘技術(shù)是一種新型的技術(shù)，在現代數據存儲以及測量技術(shù)的迅猛發(fā)展過(guò)程中，人們可以進(jìn)行信息的大量測量并進(jìn)行存儲。但是，在大量的信息背后卻沒(méi)有一種有效的手段和技術(shù)進(jìn)行直觀(guān)的表達和分析。而數據挖掘技術(shù)的出現，是對目前大數據時(shí)代的一種應急手段，使得有關(guān)計算機數據處理技術(shù)得到加快發(fā)展。數據挖掘技術(shù)最早是從機器學(xué)習的概念中而產(chǎn)生的，在對機器的學(xué)習過(guò)程中，一般不采用歸納或者較少使用這種方法，這是一種非常機械的操作辦法。而沒(méi)有指導性學(xué)習的辦法一般不從這些環(huán)境得出反饋，而是通過(guò)沒(méi)有干預的情況下進(jìn)行歸納和學(xué)習，并建立一種理論模型。數據挖掘技術(shù)是屬于例子歸納學(xué)習的一種方式，這種從例子中進(jìn)行歸納學(xué)習的方式是介于上述無(wú)指導性學(xué)習以及較少使用歸納學(xué)習這兩種方式之間的一種方式。因此，可以說(shuō)，數據挖掘技術(shù)的特征在出自于機器學(xué)習的背景下，與其相比機器主要關(guān)心的是如何才能有效提高機器的學(xué)習能力，但數據挖掘技術(shù)主要關(guān)心如何才能找到有用、有價(jià)值的信息。其第二個(gè)特征是，與機器學(xué)習特點(diǎn)相比較而言，機器關(guān)心的是小數據，而數據挖掘技術(shù)所面臨的對象則是現實(shí)中海量規模的數據庫，其作用主要是用來(lái)處理一些異�，F象，特別是處理殘缺的、有噪音以及維數很高的數據項，甚至是一些不同類(lèi)型數據。以往的數據處理方法和現代的數據挖掘技術(shù)相比較而言，其不同點(diǎn)是以往的傳統數據處理方法前提是把理論作為一種指導數據來(lái)進(jìn)行處理，在現代數據挖掘技術(shù)的出發(fā)角度不同，主要運用啟發(fā)式的歸納學(xué)習進(jìn)行理論以及假設來(lái)處理的。
2、數據挖掘技術(shù)主要步驟
數據挖掘技術(shù)首先要建立數據倉庫，要根據實(shí)際情況而定，在易出現問(wèn)題的有關(guān)領(lǐng)域建立有效的數據庫。主要是用來(lái)把數據庫中的所有的存儲數據進(jìn)行分析，而目前的一些數據庫雖然可以進(jìn)行大量的存儲數據，同時(shí)也進(jìn)行了一系列的技術(shù)發(fā)展。比如，系統中的在線(xiàn)分析處理，主要是為用戶(hù)查詢(xún)，但是卻沒(méi)有查詢(xún)結果的分析能力，而查詢(xún)的結果仍舊由人工進(jìn)行操作，依賴(lài)于對手工方式進(jìn)行數據測試并建模。其次，在數據庫中存儲的數據選一數據集，作為對數據挖掘算法原始輸入。此數據集所涉及到數據的時(shí)變性以及統一性等情況。然后，再進(jìn)行數據的預處理，在處理中主要對一些缺損數據進(jìn)行補齊，并消除噪聲，此外還應對數據進(jìn)行標準化的處理。隨后，再對數據進(jìn)行降維和變換。如果數據的維數比較高，還應找出維分量高的數據，對高維數數據空間能夠容易轉化為檢點(diǎn)的低維數數據空間進(jìn)行處理。下一步驟就是確定任務(wù)，要根據現實(shí)的需要，對數據挖掘目標進(jìn)行確定，并建立預測性的模型、數據的摘要等。隨后再決定數據挖掘的算法，這一步驟中，主要是對當前的數據類(lèi)型選擇有效的處理方法，此過(guò)程非常重要，在所有數據挖掘技術(shù)中起到較大作用。隨后再對數據挖掘進(jìn)行具體的處理和結果檢驗，在處理過(guò)程中，要按照不同的目的，選擇不同的算法，是運用決策樹(shù)還是分類(lèi)等的算法，是運用聚類(lèi)算法還是使用回歸算法，都要認真處理，得出科學(xué)的結論。在數據挖掘結果檢驗時(shí)，要注意幾個(gè)問(wèn)題，要充分利用結論對照其他的信息進(jìn)行校核，可對圖表等一些直觀(guān)的信息和手段進(jìn)行輔助分析，使結論能夠更加科學(xué)合理。需要注意的是要根據用戶(hù)來(lái)決定結論有用的程度。最后一項步驟是把所得出的結論進(jìn)行應用到實(shí)際，要對數據挖掘的結果進(jìn)行仔細的校驗，重點(diǎn)是解決好以前的觀(guān)點(diǎn)和看法有無(wú)差錯，使目前的結論和原先看法的矛盾有效解除。
3、數據挖掘技術(shù)的方法以及在電力營(yíng)銷(xiāo)系統中的應用和發(fā)展
數控挖掘技術(shù)得到了非常廣泛的應用，按照技術(shù)本身的發(fā)展出現了較多方法。例如，建立預測性建模方法，也就是對歷史數據進(jìn)行分析并歸納總結，從而建立成預測性模型。根據此模型以及當前的其他數據進(jìn)行推斷相關(guān)聯(lián)的數據。如果推斷的對象屬于連續型的變量，那么此類(lèi)的`推斷問(wèn)題可屬回歸問(wèn)題。根據歷史數據來(lái)進(jìn)行分析和檢測，再做出科學(xué)的架設和推定。在常用的回歸算法以及非線(xiàn)性變換進(jìn)行有效的結合，能夠使許多問(wèn)題得到解決。電力營(yíng)銷(xiāo)系統中的數據挖掘技術(shù)應用中關(guān)聯(lián)規則是最為關(guān)鍵的技術(shù)應用之一。這種應用可以有效地幫助決策人員進(jìn)行當前有關(guān)數據以及歷史數據的規律分析，最后預測出未來(lái)情況。把關(guān)聯(lián)規則成功引入電力營(yíng)銷(xiāo)分析，通過(guò)FP-Growth算法對電力營(yíng)銷(xiāo)的有關(guān)數據進(jìn)行關(guān)聯(lián)規則分析，從中得出各種電量銷(xiāo)售的影響因素以及外部因素、手電水平等的關(guān)聯(lián)信息，以便更好地為電力的市場(chǎng)營(yíng)銷(xiāo)策略提供參謀和決策。對電力營(yíng)銷(xiāo)系統的應用中，時(shí)間序列挖掘以及序列挖掘非常經(jīng)典、系統，是應用最為廣泛的一種預測方法。這種方法的應用中，對神經(jīng)網(wǎng)絡(luò )的研究非常之多。因此，在現實(shí)中應用主要把時(shí)間序列挖掘以及神經(jīng)網(wǎng)絡(luò )兩者進(jìn)行有效地結合，然后再分析有關(guān)電力營(yíng)銷(xiāo)數據。此外，有關(guān)專(zhuān)家還提出應用一種時(shí)間窗的序列挖掘算法，這種方式可以進(jìn)行有效地報警處理，使電力系統中的故障能夠準確的定位并診斷事故。此算法對電力系統的分析和挖掘能力的提高非常有效，還可判定電力系統的運行是否穩定，對錯誤模型的分析精度達到一定的精確度。
4、結語(yǔ)
目前，對數據挖掘技術(shù)在整個(gè)電力營(yíng)銷(xiāo)系統中的應用還處于較低水平上，其挖掘算法的單一并不能有效地滿(mǎn)足實(shí)際決策需要。但是，由于數據挖掘技術(shù)對一些潛在的問(wèn)題預測能力較強，特別是對電力營(yíng)銷(xiāo)系統中較大規模的非線(xiàn)性問(wèn)題，具有較強的處理能力，在未來(lái)的發(fā)展中會(huì )成為營(yíng)銷(xiāo)領(lǐng)域中重要的應用工具。
數據挖掘論文8
摘要：本文簡(jiǎn)述如何將數據挖掘技術(shù)應用于圖書(shū)館各部門(mén)管理中，幫助圖書(shū)館管理者依據數據挖掘技術(shù)更好地為讀者提供科學(xué)化和人性化的服務(wù)，促進(jìn)圖書(shū)館事業(yè)的創(chuàng )新與發(fā)展。
關(guān)鍵詞：高校圖書(shū)館；數據挖掘；創(chuàng )新；發(fā)展。
隨著(zhù)網(wǎng)絡(luò )技術(shù)、計算機技術(shù)的快速發(fā)展，高校圖書(shū)館事業(yè)也順應時(shí)變，不斷向高科技、高水平領(lǐng)域進(jìn)展，尤其是當今處于數字信息發(fā)展的時(shí)代。如果利用圖書(shū)館現有以及收集的數據資源，通過(guò)數據挖掘技術(shù)來(lái)分析、篩選對圖書(shū)館有用的數據信息，依據提煉的數據資源來(lái)指導、推進(jìn)圖書(shū)館事業(yè)的創(chuàng )新與發(fā)展，是當今信息時(shí)代圖書(shū)館亟待研究、探討的一個(gè)問(wèn)題。本文將簡(jiǎn)述如何將數據挖掘技術(shù)應用于圖書(shū)館各部門(mén)管理之中，幫助圖書(shū)館管理者依據數據挖掘技術(shù)更好地為讀者提供科學(xué)化和人性化的服務(wù)，促進(jìn)圖書(shū)館的事業(yè)創(chuàng )新與發(fā)展。
一、數據挖掘技術(shù)綜述。
數據挖掘定義。數據挖掘（Data Mining，DM）是一種新的信息處理技術(shù)，其主要特點(diǎn)是對單位、企業(yè)數據庫中的大量業(yè)務(wù)數據進(jìn)行抽取、轉換分析和其他模型化處理，以從中提取輔助管理決策的關(guān)鍵性數據。數據挖掘就是從大量的、不完全的、有噪聲的、模糊的和隨機的數據中，提取隱含在其中的、人們事先不知道的但又是潛在有用的信息和知識的過(guò)程。換句話(huà)說(shuō)，數據挖掘技術(shù)就是從收集的大量、繁雜的數據中挖掘出其隱含的、未知的、對決策有潛在價(jià)值的關(guān)系、模式和趨勢，并用這些知識和規則建立用于決策支持的模型，提供預測性決策支持的方法、工具和過(guò)程。
數據挖掘的意義。在當今的競爭時(shí)代社會(huì )中，隨著(zhù)計算機的飛速發(fā)展，計算機強大的數據處理能力、內存儲存容量和網(wǎng)絡(luò )寬帶等價(jià)格的持續快速下降，因此大型的`數據分析、提取技術(shù)不再是一個(gè)障礙。面對圖書(shū)館每天接收的龐大數據源，管理者必須學(xué)會(huì )從所擁有的大量數據信息源中提取并利用隱含在這些數據中的有用價(jià)值以及有用新信息，從而獲取對圖書(shū)館事業(yè)研究領(lǐng)域的本質(zhì)認知和未來(lái)認知，幫助圖書(shū)館管理者從傳統的經(jīng)驗管理、主觀(guān)管理提升為理性管理和科學(xué)管理。
數據挖掘的應用分類(lèi)。目前較常用的一般有分類(lèi)與回歸、關(guān)聯(lián)規則、聚類(lèi)分析、時(shí)序模式等。
二、數據挖掘技術(shù)對圖書(shū)館事業(yè)創(chuàng )新與發(fā)展的影響。
面對大量數據，如何去存儲和收集數據，如何利用數據挖掘技術(shù)將圖書(shū)館海量信息數據中提取供管理者決策的有價(jià)值的數據，提取并利用隱藏在這些數據中的有用知識的能力變得越來(lái)越重要。運用數據挖掘技術(shù)從數據中獲得有用的知識，這在圖書(shū)館管理方面顯得尤為重要，本文將簡(jiǎn)述如何將數據挖掘技術(shù)應用于圖書(shū)館各部門(mén)工作，為今后各部門(mén)的創(chuàng )新與發(fā)展提供策略分析。
流通部門(mén)。流通部門(mén)作為圖書(shū)館的一線(xiàn)服務(wù)崗位，對圖書(shū)館功能的發(fā)揮起著(zhù)舉足輕重的作用。作為窗口形象崗位，直接體現了圖書(shū)館的整體工作狀態(tài)。
要實(shí)現從以往的經(jīng)驗管理、主觀(guān)管理提升為科學(xué)管理和理性管理，數據挖掘技術(shù)將利用現代技術(shù)展現其獨天得厚的優(yōu)勢。圖書(shū)館每天都會(huì )產(chǎn)生大量的圖書(shū)流通數據，這些數據包含進(jìn)、出館讀者人數，借、還書(shū)數量，檢索查詢(xún)次數以及網(wǎng)上咨詢(xún)等大量繁雜的數據。在流通部門(mén)最為常用的數據就是借書(shū)、還書(shū)量，通過(guò)借書(shū)、還書(shū)數據的統計，可獲取讀者信息行為、借閱書(shū)興趣導向，充分利用數據挖掘技術(shù)如關(guān)聯(lián)規則、分類(lèi)、聚類(lèi)、時(shí)間序列分析等，對圖書(shū)館蘊含的大量豐富的用戶(hù)行為進(jìn)行建模，從而挖掘出有用的或有興趣的信息和知識。如可利用這些有價(jià)值的信息，借鑒“啤酒與尿布”的經(jīng)典商業(yè)案例，嘗試在流通部開(kāi)辟一塊試驗田地――搭檔書(shū)架，即通過(guò)借、還書(shū)數據挖掘，將讀者感興趣、組合搭檔頻率高的書(shū)籍挑選出來(lái)，開(kāi)辟一塊搭檔書(shū)架，方便讀者在借用專(zhuān)業(yè)書(shū)籍的同時(shí)順便也借閱自己感興趣的圖書(shū)，既學(xué)習了自己的專(zhuān)業(yè)知識，同時(shí)也順便閱讀了自己感興趣的書(shū)籍，充分實(shí)現了圖書(shū)館“第二課堂”的育人價(jià)值。
采編部門(mén)。傳統的采編部門(mén)在采集書(shū)籍時(shí)大多數情況是依據采集經(jīng)驗或是依據各院系、讀者反饋的需求書(shū)籍進(jìn)行征訂。大部分購買(mǎi)的圖書(shū)還是比較適合讀者所用的，但也會(huì )存在一些盲目性，有時(shí)會(huì )造成采集的偏差，這是采編部門(mén)一直比較困惑的問(wèn)題。如何既將購書(shū)經(jīng)費合理利用好，同時(shí)又能滿(mǎn)足讀者借閱所需，是采編部門(mén)長(cháng)期探索、研究的問(wèn)題。如果將數據挖掘技術(shù)運用到采編部門(mén)，通過(guò)一線(xiàn)的文獻借閱數據，分析、挖掘、提煉讀者借、還書(shū)的信息量，且一直追蹤這些信息數源的變化，即可獲得可被部門(mén)利用的有價(jià)值數據，并匯總出讀者借、還書(shū)的規律。依據這些一線(xiàn)信息數源的價(jià)值，加之網(wǎng)上薦購及讀者書(shū)面薦購等信息，匯總出哪些是讀者專(zhuān)業(yè)常用書(shū)籍，哪些是讀者感興趣的書(shū)籍，哪些又是常年被冷落的書(shū)籍，從中提煉出書(shū)籍采集的方向；合理化的采集方案繼續延用，不合理的采集要進(jìn)行科學(xué)化的數據分析，及時(shí)理清思路，盡可能做到書(shū)籍采集的合理化、科學(xué)化。
技術(shù)部門(mén)。在信息飛速發(fā)展的時(shí)代，作為圖書(shū)館負責信息網(wǎng)絡(luò )技術(shù)的部門(mén)，其肩上的重量顯得格外沉重。技術(shù)部門(mén)不但肩負著(zhù)網(wǎng)絡(luò )技術(shù)的責任，當今也要肩負起圖書(shū)館所有數據的收集、存儲、挖掘及分析技術(shù)。數據挖掘及分析技術(shù)在技術(shù)部十分重要，技術(shù)部應將圖書(shū)館各部門(mén)所產(chǎn)生的相關(guān)數據進(jìn)行長(cháng)期性、系統性的收集和科學(xué)分析，并將研究數據的挖掘及分析作為當前和今后技術(shù)部研究及發(fā)展的方向，承擔起“數據監護員”的角色，通過(guò)實(shí)踐為圖書(shū)館提供數據監護操作技能及策略。注意將可獲得的數據及時(shí)進(jìn)行收集，并通過(guò)收集數據使用案例，分析并總結用戶(hù)需求及使用規律，為數據監護提供基礎資料。
學(xué)科部門(mén)。學(xué)科部門(mén)作為一個(gè)新興的部門(mén)，目前已在全國各高校圖書(shū)館廣泛推廣運用。學(xué)科館員的主要任務(wù)是派專(zhuān)人與對口院系或學(xué)科專(zhuān)業(yè)搭建合作、交流平臺，并利用圖書(shū)館信息檢索的技術(shù)優(yōu)勢，為研究者開(kāi)展長(cháng)期追蹤、收集、傳遞文獻信息的科技服務(wù)。當前大部分學(xué)科館員關(guān)注的是如何為院系教學(xué)提供良好的信息傳遞幫助，而忽略了在當前信息飛速發(fā)展的時(shí)代，科研與教學(xué)走向數字化的趨勢。學(xué)者所做的所有工作，包括教案、論文、實(shí)驗、畢業(yè)設計等等工作，基本上都是以電子信息的方式進(jìn)行編輯、存儲的。雖然極大地方便了學(xué)者們的工作，但同時(shí)也面臨這些電子數據的丟失風(fēng)險，一旦電子數據丟失，其損失的學(xué)術(shù)價(jià)值是不可估量的。為盡量避免這些事件的發(fā)生，學(xué)科部門(mén)可依托技術(shù)部門(mén)的支撐，利用數據挖掘技術(shù)，開(kāi)展學(xué)者數據監護服務(wù)，保存這些非紙質(zhì)信息。這樣學(xué)科部門(mén)不僅為學(xué)者提供了科研信息的前沿追蹤，同時(shí)也提供了科學(xué)數據保存平臺；既為學(xué)者科研開(kāi)辟道路，也為學(xué)者預防丟失科研數據提供保障，可謂雙保險。數據挖掘技術(shù)還可以幫助學(xué)科部通過(guò)數據挖掘、分析出讀者關(guān)注以及咨詢(xún)較多的問(wèn)題，從中歸納出重點(diǎn)并分門(mén)別類(lèi)，作為圖書(shū)館工作的重要依據。
三、結語(yǔ)。
數據挖掘技術(shù)在當今大數據時(shí)代，已成為一個(gè)相對成熟的學(xué)科，融入到社會(huì )的各行各業(yè)。利用數據挖掘技術(shù)對圖書(shū)館數據庫進(jìn)行數據挖掘已經(jīng)成為圖書(shū)館需要開(kāi)展的一項重要工作。圖書(shū)館事業(yè)已全部進(jìn)入電子信息化，由此產(chǎn)生的大量業(yè)務(wù)數據和信息資源是圖書(shū)館行業(yè)的一筆寶貴財富，它較真實(shí)地反映了讀者對圖書(shū)館事業(yè)運作以及提供的服務(wù)是否到位。因此，通過(guò)數據挖掘分析，能夠幫助圖書(shū)館管理者分析并發(fā)現現有管理的不足之處，通過(guò)已知的現象預測未來(lái)的發(fā)展趨勢。數據挖掘技術(shù)已成為今后圖書(shū)館事業(yè)保持競爭力的必備法寶。
參考文獻：
【1】顧倩.數據挖掘應用于高校圖書(shū)館個(gè)性化服務(wù)的探討[J].圖書(shū)館雜志,20xx,8:63-65.。
【2】王偉.基于數據挖掘的圖書(shū)館用戶(hù)行為分析與偏好研究情報科學(xué),20xx,30(3):391-394.。
【3】楊海燕.大數據時(shí)代的圖書(shū)館服務(wù)淺析[J].圖書(shū)與情報。
【4】程蓮娟.美國高校圖書(shū)館數據監護的實(shí)踐及其啟示[J].圖書(shū)館雜志,20xx,1(31):76-78.。
數據挖掘論文9
摘要：中醫臨床理論多是由著(zhù)名醫家的經(jīng)驗升華形成的，反映了臨床上不同學(xué)術(shù)派系以及不同學(xué)科的優(yōu)勢特征，但這其中不免摻雜了個(gè)人主觀(guān)經(jīng)驗，因此本文就中醫臨床理論研究中醫病案為基礎，對應用病案數據挖掘結果來(lái)總結和重建中醫臨床理論的方式進(jìn)行了探討，認為該方法可為完善中醫臨床理論提供客觀(guān)的數據支持，使中醫臨床理論的來(lái)源更具有科學(xué)性。
關(guān)鍵詞：病案；數據挖掘；中醫臨床理論；轉化醫學(xué)；臨床
科研一體化中醫臨床理論決定著(zhù)中醫臨床學(xué)科的發(fā)展水平，是中醫臨床發(fā)展的動(dòng)力。從古至今，中醫名醫名家輩出，他們的臨床經(jīng)驗和學(xué)術(shù)思想不斷提煉升華，逐步形成了傳統的中醫臨床理論。新中國成立以來(lái)，中醫不斷汲取最新的科技成果，進(jìn)行了大量臨床實(shí)踐，而中醫臨床理論發(fā)展緩慢，己經(jīng)成為制約當代中醫學(xué)術(shù)發(fā)展的瓶頸，對如何開(kāi)拓中醫臨床理論的研究，可謂見(jiàn)仁見(jiàn)智，但各種新的臨床理論常常裹挾著(zhù)“各家學(xué)說(shuō)”。在當今大數據和信息技術(shù)發(fā)達的背景下，運用數據挖掘技術(shù)對中醫病案進(jìn)行大數據分析，客觀(guān)揭示當前中醫臨床理論的本來(lái)面目，盡可能減少個(gè)人見(jiàn)解的偏倚，對于推動(dòng)中醫臨床理論發(fā)展具有重要的現實(shí)意義，本文就基于病案數據挖掘的中醫臨床理論重建進(jìn)行探討如下。
1傳統中醫臨床理論的構建框架
1.1中醫古典文獻是傳統中醫臨床理論的基礎
眾所周知，中醫之所以能夠屹立千年不倒，很大一部分原因是因為其有獨特的理論體系，而在這其中，中醫古典文獻做出的貢獻應該是第一位的。因為這些古典文獻的記載和流傳，為后世的醫家提供了參考和借鑒，使得我們從前人的思維上不斷創(chuàng )新，與臨床進(jìn)行有機結合，不斷研究出新的適合于當前時(shí)代的臨床理論。例如，中醫學(xué)無(wú)論在理論研究還是在臨床治療方面的豐富，許多根本性的理論都是源自于《內經(jīng)》。該書(shū)創(chuàng )立了藏象、經(jīng)絡(luò )、診法等各方面的理論[1]，勾畫(huà)了中醫理論的雛形，構建了中醫理論體系的基本框架。到后期東漢時(shí)期張仲景的《傷寒論》則是創(chuàng )造了以六經(jīng)辨證和臟腑辨證為主的局面，其所倡導的“觀(guān)其脈證，知犯何逆，隨證治之”使得辨證論治登上新的高度。到了金元時(shí)期，就是百家爭鳴的時(shí)代，這期間以金元四大家為主的學(xué)派開(kāi)始萌生，留下了許多可供后世醫家參考的古典文獻并創(chuàng )建了不同的臨床理論，而明清時(shí)期以葉天士和吳鞠通為首確立的衛氣營(yíng)血和三焦辨證，使溫病學(xué)的辨證理論逐步趨于完善，至今仍是指導臨床治療溫熱病的理論依據�？傊�，傳統中醫臨床理論的構建和完善，離不開(kāi)前人的摸索與貢獻，也得益于著(zhù)名醫學(xué)家創(chuàng )建的傳統中醫理論，使得我們現在的中醫體系不斷的飽滿(mǎn)和充實(shí)。
1.2當代著(zhù)名中醫的臨床經(jīng)驗不斷提升為中醫臨床理論
傳統中醫的臨床理論，在很大程度上展示著(zhù)著(zhù)名醫家的臨床經(jīng)驗。在中醫理論與實(shí)踐發(fā)展的相互促進(jìn)過(guò)程中，當代醫家通過(guò)讀書(shū)、臨證、心悟將實(shí)踐經(jīng)驗不斷總結并升華為理論，又在實(shí)踐中不斷完善既有的理論，成為中醫理論發(fā)展的重要途徑和模式，而當代中醫理論的發(fā)展則需要將傳統理論與現代實(shí)踐相互融合起來(lái)。例如上世紀60年代時(shí)，面對中醫基礎理論中新的思想相對匱乏的這一局面，鄧鐵濤結合其治療的臨床經(jīng)驗，首次提出了“五臟相關(guān)學(xué)說(shuō)”。盡管當時(shí)的理論準備并不完善，但是這一理論的提出，在很大程度上完善并且取代了“五行學(xué)說(shuō)”中某些模糊性和不確定性，并且隨著(zhù)時(shí)代的發(fā)展，逐漸驗證了鄧老的這一經(jīng)驗的正確性，也成為指導中醫臨床理論的一大重要體系[2]。又如，腦出血這一現代疾病在古代名為中風(fēng)，多數是“從風(fēng)而治”，認為肝臟與中風(fēng)的關(guān)系最為密切。隨著(zhù)時(shí)代的推進(jìn)，自20世紀80年代以來(lái)，許多學(xué)者根據微觀(guān)辨證和中醫理論“離經(jīng)之血便是瘀”，提出急性出血中風(fēng)屬中醫血證，瘀血阻滯是急性期腦出血的最基本病機，是治療的關(guān)鍵所在[3]。故現代中醫臨床治療上多以活血化瘀法治療腦出血、腦梗塞這一系列疾病。若是仔細研讀傳統中醫臨床理論后，我們不難得出其構成和完善離不開(kāi)當代著(zhù)名醫家的臨床經(jīng)驗，它是在歷經(jīng)歲月的洗禮下不斷塑造成型的。
1.3傳統中醫臨床理論不斷將現代醫學(xué)相關(guān)內容中醫化
傳統中醫臨床理論不斷吸收現代醫學(xué)的理論，將其相關(guān)內容不斷中醫化，將病人的各種證型通過(guò)五臟辨證、陰陽(yáng)五行辨證以及八綱辨證劃分得越來(lái)越細化，以提供病人在中醫臨床上治療的理論依據。中醫吸取了現代醫學(xué)理論后正在不斷壯大其內容，現代醫學(xué)相關(guān)內容中醫化在許多難治疾病的辨證治療中都起到了良好的指導作用[4]。如艾滋病是古代傳統中醫辨證論治的'空白，通過(guò)對艾滋病中醫病因病機、證候規律、治法方藥的系統研究，提出了“艾毒傷元”“脾為樞機”“氣虛為本”的病因病機學(xué)說(shuō)，確立了艾滋病“培元解毒”“益氣健脾”的治療原則，為中醫藥防治艾滋病奠定了理論基礎，為進(jìn)一步提高艾滋病的中醫藥臨床診療效果提供理論依據[5]。
2當前中醫臨床理論發(fā)展存在的不足
2.1中醫主流理論不突出且與時(shí)俱進(jìn)力度不夠
不可否認的是，當代的中醫臨床理論發(fā)展也是存在諸多不足的，中醫理論的完善和發(fā)展是中華五千年來(lái)集體智慧的結晶，個(gè)別醫家提出的臨床理論可能各有千秋，其所立的角度和思維也不盡相同。例如，同是治療輸卵管阻塞這一疾病時(shí)，朱南孫教授認為多是由于濕蘊沖任所致，其用自擬的清熱利濕方來(lái)進(jìn)行治療；而李廣文教授則認為這一疾病多是由于瘀血阻絡(luò )為主，治療上以活血祛瘀為法，擬通任種子湯進(jìn)行治療[6]。又如對于“和解法”這一治療方法的理解，當代名醫蒲輔周老先生認為“寒熱并用，補瀉合劑，表里雙解，苦辛分消，調和氣血，皆謂和解”。而方和謙教授則認為“在治法上扶正祛邪，表里兼顧，此法就為和解法”。不同的醫家在面對不同的疾病，甚至是不同的理法方藥時(shí)，所持的看法常常是“各家學(xué)說(shuō)”，這就導致了當前中醫臨床理論發(fā)展比較混亂，不能全面地體現中國五千年來(lái)發(fā)展過(guò)程中的中醫主流理論。目前中醫基礎理論還存在一個(gè)缺陷就是它的與時(shí)俱進(jìn)力度還不夠，很多古代經(jīng)典方藥的主治病癥，在當今時(shí)代已經(jīng)不再多見(jiàn)了。比如蛔蟲(chóng)導致的蛔厥這一致病因素在現代已經(jīng)不再常見(jiàn)，對應的烏梅丸的主要適應病癥也不再是蛔厥；在針對沒(méi)有明顯臨床表現的疾病如乙肝時(shí)，按傳統中醫往往體現出“無(wú)證可治”的狀態(tài)；傳統的診斷與現代檢查相結合的力度也不夠，中醫臨床基礎理論在某些程度上忽略了其與生化、B超、X光、CT等現代檢查結果的結合，并沒(méi)有用中醫理論對其做一合理的陳述；且現在臨床上很多中藥的藥理作用、性味歸經(jīng)的研究作用還不夠深入、細致，其作用不能在微觀(guān)上得以解釋。這些都導致了臨床上很多情況沒(méi)有從中醫理論來(lái)認識中醫，不是“以中解中”，而是“以西解中”，形成了臨床拋棄中醫理論的狀態(tài)[7]。由于中醫學(xué)是一門(mén)實(shí)踐性很強的學(xué)科，它是在哲學(xué)辨證的思想指導下，與臨床經(jīng)驗不斷結合，這與西醫知識體系相比較，難免存在一定的滯后性，這都會(huì )使得中醫臨床理論發(fā)展相對的落后。
2.2部分中醫理論帶有權威專(zhuān)家的“個(gè)人學(xué)說(shuō)”偏見(jiàn)
傳統中醫強調個(gè)人經(jīng)驗和學(xué)說(shuō)，以中醫內科學(xué)為例，第八版中的腦系疾病在第九版中已經(jīng)刪除，其涉及到的各種腦系疾病大多數歸屬于心系疾病與肝系疾病。根據其版本的不同，我們可以明顯看出其凸顯的中心內容及其思想不同，其多是體現編著(zhù)者的理論思想，在一定程度上并沒(méi)有客觀(guān)地揭示疾病的本質(zhì)，治療理論也不夠完善，一部分內容與最新研究得出的論文理論不符，這使得當代中醫臨床理論在某些程度上，帶有權威專(zhuān)家的“個(gè)人學(xué)說(shuō)”色彩。由于現代西方先進(jìn)的科技文化流入，使得中醫在一定程度上備受質(zhì)疑，而正是因為人們對于中醫理論的一些偏見(jiàn)，才使得中醫長(cháng)期讓人詬病。
3新的時(shí)代背景下中醫臨床理論發(fā)展方向
3.1臨床理論應具有真實(shí)性與系統性
中醫臨床理論的發(fā)展方形應當是建立在客觀(guān)并且真實(shí)的臨床實(shí)踐基礎上，從一次次臨床實(shí)踐中得出。由于歷史時(shí)代的原因以及假設推理、模式建設的廣泛使用，當代中醫臨床理論中理論與假說(shuō)并存的現象較為普遍，如中醫的五運六氣學(xué)說(shuō)對現代疫病預測和人體各經(jīng)絡(luò )臟腑在時(shí)間上對于人體治病效果的不同等，就需要我們在扎實(shí)的文獻與臨床實(shí)踐基礎上，對醫案進(jìn)行認真總結，利用科學(xué)的方法深入挖掘，開(kāi)展中醫理論的去偽存真研究，以促進(jìn)中醫理論的科學(xué)與健康發(fā)展。另外，傳統的中醫臨床治療上所用的理法方藥，多是根據個(gè)人經(jīng)驗所進(jìn)行的。隨著(zhù)科技的不斷發(fā)展與時(shí)代的不斷進(jìn)步，當代的中醫臨床理論應該在成功的中醫醫案上進(jìn)行系統的總結，不斷挖掘和研究其微觀(guān)的結構，并隨著(zhù)年月的更迭不斷更新，不斷完善，使其具有科學(xué)性和理論依據。同時(shí)，對近年來(lái)興起的傳染性非典型肺炎、艾滋病、禽流感等古人所沒(méi)有經(jīng)歷過(guò)的疾病的診治，中醫就其病因病機的認識以及探究相應的診療方法，無(wú)疑也是一種理論上的創(chuàng )新[8]。通過(guò)對其進(jìn)行深一層次的研究和發(fā)現，歸納出合適的治則治法，找到針對這一疾病的理法方藥，使其更具有系統性，使得臨床上中醫治病可以循序漸進(jìn)，注重整體，也是當代臨床理論的一大發(fā)展方向。
3.2臨床理論具有信息化的特點(diǎn)并可持續拓展
隨著(zhù)時(shí)代的進(jìn)步，當代的中醫臨床理論可以通過(guò)網(wǎng)絡(luò )等方式進(jìn)行共享，在大數據的這一時(shí)代背景下，隨著(zhù)病案的不斷報道與積累，可以將各類(lèi)成功的中醫醫案進(jìn)行統計和挖掘，其結果也會(huì )不斷進(jìn)行更新和發(fā)展。不同的醫家對于某一疾病的認識角度可能不同，其表現在病位、病性、病勢和證候的判斷標準也不一樣，因此方藥規律也不一樣。而通過(guò)統計某一中醫或西醫疾病的較大樣本病例，并對其進(jìn)行數據挖掘，可以得出整個(gè)中醫群體對于這一疾病診治的證候分布、治則治法、處方用藥等的規律，甚至可以根據統計的結果探索出新的方藥，分析他們的共同點(diǎn)和所在差異。將中醫臨床理論具有信息化的這一特點(diǎn)不斷地拓展下去，通過(guò)計算機等客觀(guān)科學(xué)的手段進(jìn)行分析，與主觀(guān)的名老中醫傳承模式相比，更具客觀(guān)性，更容易被臨床醫生接受，對各種疾病的中醫臨床用藥也更具有指導價(jià)值。
4基于病案數據挖掘的中醫臨床理論重建
4.1病案研究是中醫理論發(fā)展的重要基礎
在當今大數據的時(shí)代背景下，中醫固有的傳統整體論科學(xué)特征有了越來(lái)越多的可供改變的空間。這種變化既為其按照自身特有的規律發(fā)展特點(diǎn)帶來(lái)了機遇，也給未來(lái)中醫理論的發(fā)展提出了挑戰。同時(shí)，學(xué)習醫案研究也是中醫學(xué)相關(guān)大學(xué)生們應該學(xué)習的一項內容。閱讀醫案是必要的訓練，也是中醫入門(mén)的方法之一。醫案的故事性引人入勝，在自然而然中接受中醫思維方法和傳統文化知識，同時(shí)醫案中所呈現的名醫風(fēng)范，醫德對學(xué)生起到潛移默化的影響，并培養對專(zhuān)業(yè)的熱愛(ài)[9]。病案客觀(guān)、真實(shí)地直接記錄疾病診斷和治療過(guò)程，醫案研究作為中醫理論發(fā)展過(guò)程中至關(guān)重要的一環(huán)，是中醫理論發(fā)展的重要基礎，以研究病案為基礎，對于中醫理論的形成和臨床上中醫積累經(jīng)驗，都起到了一定的輔助提升作用。
4.2數據挖掘方法是中醫理論發(fā)展的現代技術(shù)手段
利用多種數據挖掘技術(shù)對中醫病案中的有關(guān)信息行進(jìn)行歸納、整理，是近年來(lái)傳承中醫臨床經(jīng)驗的重要方法之一[10]。通過(guò)對同一種疾病的病案進(jìn)行數據挖掘以分析醫者的思路和探索其用藥的方法，對中醫臨床病案進(jìn)行規范化的整理，能夠深入總結其臨床經(jīng)驗，挖掘隱藏在大量病案背后的診治規律，甚至探索出新的方藥配伍，為中醫理論的發(fā)展提供一定的科學(xué)依據的同時(shí)，使得中醫理論的發(fā)展越來(lái)越現代化，不僅僅只是停留在以前的靠讀書(shū)和個(gè)人經(jīng)驗的結合，也為廣大的中醫在日后的臨床治療上提供了新的思路和方向。
4.3臨床實(shí)踐推動(dòng)理論發(fā)展，賦予轉化醫學(xué)新的內涵
目前，我們通過(guò)并按數據挖掘來(lái)總結一些中醫對于治療同一種疾病所采取的診斷和用藥，可以獲得新的思路，并且為完善我們現有的中醫理論基礎可以提供可靠的理論支持。采用數據挖掘技術(shù)對中醫學(xué)術(shù)思想和臨證經(jīng)驗進(jìn)行研究，可以全面解析其中的規律，分析中醫個(gè)體化診療信息特征，提煉出臨證經(jīng)驗中蘊藏的新理論、新力法，可以實(shí)現經(jīng)驗的有效總結與傳承[11]。與此同時(shí)，要求我們用發(fā)展的眼光將現代的科技手段整合加入到傳統的中醫學(xué)理論中去，推陳出新，通過(guò)臨床實(shí)踐與基礎理論的不斷結合，不斷完善，推動(dòng)祖國醫學(xué)現代化，譜寫(xiě)有關(guān)于中醫學(xué)在轉化醫學(xué)上新的篇章。
參考文獻
[1]劉向哲.中醫理論創(chuàng )新與發(fā)展的基礎和機遇[J].中醫學(xué)報，2010，25（5）:884-885.
[2]邱仕君，吳玉生.在基礎理論與臨床醫學(xué)之間———對鄧鐵濤教授五臟相關(guān)學(xué)說(shuō)的理論思考[J].湖北民族學(xué)院學(xué)報(醫學(xué)版)，2005，22（2）:36-39.
[3]顧寧，周仲英.通下法治療急性腦出血研究進(jìn)展[J].中國中醫急診，2000，9(5):227.
[4]靳士英.鄧鐵濤教授學(xué)術(shù)成就管[J].現代醫院，2004(9):1-6.
[5]許前磊，徐立然，郭會(huì )軍，等.艾滋病發(fā)病與防治中醫理論的初步構建[J].中醫雜志，2015，56（11）:909-911.
[6]張少聰，周偉生.名老中醫驗方治療輸卵管阻塞性不孕癥概況[J].中華中醫藥學(xué)刊，2010（3）:489-491.
[7]孟靜巖，應森林.試論中醫基礎理論指導臨床研究的思考與途徑[J].上海中醫藥大學(xué)學(xué)報，2009（3）:3-5.
[8]邢玉瑞.新形勢下中醫理論發(fā)展的思考[J].中醫雜志，2016，57（18）:1540-1542.
[9]盧峰，聶達榮，彭美玉，等.中醫內科學(xué)應用名老中醫病案教學(xué)法的探索[J].中國中醫藥現代遠程教育，2014（18）:80-82.
[10]郭軍.基于數據挖掘分析前名老中醫病案整理的思路與方法[J].中醫藥信息，2011，28（2）:49-50.
[11]吳嘉瑞，唐仕歡，郭位先，等.基于數據挖掘的名老中醫經(jīng)驗傳承研究述評[J].中國中藥雜志，2014，39（4）:614-617.
數據挖掘論文10
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11
網(wǎng)絡(luò )經(jīng)濟的關(guān)鍵在于能夠為商品的供應商及其合作者之間提供一個(gè)交流的平臺，但是即便是最權威的搜索引擎也只能夠搜索到三分之一的web網(wǎng)頁(yè)，并且這些Web都是沒(méi)有結構的、動(dòng)態(tài)的、復雜的形式出現。人們要從各種各樣的文本網(wǎng)站中尋找自己想要的信息進(jìn)而變得更加困難。網(wǎng)絡(luò )數據挖掘技術(shù)就是用來(lái)解決這一問(wèn)題的好辦法，利用數據挖掘技術(shù)能夠有效發(fā)現在web網(wǎng)頁(yè)中隱藏著(zhù)的對用戶(hù)有力的數據信息，在對數據的分析中總結出規律。如何實(shí)現用戶(hù)對于Web上的有效數據的深度挖掘，使其成為工商管理領(lǐng)域中的重要應用，成為了當代許多網(wǎng)絡(luò )工作者所關(guān)注的話(huà)題。
一、數據挖掘概述
�。ㄒ唬⿺祿诰�
數據挖掘(DataMining)指的是，在大量的、不規則的、隨機的、復雜的、有噪聲的實(shí)際應用數據中，獲得一些信息和知識，能夠對用戶(hù)祈禱潛在作用的效果的過(guò)程。將數據挖掘用通俗的話(huà)來(lái)描述就是在數據庫中發(fā)現潛在有用的知識發(fā)現(KDDKnowledgeDiscoveryinDatabase)。在這個(gè)定義中主要包含了以下幾方面的含義：首先數據源的特性是大量、隨機、不規則、噪聲；信息是客戶(hù)所感興趣的對象；選取的知識必須是在可接受、可理解、可運用的范圍內的，并不是全部符合要求的都可以，對于問(wèn)題要有一定的針對性。也就是說(shuō)對于所發(fā)現的知識的篩選是有一定的約束和限制條件的，同時(shí)也要符合用戶(hù)的理解和學(xué)習能力，最好還能夠用通俗的語(yǔ)言來(lái)表達最終的結果。
�。ǘ￤eb數據挖掘
Web數據挖掘實(shí)際上是屬于數據挖掘的范疇的。概括的來(lái)說(shuō)，Web數據挖掘的數據庫特定的就是Web服務(wù)器上的數據文件，從中發(fā)現用戶(hù)感興趣并有所應用潛能的知識。Web數據挖掘主要針對的就是頁(yè)面內容、頁(yè)面之間的結構、用戶(hù)訪(fǎng)問(wèn)信息、電子商務(wù)等內在信息，通過(guò)數據挖掘技術(shù)來(lái)獲得有價(jià)值的信息。Web數據和傳統數據庫存在著(zhù)很大的差異，傳統的數據庫都是在一定的數學(xué)模型范圍之內的，通過(guò)模型來(lái)描述其中的數據；但是web數據庫相對來(lái)講就要復雜許多，沒(méi)有通用的模型來(lái)描述數據，每個(gè)網(wǎng)頁(yè)都有其獨特的數據描述方式，丙炔數據自身都是可變的、動(dòng)態(tài)的。因而，Web數據雖然具有一定的結構性，不能用架構化的形式來(lái)表達，也可以稱(chēng)其為半結構化的數據。Web數據的最大特點(diǎn)就是半結構化，加上Web數據的信息量極大，導致整一個(gè)數據庫成為一個(gè)巨大的異構數據庫。
二、網(wǎng)絡(luò )數據挖掘的類(lèi)型
�。ㄒ唬┚W(wǎng)絡(luò )內容挖掘
網(wǎng)絡(luò )內容挖掘的對象是網(wǎng)頁(yè)的內容、數據、文檔,這通常也是網(wǎng)頁(yè)在急性搜索的時(shí)候需要考察的訪(fǎng)問(wèn)對象。由于網(wǎng)絡(luò )信息繁多，按照信息源的不同可以劃分為Gopher、FTP、Usenet等已經(jīng)隱藏到WWW形式之后的資源,我們稱(chēng)之為WWW信息資源,存儲于數據庫管理信息系統中的數據,以及不能直接訪(fǎng)問(wèn)的私人數據。按照網(wǎng)絡(luò )資源的形式又可以劃分為文本、圖像、音頻、視頻等數據。
�。ǘ┚W(wǎng)絡(luò )結構挖掘
網(wǎng)絡(luò )結構挖掘的對象就是Web潛在的鏈接結構模式。這種類(lèi)型最早出現在引文分析,在建立web自身的鏈接結構模型的時(shí)候借鑒了網(wǎng)頁(yè)鏈接和被鏈接數量以及對象。在網(wǎng)頁(yè)歸類(lèi)的時(shí)候往往會(huì )采用這種模式,還能夠得到不同網(wǎng)頁(yè)間相似度及關(guān)聯(lián)度的相關(guān)數據。網(wǎng)絡(luò )結構挖掘能夠幫助用戶(hù)在相關(guān)領(lǐng)域中找到最有分量的網(wǎng)站。
�。ㄈ┚W(wǎng)絡(luò )用法挖掘
網(wǎng)絡(luò )用法挖掘的目的在于掌握用戶(hù)的一系列網(wǎng)絡(luò )行為數據。網(wǎng)絡(luò )內容挖掘、網(wǎng)絡(luò )結構挖掘針對的都是網(wǎng)上的原始數據,而網(wǎng)絡(luò )用法挖掘針對的是用戶(hù)在上網(wǎng)過(guò)程中的人機交互的第二手數據,主要有用戶(hù)的`網(wǎng)頁(yè)游覽記錄、代理服務(wù)器日志記錄、網(wǎng)頁(yè)維護信息、用戶(hù)簡(jiǎn)介、注冊信息、聊天記錄、交易信息等等。
三、網(wǎng)絡(luò )經(jīng)濟環(huán)境下數據挖掘在工商管理中的運用步驟
�。ㄒ唬┳R別網(wǎng)站訪(fǎng)問(wèn)者的特征信息
企業(yè)對電子商務(wù)網(wǎng)站的數據進(jìn)行挖掘的第一步，就是要明確訪(fǎng)問(wèn)者的特點(diǎn)，找出訪(fǎng)問(wèn)者使用的條款特征。訪(fǎng)問(wèn)者特征主要有入口統計、心理狀態(tài)和技術(shù)手段等要素。人口統計并不是一成不變的，比如家庭地址、收入、購買(mǎi)力等因素都會(huì )不斷改變。心理狀態(tài)指的是在心理調研中展現出的個(gè)性類(lèi)型，比如對商品的選擇去世、價(jià)格優(yōu)惠心理、技術(shù)興趣等。隨著(zhù)訪(fǎng)問(wèn)者數量的增加，相關(guān)數據也會(huì )不斷累積。條款的交互信息主要包括購買(mǎi)歷史、廣告歷史和優(yōu)選信息。網(wǎng)站統計信息是指每次會(huì )話(huà)的相關(guān)要素。公司信息主要包括訪(fǎng)問(wèn)者對接的服務(wù)器所包含的一系列要素信息。
�。ǘ┲贫繕�
開(kāi)展網(wǎng)上交易的最大優(yōu)勢在于企業(yè)對于訪(fǎng)問(wèn)者的反應有著(zhù)更好的前瞻性。當廠(chǎng)商的目標是明確且具象的時(shí)候，就能夠通過(guò)數據挖掘技術(shù)得到較好的效果。企業(yè)通�？梢栽O定以下的目標:網(wǎng)頁(yè)訪(fǎng)問(wèn)者的增加量；類(lèi)此網(wǎng)頁(yè)訪(fǎng)問(wèn)的瀏覽時(shí)間增加；每次結賬的平均利潤;退換貨的減少；品牌知名度效應；回頭客的數量等等。
�。ㄈ﹩�(wèn)題描述
開(kāi)展電子商務(wù)的企業(yè)最關(guān)鍵要面對的一個(gè)問(wèn)題就是如何進(jìn)行商品的傳播，要實(shí)現網(wǎng)頁(yè)的個(gè)性化又要將商品的信息完整的展現給顧客，就需要了解同一類(lèi)訪(fǎng)問(wèn)者的共有特征、估計貨物丟失的數據并預測未來(lái)行為。所有這一切都涉及尋找并支持各種不同的隱含模式。
�。ㄋ模╆P(guān)聯(lián)分析
對顧客大量的交易數據進(jìn)行關(guān)聯(lián)規則分析，能夠發(fā)現顧客購買(mǎi)組合商品的趨勢。關(guān)聯(lián)分析指的是在一次瀏覽或者會(huì )話(huà)中所涉及到的商品，也叫做市場(chǎng)分析。若電子商務(wù)網(wǎng)站能夠將這些商品放在同一個(gè)網(wǎng)頁(yè)中，就能夠提高顧客同時(shí)購買(mǎi)這些商品的概率。如果在關(guān)聯(lián)的一組商品中有某一項商品正在進(jìn)行促銷(xiāo)，就能夠帶動(dòng)其他組合產(chǎn)品的銷(xiāo)量。關(guān)聯(lián)也能夠用在靜態(tài)的網(wǎng)站目錄網(wǎng)頁(yè)。在這種情況下，網(wǎng)站排序的主要依據是廠(chǎng)商選擇的且是網(wǎng)站所要查看的第一頁(yè)內容，將其以及其相關(guān)的商品信息放在網(wǎng)頁(yè)的首頁(yè)。
�。ㄎ澹┚垲�(lèi)
聚類(lèi)指的是將具有相同特征的商品歸為一類(lèi)，將特征平均，以形成一個(gè)“特征矢量”。聚類(lèi)技術(shù)能夠確定一組數據有多少類(lèi)，并用其中一個(gè)聚類(lèi)來(lái)表示其余大多數數據。通常在企業(yè)分析訪(fǎng)問(wèn)者類(lèi)型的時(shí)候使用聚類(lèi)技術(shù)。
�。Q策樹(shù)
決策樹(shù)描繪的是都想決定在做出的一系列過(guò)程中的問(wèn)題或數據點(diǎn)。比如做出購買(mǎi)電視機這一決定就要經(jīng)歷對于電視機的需求、電視機的品牌、尺寸等等問(wèn)題，最終確定好買(mǎi)哪一臺電視機為止。決策樹(shù)能夠較一個(gè)決策過(guò)程進(jìn)行系統的排序，以便選出最優(yōu)的路徑來(lái)盡可能減少決策的步驟，提高決定的質(zhì)量和速度。許多企業(yè)將決策樹(shù)體系添加到自己的產(chǎn)品選擇系統中，能夠幫助訪(fǎng)問(wèn)者解決特定問(wèn)題。
�。ㄆ撸┕烙嫼皖A測
估計是對未知量的判斷，預測是根據當前的趨勢做出將來(lái)的判斷。估計和預測使用的算法類(lèi)似。估計能夠對客戶(hù)空白的項目做到預判。如果網(wǎng)站想知道某個(gè)訪(fǎng)問(wèn)者的收入，就可以通過(guò)與收入密切相關(guān)的量估計得到，最后通過(guò)與其有相同特征的訪(fǎng)問(wèn)者的收入來(lái)衡量這個(gè)訪(fǎng)問(wèn)者的收入和信用值。預測是對未來(lái)事項的判斷。尤其是在某些個(gè)性化網(wǎng)頁(yè)中顯得尤為重要。企業(yè)通過(guò)數據的匯總增進(jìn)對客戶(hù)的了解。即使是對以往事件的分析中也可以得到有效的信息。預測能夠對訪(fǎng)問(wèn)者的特征作出總結和匯總，以便企業(yè)能夠找出更有針對性的組合商品來(lái)滿(mǎn)足客戶(hù)的需求。Web數據和傳統數據庫存在著(zhù)很大的差異，最大特點(diǎn)就是半結構化，加上Web數據的信息量極大，導致整一個(gè)數據庫成為一個(gè)巨大的異構數據庫。能夠幫助用戶(hù)在特性是大量、隨機、不規則、噪聲的信息中發(fā)現感興趣的對象。
數據挖掘論文12
隨著(zhù)互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展，尤其移動(dòng)互聯(lián)網(wǎng)的爆發(fā)性發(fā)展，越來(lái)越多的公司憑借其備受歡迎的系統和APP如雨后春筍般發(fā)展起來(lái)，如滴滴打車(chē)、共享單車(chē)等。海量數據自此不再是Google等大公司的專(zhuān)利，越來(lái)越多的中小型企業(yè)也可以擁有海量數據。如何從浩如煙海的數據中挖掘出令人感興趣和有用的知識，成為越來(lái)越多的公司急需解決的問(wèn)題。因此，他們對數據挖掘分析師求賢若渴。在這一社會(huì )需求下，培養出優(yōu)秀的數據挖掘分析師，是各個(gè)高校目前急需完成的一項任務(wù)。
一、教學(xué)現狀反思
目前，各大高等院校本科階段爭相開(kāi)設數據挖掘課程。然而，該課程是一門(mén)相對較新的交叉學(xué)科，涵蓋了概率統計、機器學(xué)習、數據庫等學(xué)科的知識內容，難度較大。因此，大部分高校一般將此課程開(kāi)設在研究生階段，在本科生中開(kāi)設此課程的學(xué)校相對較少。另外，不同的學(xué)校將其歸入不同的專(zhuān)業(yè)中，如計算機專(zhuān)業(yè)、信息管理專(zhuān)業(yè)、統計學(xué)、醫學(xué)等�？梢哉f(shuō)，這一課程基本上處于探索的過(guò)程中。我院災害信息系于20xx年在信息管理與信息系統本科學(xué)生中首次開(kāi)設了該課程。通過(guò)開(kāi)設此課程，學(xué)生能夠掌握數據挖掘的基本原理和各種挖掘算法等，掌握數據分析和處理、高級數據庫編程等技能，達到數據聚類(lèi)、分類(lèi)、關(guān)聯(lián)分析的目的。然而，通過(guò)前期教學(xué)過(guò)程，我們發(fā)現教學(xué)效果不理想，存在很多問(wèn)題。
1.數據內驅力差
以往數據挖掘課程重點(diǎn)講授數據挖掘算法，對數據源的獲取和處理極少獲取。目前各大教材都在使用一些公共數據資源，這些數據資源有些已經(jīng)非常陳舊了，比如20世紀80年代的加州房?jì)r(jià)數據。這些數據脫離現實(shí)，分析這些數據，學(xué)生沒(méi)有任何興趣和學(xué)習動(dòng)力，也就無(wú)法發(fā)現價(jià)值。
2.過(guò)于強調學(xué)習數據挖掘理論及算法的學(xué)習
大量具有難度的數據挖掘算法的學(xué)習，使學(xué)生喪失了學(xué)習興趣，學(xué)完即忘，不知所用。
3.忽視對數據預處理過(guò)程的學(xué)習
以往所使用的公共數據源或軟件自帶數據源，數據量小，需要的預處理工作比較少；這部分內容基本只安排一次理論課、一次實(shí)驗課。而實(shí)際通過(guò)爬蟲(chóng)獲取的數據源數據量大；這部分工作量比較大，需要占到整個(gè)數據挖掘工作量的一半以上。因此，一次理論課和一次實(shí)驗課是無(wú)法讓學(xué)生掌握數據預處理技能的'。
4.算法編程實(shí)現難度較大
要求學(xué)生學(xué)習一門(mén)新的編程語(yǔ)言，如R語(yǔ)言、Python語(yǔ)言，對本科非計算機專(zhuān)業(yè)的學(xué)生來(lái)說(shuō)難度是非常大的，尤其是課時(shí)安排只有48課時(shí)。
5.數據挖掘分析及應用技能較差
學(xué)生能夠理解課堂案例，但在實(shí)際應用中，無(wú)法完成整個(gè)數據分析流程。
二、數據挖掘課程改革
該課程的教學(xué)對象是信息管理與信息系統專(zhuān)業(yè)本科大四學(xué)生。因此，培養實(shí)際應用人才，使其完成整個(gè)實(shí)際數據挖掘分析流程是教師的教學(xué)目的。筆者對智聯(lián)招聘、中華英才網(wǎng)、51job等幾個(gè)大型招聘網(wǎng)站的幾百個(gè)數據挖掘分析師相關(guān)職位進(jìn)行分析，主要分析了相關(guān)職位的工作內容、職位要求以及需求企業(yè)。數據分析師主要利用數據挖掘工具對運營(yíng)數據等多種數據源進(jìn)行預處理、建模、挖掘、分析及優(yōu)化。該職位是受業(yè)務(wù)驅動(dòng)的，特點(diǎn)是將現有數據與業(yè)務(wù)相結合，最大程度地變現數據價(jià)值。該職位對計算機編程等相關(guān)技術(shù)不作要求，但是需要有深厚的數據挖掘理論基礎，熟練使用主流的數據挖掘（或統計分析）工具�；诖�，教師可以采取以下策略進(jìn)行教學(xué)改革。
1.加強對業(yè)務(wù)數據的理解
數據挖掘分析師是受業(yè)務(wù)驅動(dòng)的，所以要理解實(shí)際業(yè)務(wù)，明確本次數據挖掘要解決什么問(wèn)題。教師可以構建案例庫，包括教師案例庫、學(xué)生討論案例庫。教師案例庫由教師構建，可用于課堂講授。學(xué)生案例庫由學(xué)生分組構建，并安排討論課，由學(xué)生講述、討論并提交報告。
2.加強對數據的獲取
對學(xué)生感興趣的數據源進(jìn)行挖掘，這樣才能更好地幫助學(xué)生理解吸收知識。因此，可以教授學(xué)生爬蟲(chóng)技術(shù)，編寫(xiě)爬蟲(chóng)程序，使其自主獲取感興趣的數據。
3.加強對數據的預處理工作
在數據挖掘之前使用數據預處理技術(shù)，能夠顯著(zhù)提高數據挖掘模式的質(zhì)量，降低實(shí)際挖掘所需要的時(shí)間，應將其作為整門(mén)課程的重點(diǎn)進(jìn)行學(xué)習。增加理論課程和實(shí)驗課時(shí)，使學(xué)生掌握數據清理、數據集成、數據變換、數據歸納等數據預處理技術(shù)，并能夠應對各種復雜數據源，最終利用爬蟲(chóng)程序獲取的各種數據源進(jìn)行預處理工作。
4.強化數據挖掘分析
教師可以選擇SPSS Modeler這款所見(jiàn)即所得的數據挖掘軟件作為配套實(shí)驗平臺。該軟件具有必需的數據預處理工具及預設的挖掘算法，學(xué)生可以把注意力放在要挖掘的數據及相關(guān)需求上，設定挖掘的主題，然后通過(guò)鼠標的點(diǎn)擊拖拉即可完成相關(guān)主題的數據挖掘過(guò)程。學(xué)生最終可對自己獲取并已處理過(guò)的數據進(jìn)行挖掘分析。
5.加強教師外出培訓學(xué)習
數據挖掘技術(shù)以及大數據技術(shù)是近來(lái)比較新穎而且發(fā)展迅速的技術(shù)。教師長(cháng)期身處三尺講臺之上，遠離了新技術(shù)，脫離了實(shí)際。因此，需派遣教師到知名高校學(xué)習數據挖掘教學(xué)技術(shù)，到培訓機構進(jìn)行系統學(xué)習，到企業(yè)進(jìn)行實(shí)戰學(xué)習。
基于以上分析，形成了新的數據挖掘理論課程內容和實(shí)踐課程內容，安排如表1和表2所示。共安排48學(xué)時(shí)，其中理論課24學(xué)時(shí)，實(shí)驗課24學(xué)時(shí)。理論課重點(diǎn)講授數據的獲取、數據的理解、數據的預處理以及常用挖掘算法。實(shí)驗課重點(diǎn)學(xué)習基于SPSS modeler的數據挖掘，對理論課的內容進(jìn)行實(shí)踐。整個(gè)學(xué)習以工程項目為載體，該工程貫穿整個(gè)學(xué)習過(guò)程。學(xué)生通過(guò)爬蟲(chóng)程序獲取自己感興趣的數據源，根據課程進(jìn)度，逐步完成后續數據的理解，再進(jìn)行預處理，建模分析，評估整個(gè)過(guò)程。在課程結束時(shí)，完成整個(gè)項目，并提交報告。
三、結論
在數字時(shí)代，越來(lái)越多的企業(yè)急需數據挖掘分析人才。教師應以培養實(shí)際應用人才為目的，充分培養學(xué)生對數據挖掘的學(xué)習興趣，以工程項目為載體，貫穿整個(gè)課程周期。在教學(xué)中，打牢數據獲取、理解預處理這一基石，加強建模挖掘分析，弱化對晦澀算法的編程學(xué)習，使學(xué)生真正掌握數據挖掘技術(shù)，滿(mǎn)足社會(huì )需求。
參考文獻：
[1]李海林.大數據環(huán)境下的數據挖掘課程教學(xué)探索[J].計算機時(shí)代，20xx（2）：54-55.
[2]宋威，李晉宏.項目驅動(dòng)的數據挖掘教學(xué)模式探討[J].中國電力教育，20xx（27）：116-177.
[3]徐琴.應用型本科數據挖掘技術(shù)課程教學(xué)探討與實(shí)踐[J].電腦知識與技術(shù)，20xx，12（8）：148-149.
[4]李姍姍，李忠.就業(yè)需求驅動(dòng)下的本科院校數據挖掘課程內容體系探討[J].計算機時(shí)代，20xx（2）：60-61.
數據挖掘論文13
題目：大數據挖掘在智游應用中的探究
摘要：大數據和智游都是當下的熱點(diǎn), 沒(méi)有大數據的智游無(wú)從談“智慧”, 數據挖掘是大數據應用于智游的核心, 文章探究了在智游應用中, 目前大數據挖掘存在的幾個(gè)問(wèn)題。
關(guān)鍵詞：大數據; 智游; 數據挖掘;
1引言
隨著(zhù)人民生活水平的進(jìn)一步提高, 旅游消費的需求進(jìn)一步上升, 在云計算、互聯(lián)網(wǎng)、物聯(lián)網(wǎng)以及移動(dòng)智能終端等信息通訊技術(shù)的飛速發(fā)展下, 智游應運而生。大數據作為當下的熱點(diǎn)已經(jīng)成了智游發(fā)展的有力支撐, 沒(méi)有大數據提供的有利信息, 智游無(wú)法變得“智慧”。
2大數據與智游
旅游業(yè)是信息密、綜合性強、信息依存度高的產(chǎn)業(yè)[1], 這讓其與大數據自然產(chǎn)生了交匯。2010年, 江蘇省鎮江市首先提出“智游”的概念, 雖然至今國內外對于智游還沒(méi)有一個(gè)統一的學(xué)術(shù)定義, 但在與大數據相關(guān)的描述中, 有學(xué)者從大數據挖掘在智游中的作用出發(fā), 把智游描述為:通過(guò)充分收集和管理所有類(lèi)型和來(lái)源的旅游數據, 并深入挖掘這些數據的潛在重要價(jià)值信息, 然后利用這些信息為相關(guān)部門(mén)或對象提供服務(wù)[2]。這一定義充分肯定了在發(fā)展智游中, 大數據挖掘所起的至關(guān)重要的作用, 指出了在智游的過(guò)程中, 數據的收集、儲存、管理都是為數據挖掘服務(wù), 智游最終所需要的是利用挖掘所得的有用信息。
3大數據挖掘在智游中存在的問(wèn)題
2011年, 我國提出用十年時(shí)間基本實(shí)現智游的目標[3], 過(guò)去幾年, 國家旅游局的相關(guān)動(dòng)作均為了實(shí)現這一目標。但是, 在借助大數據推動(dòng)智游的可持續性發(fā)展中, 大數據所產(chǎn)生的價(jià)值卻亟待提高, 原因之一就是在收集、儲存了大量數據后, 對它們深入挖掘不夠, 沒(méi)有發(fā)掘出數據更多的價(jià)值。
3.1 信息化建設
智游的發(fā)展離不開(kāi)移動(dòng)網(wǎng)絡(luò )、物聯(lián)網(wǎng)、云平臺。隨著(zhù)大數據的不斷發(fā)展, 國內許多景區已經(jīng)實(shí)現Wi-Fi覆蓋, 部分景區也已實(shí)現人與人、人與物、人與景點(diǎn)之間的實(shí)時(shí)互動(dòng), 多省市已建有旅游產(chǎn)業(yè)監測平臺或旅游大數據中心以及數據可視化平臺, 從中進(jìn)行數據統計、行為分析、監控預警、服務(wù)質(zhì)量監督等。通過(guò)這些平臺, 已基本能掌握跟游客和景點(diǎn)相關(guān)的數據, 可以實(shí)現更好旅游監控、產(chǎn)業(yè)宏觀(guān)監控, 對該地的旅游管理和推廣都能發(fā)揮重要作用。
但從智慧化的發(fā)展來(lái)看, 我國的信息化建設還需加強。雖然通訊網(wǎng)絡(luò )已基本能保證, 但是大部分景區還無(wú)法實(shí)現對景區全面、透徹、及時(shí)的感知, 更為困難的是對平臺的建設。在數據共享平臺的建設上, 除了必備的硬件設施, 大數據實(shí)驗平臺還涉及大量部門(mén), 如政府管理部門(mén)、氣象部門(mén)、交通、電子商務(wù)、旅行社、旅游網(wǎng)站等。如此多的部門(mén)相關(guān)聯(lián), 要想建立一個(gè)完整全面的`大數據實(shí)驗平臺, 難度可想而知。
3.2 大數據挖掘方法
大數據時(shí)代缺的不是數據, 而是方法。大數據在旅游行業(yè)的應用前景非常廣闊, 但是面對大量的數據, 不懂如何收集有用的數據、不懂如何對數據進(jìn)行挖掘和利用, 那么“大數據”猶如礦山之中的廢石。旅游行業(yè)所涉及的結構化與非結構化數據, 通過(guò)云計算技術(shù), 對數據的收集、存儲都較為容易, 但對數據的挖掘分析則還在不斷探索中。大數據的挖掘常用的方法有關(guān)聯(lián)分析, 相似度分析, 距離分析, 聚類(lèi)分析等等, 這些方法從不同的角度對數據進(jìn)行挖掘。其中, 相關(guān)性分析方法通過(guò)關(guān)聯(lián)多個(gè)數據來(lái)源, 挖掘數據價(jià)值。但針對旅游數據, 采用這些方法挖掘數據的價(jià)值信息, 難度也很大, 因為旅游數據中冗余數據很多, 數據存在形式很復雜。在旅游非結構化數據中, 一張圖片、一個(gè)天氣變化、一次輿情評價(jià)等都將會(huì )對游客的旅行計劃帶來(lái)影響。對這些數據完全挖掘分析, 對游客“行前、行中、行后”大數據的實(shí)時(shí)性挖掘都是很大的挑戰。
3.3 數據安全
2017年, 數據安全事件屢見(jiàn)不鮮, 伴著(zhù)大數據而來(lái)的數據安全問(wèn)題日益凸顯出來(lái)。在大數據時(shí)代, 無(wú)處不在的數據收集技術(shù)使我們的個(gè)人信息在所關(guān)聯(lián)的數據中心留下痕跡, 如何保證這些信息被合法合理使用, 讓數據“可用不可見(jiàn)”[4], 這是亟待解決的問(wèn)題。同時(shí), 在大數據資源的開(kāi)放性和共享性下, 個(gè)人隱私和公民權益受到嚴重威脅。這一矛盾的存在使數據共享程度與數據挖掘程度成反比。此外, 經(jīng)過(guò)大數據技術(shù)的分析、挖掘, 個(gè)人隱私更易被發(fā)現和暴露, 從而可能引發(fā)一系列社會(huì )問(wèn)題。
大數據背景下的旅游數據當然也避免不了數據的安全問(wèn)題。如果游客“吃、住、行、游、娛、購”的數據被放入數據庫, 被完全共享、挖掘、分析, 那游客的人身財產(chǎn)安全將會(huì )受到嚴重影響, 最終降低旅游體驗。所以, 數據的安全管理是進(jìn)行大數據挖掘的前提。
3.4 大數據人才
大數據背景下的智游離不開(kāi)人才的創(chuàng )新活動(dòng)及技術(shù)支持, 然而與專(zhuān)業(yè)相銜接的大數據人才培養未能及時(shí)跟上行業(yè)需求, 加之創(chuàng )新型人才的外流, 以及數據統計未來(lái)3~5年大數據行業(yè)將面臨全球性的人才荒, 國內智游的構建還缺乏大量人才。
4解決思路
在信息化建設上, 加大政府投入, 加強基礎設施建設, 整合結構化數據, 抓取非結構化數據, 打通各數據壁壘, 建設旅游大數據實(shí)驗平臺;在挖掘方法上, 對旅游大數據實(shí)時(shí)性數據的挖掘應該被放在重要位置;在數據安全上, 從加強大數據安全立法、監管執法及強化技術(shù)手段建設等幾個(gè)方面著(zhù)手, 提升大數據環(huán)境下數據安全保護水平。加強人才的培養與引進(jìn), 加強產(chǎn)學(xué)研合作, 培養智游大數據人才。
參考文獻
[1]翁凱.大數據在智游中的應用研究[J].信息技術(shù), 2015, 24:86-87.
[2]梁昌勇, 馬銀超, 路彩虹.大數據挖掘, 智游的核心[J].開(kāi)發(fā)研究, 2015, 5 (180) :134-139.
[3]張建濤, 王洋, 劉力剛.大數據背景下智游應用模型體系構建[J].企業(yè)經(jīng)濟, 2017, 5 (441) :116-123.
[4]王竹欣, 陳湉.保障大數據, 從哪里入手?[N].人民郵電究, 2017-11-30.
數據挖掘論文14
摘要：主要通過(guò)對數據挖掘技術(shù)的探討，對職教多年累積的教學(xué)數據運用分類(lèi)、決策樹(shù)、關(guān)聯(lián)規則等技術(shù)進(jìn)行分析，從分析的結果中發(fā)現有價(jià)值的數據模式，科學(xué)合理地實(shí)現教學(xué)評估，讓教學(xué)管理者能夠從中發(fā)現教學(xué)活動(dòng)中存在的主要問(wèn)題以便及時(shí)改進(jìn)，進(jìn)而輔助管理者決策做好教學(xué)管理。
關(guān)鍵詞：教學(xué)評估;數據挖掘;教學(xué)評估體系;層次分析法
1概述
近年來(lái)國家對中等職業(yè)教育的發(fā)展高度重視，在政策扶持與職教工作者的努力下，職業(yè)教育獲得了蓬勃的發(fā)展。如何提高教學(xué)質(zhì)量、培養合格的高技術(shù)人才成為職教工作者研究的課題。各種調查研究結果表明：加強師資隊伍的建設，強化教師教學(xué)評估對教學(xué)質(zhì)量的提高尤為重要。
所謂教學(xué)評估，就是運用系統科學(xué)的方法對教學(xué)活動(dòng)或教育行為的價(jià)值、效果作出科學(xué)的判斷過(guò)程。教學(xué)評估方式要靈活多樣,要多途徑、多方位、多形式的發(fā)揮評估的導學(xué)作用，以鼓勵評估為主，充分發(fā)揮評估的激勵功能,促進(jìn)教學(xué)的健康發(fā)展。
在中等職業(yè)學(xué)校多年的教育教學(xué)工作中積累了大量的教務(wù)管理數據、教師檔案數據等，怎樣從龐雜大量的數據中挖掘出有效提高教學(xué)質(zhì)量的關(guān)鍵因素是個(gè)難題。數據挖掘技術(shù)卻可以從人工智能的角度很好地解決這一課題。通過(guò)數據挖掘技術(shù)，得到隱藏在教學(xué)數據背后的有用信息，在一定程度上為教學(xué)部門(mén)提供決策支持信息促使更好地開(kāi)展教學(xué)工作，提高教學(xué)質(zhì)量和教學(xué)管理水平，使之能在功能上更加清晰地認識教師教與學(xué)生學(xué)的關(guān)系及促進(jìn)教育教學(xué)改革。
2數據挖掘技術(shù)
2.1數據挖掘的含義
數據挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的數據中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過(guò)程。數據挖掘應該更正確地命名為“從數據中挖掘知識”。即數據挖掘是對巨大的數據集進(jìn)行尋找和分析的計算機輔助處理過(guò)程，在這一過(guò)程中顯現先前未曾發(fā)現的模式，然后從這些數據中發(fā)掘某些內涵信息，包括描述過(guò)去和預測未來(lái)趨勢的信息。人工智能領(lǐng)域習慣稱(chēng)知識發(fā)現，而數據庫領(lǐng)域習慣將其稱(chēng)為數據挖掘。
2.2數據挖掘的基本過(guò)程
數據挖掘過(guò)程包括對問(wèn)題的理解和提出、數據收集、數據處理、數據變換、數據挖掘、模式評估、知識表示等過(guò)程，以上的過(guò)程不是一次完成的，其中某些步驟或者全過(guò)程可能要反復進(jìn)行。對問(wèn)題的理解和提出在開(kāi)始數據挖掘之前，最基礎的工作就是理解數據和實(shí)際的業(yè)務(wù)問(wèn)題，在這個(gè)基礎之上提出問(wèn)題，對目標作出明確的`定義。
2.3數據挖掘常用的算法
2.3.1分類(lèi)分析方法：是通過(guò)分析訓練集中的數據，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，以便以后利用這個(gè)分類(lèi)規則對其它數據庫中的記錄進(jìn)行分類(lèi)的方法。2.3.2決策樹(shù)算法：是一種常用于分類(lèi)、預測模型的算法，它通過(guò)將大量數據有目的的分類(lèi)，從而找到一些有價(jià)值的、潛在的信息。它的主要優(yōu)點(diǎn)是描述簡(jiǎn)單，分類(lèi)速度快，特別適合大規模的數據處理。2.3.3聚類(lèi)算法：聚類(lèi)分析處理的數據對象的類(lèi)是未知的。聚類(lèi)分析就是將對象集合分組為由類(lèi)似的對象組成的多個(gè)簇的過(guò)程。在同一個(gè)簇內的對象之間具有較高的相似度，而不同簇內的對象差別較大。2.3.4關(guān)聯(lián)規則算法：側重于確定數據中不同領(lǐng)域之間的關(guān)系，即尋找給定數據集中的有趣聯(lián)系。提取描述數據庫中數據項之間所存在的潛在關(guān)系的規則，找出滿(mǎn)足給定支持度和置信度閾值的多個(gè)域之間的依賴(lài)關(guān)系。
在以上各種算法的研究中，比較有影響的是關(guān)聯(lián)規則算法。
3教學(xué)評估體系
評價(jià)指標體系是教學(xué)評估的基礎和依據，對評估起著(zhù)導向作用，因此制定一個(gè)科學(xué)全面的評價(jià)指標體系就成為改革、完善評價(jià)的首要目標。評價(jià)指標應以指導教學(xué)實(shí)踐為目的，通過(guò)評價(jià)使教師明確教學(xué)過(guò)程中應該肯定的和需要改進(jìn)的地方;以及給出設計評價(jià)指標的導向問(wèn)題。
3.1教學(xué)評估體系的構建方法
層次分析法(簡(jiǎn)稱(chēng)AHP法)是美國運籌學(xué)家T·L·Saaty教授在20世紀70年代初期提出的一種簡(jiǎn)便、靈活而又實(shí)用的多準則決策的系統分析方法，其原理是把一個(gè)復雜問(wèn)題分解、轉化為定量分析的方法。它需要建立關(guān)于系統屬性的各因素多級遞階結構，然后對每一層次上的因素逐一進(jìn)行比較，得到判斷矩陣，通過(guò)計算判斷矩陣的特征值和特征向量，得到其關(guān)于上一層因素的相對權重，并可自上而下地用上一層次因素的相對權重加權求和，求出各層次因素關(guān)于系統整體屬性(總目標層)的綜合重要度。
3.2構建教學(xué)評估指標體系的作用
3.2.1構建的教學(xué)評估指標，作為挖掘庫選擇教學(xué)信息屬性的依據。
3.2.2通過(guò)AHP方法，能篩選出用來(lái)評價(jià)教學(xué)質(zhì)量的相關(guān)重要屬性，從而入選為挖掘庫字段，這樣就減去了挖掘庫中對于挖掘目標來(lái)說(shuō)影響較小的屬性，進(jìn)而大大減少了挖掘的工作量，提高挖掘效率。3.2.3通過(guò)構建教學(xué)評估指標，減少了挖掘對象的字段，從而避免因挖掘字段過(guò)多，導致建立的決策樹(shù)過(guò)大，出現過(guò)度擬合挖掘對象，進(jìn)而造成挖掘規則不具有很好的評價(jià)效果的現象。3.2.4提高教學(xué)質(zhì)量評估實(shí)施工作的效率。
4數據挖掘在教學(xué)評估中的應用
4.1學(xué)習效果評價(jià)學(xué)習評價(jià)是教育工作者的重要職責之一。評價(jià)學(xué)生的學(xué)習情況，既對學(xué)生起到信息反饋和激發(fā)學(xué)習動(dòng)機的作用，又是檢查課程計劃、教學(xué)程序以至教學(xué)目的的手段，也是考查學(xué)生個(gè)別差異、便于因材施教的途徑。評價(jià)要遵循“評價(jià)內容要全面、評價(jià)方式要多元化、評價(jià)次數要多次化，注重自評與互評的有機結合”的原則。利用數據挖掘工具，對教師業(yè)務(wù)檔案數據庫、行為記錄數據庫、獎勵處罰數據庫等進(jìn)行分析處理，可以即時(shí)得到教師教學(xué)的評價(jià)結果，對教學(xué)過(guò)程出現的問(wèn)題進(jìn)行及時(shí)指正。
另外，這種系統還能夠克服教師主觀(guān)評價(jià)的不公正、不客觀(guān)的弱點(diǎn)，減輕教師的工作量。
4.2課堂教學(xué)評價(jià)
課堂教學(xué)評價(jià)不僅對教學(xué)起著(zhù)調節、控制、指導和推動(dòng)作用，而且有很強的導向性，是學(xué)校教學(xué)管理的重要組成部分，是評價(jià)教學(xué)工作成績(jì)的主要手段。實(shí)現對任課教師及教學(xué)組織工作效果做出評價(jià)，但是更重要的目的是總結優(yōu)秀的教學(xué)經(jīng)驗，為教學(xué)質(zhì)量的穩定提高制定科學(xué)的規范。學(xué)校每學(xué)期都要搞課堂教學(xué)評價(jià)調查，積累了大量的數據。利用數據挖掘技術(shù)，從教學(xué)評價(jià)數據中進(jìn)行數據挖掘，將關(guān)聯(lián)規則應用于教師教學(xué)評估系統中，探討教學(xué)效果的好壞與老師的年齡、職稱(chēng)、學(xué)歷之間的聯(lián)系;確定教師的教學(xué)內容的范圍和深度是否合適，選擇的教學(xué)媒體是否適合所選的教學(xué)內容和教學(xué)對象;講解的時(shí)間是否恰到好處;教學(xué)策略是否得當等。從而可以及時(shí)地將挖掘出的規則信息反饋給教師。管理部門(mén)據此能合理配置班級的上課教師，使學(xué)生能夠較好地保持良好的學(xué)習態(tài)度，從而為教學(xué)部門(mén)提供了決策支持信息，促使教學(xué)工作更好地開(kāi)展。
結束語(yǔ)
數據挖掘作為一種工具，其技術(shù)日趨成熟，在許多領(lǐng)域取得了廣泛的應用。在教育領(lǐng)域里，隨著(zhù)數據的不斷累積，把數據挖掘技術(shù)應用到教學(xué)評價(jià)系統中，讓領(lǐng)導者能夠從中發(fā)現教師教學(xué)活動(dòng)中的主要問(wèn)題，以便及時(shí)改進(jìn)，進(jìn)而輔助領(lǐng)導決策做好學(xué)校管理，提高學(xué)校管理能力和水平，同時(shí)通過(guò)建立有效的教學(xué)激勵機制來(lái)達到提高教學(xué)質(zhì)量的目的。這一研究對發(fā)展中的職業(yè)教育教學(xué)管理提出了很好的建議，為教學(xué)管理工作的計算機輔助決策增添了新的內容。將數據挖掘技術(shù)應用于中職教學(xué)評估，設計開(kāi)發(fā)一套行之有效的課堂教學(xué)評價(jià)系統，是下一步要做的工作，必將有力推動(dòng)職業(yè)教育的快速發(fā)展。
數據挖掘論文15
[1]劉瑩.基于數據挖掘的商品銷(xiāo)售預測分析[J].科技通報.20xx(07)
[2]姜曉娟,郭一娜.基于改進(jìn)聚類(lèi)的電信客戶(hù)流失預測分析[J].太原理工大學(xué)學(xué)報.20xx(04)
[3]李欣海.隨機森林模型在分類(lèi)與回歸分析中的應用[J].應用昆蟲(chóng)學(xué)報.20xx(04)
[4]朱志勇,徐長(cháng)梅,劉志兵,胡晨剛.基于貝葉斯網(wǎng)絡(luò )的客戶(hù)流失分析研究[J].計算機工程與科學(xué).20xx(03)
[5]翟健宏,李偉,葛瑞海,楊茹.基于聚類(lèi)與貝葉斯分類(lèi)器的網(wǎng)絡(luò )節點(diǎn)分組算法及評價(jià)模型[J].電信科學(xué).20xx(02)
[6]王曼,施念,花琳琳,楊永利.成組刪除法和多重填補法對隨機缺失的二分類(lèi)變量資料處理效果的比較[J].鄭州大學(xué)學(xué)報(醫學(xué)版).20xx(05)
[7]黃杰晟,曹永鋒.挖掘類(lèi)改進(jìn)決策樹(shù)[J].現代計算機(專(zhuān)業(yè)版).20xx(01)
[8]李凈,張范,張智江.數據挖掘技術(shù)與電信客戶(hù)分析[J].信息通信技術(shù).20xx(05)
[9]武曉巖,李康.基因表達數據判別分析的隨機森林方法[J].中國衛生統計.20xx(06)
[10]張璐.論信息與企業(yè)競爭力[J].現代情報.20xx(01)
[11]楊毅超.基于Web數據挖掘的作物商務(wù)平臺分析與研究[D].湖南農業(yè)大學(xué)20xx
[12]徐進(jìn)華.基于灰色系統理論的數據挖掘及其模型研究[D].北京交通大學(xué)20xx
[13]俞馳.基于網(wǎng)絡(luò )數據挖掘的客戶(hù)獲取系統研究[D].西安電子科技大學(xué)20xx
[14]馮軍.數據挖掘在自動(dòng)外呼系統中的應用[D].北京郵電大學(xué)20xx
[15]于寶華.基于數據挖掘的高考數據分析[D].天津大學(xué)20xx
[16]王仁彥.數據挖掘與網(wǎng)站運營(yíng)管理[D].華東師范大學(xué)20xx
[17]彭智軍.數據挖掘的若干新方法及其在我國證券市場(chǎng)中應用[D].重慶大學(xué)20xx
[18]涂繼亮.基于數據挖掘的智能客戶(hù)關(guān)系管理系統研究[D].哈爾濱理工大學(xué)20xx
[19]賈治國.數據挖掘在高考填報志愿上的'應用[D].內蒙古大學(xué)20xx
[20]馬飛.基于數據挖掘的航運市場(chǎng)預測系統設計及研究[D].大連海事大學(xué)20xx
[21]周霞.基于云計算的太陽(yáng)風(fēng)大數據挖掘分類(lèi)算法的研究[D].成都理工大學(xué)20xx
[22]阮偉玲.面向生鮮農產(chǎn)品溯源的基層數據庫建設[D].成都理工大學(xué)20xx
[23]明慧.復合材料加工工藝數據庫構建及數據集成[D].大連理工大學(xué)20xx
[24]陳鵬程.齒輪數控加工工藝數據庫開(kāi)發(fā)與數據挖掘研究[D].合肥工業(yè)大學(xué)20xx
[25]岳雪.基于海量數據挖掘關(guān)聯(lián)測度工具的設計[D].西安財經(jīng)學(xué)院20xx
[26]丁翔飛.基于組合變量與重疊區域的SVM-RFE方法研究[D].大連理工大學(xué)20xx
[27]劉士佳.基于MapReduce框架的頻繁項集挖掘算法研究[D].哈爾濱理工大學(xué)20xx
[28]張曉東.全序模塊模式下范式分解問(wèn)題研究[D].哈爾濱理工大學(xué)20xx
[29]尚丹丹.基于虛擬機的Hadoop分布式聚類(lèi)挖掘方法研究與應用[D].哈爾濱理工大學(xué)20xx
[30]王化楠.一種新的混合遺傳的基因聚類(lèi)方法[D].大連理工大學(xué)20xx
[31]楊毅超.基于Web數據挖掘的作物商務(wù)平臺分析與研究[D].湖南農業(yè)大學(xué)20xx
[32]徐進(jìn)華.基于灰色系統理論的數據挖掘及其模型研究[D].北京交通大學(xué)20xx
[33]俞馳.基于網(wǎng)絡(luò )數據挖掘的客戶(hù)獲取系統研究[D].西安電子科技大學(xué)20xx
[34]馮軍.數據挖掘在自動(dòng)外呼系統中的應用[D].北京郵電大學(xué)20xx
[35]于寶華.基于數據挖掘的高考數據分析[D].天津大學(xué)20xx
[36]王仁彥.數據挖掘與網(wǎng)站運營(yíng)管理[D].華東師范大學(xué)20xx
[37]彭智軍.數據挖掘的若干新方法及其在我國證券市場(chǎng)中應用[D].重慶大學(xué)20xx
[38]涂繼亮.基于數據挖掘的智能客戶(hù)關(guān)系管理系統研究[D].哈爾濱理工大學(xué)20xx
[39]賈治國.數據挖掘在高考填報志愿上的應用[D].內蒙古大學(xué)20xx
[ 40]馬飛.基于數據挖掘的航運市場(chǎng)預測系統設計及研究[D].大連海事大學(xué)20xx
【數據挖掘論文】相關(guān)文章：
數據挖掘論文07-15
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(集合6篇)11-18
旅游管理下數據挖掘運用論文(匯編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
數據挖掘工程師崗位職責06-04