商业数据流挖掘模型、方法及应用 PDF下载

编辑推荐

内容简介

本书是商业数据流挖掘方面的一本学术专著，包括商业数据流数据管理模型、概念漂移模型、商业数据流关联规则、分类、聚类方法，以及在银行、网购等领域的应用等内容，从模型、方法及应用三个角度对面向商业数据流挖掘进行了系统论述。本书适合作为与数据挖掘和商业数据分析有关的学科如计算机技术、软件工程、电子商务等的本科和研究生的教材，也可供相关领域的专业人员参考。

作者简介

琚春华浙江工商大学信息学院院长，教授/博士/博士生导师。__eol__琚春华(Ju ChunHua)，男，1962年7月生，浙江常山县人，中共党员，浙江工商大学科技处处长，教授、博士，浙江工商大学工商管理学院博士生导师。浙江省“151人才工程”第一层次人选，国务院特殊津贴获得者，中国科学技术情报学会第七届理事会理事、常务理事，全国新世纪优秀人才支持计划学术带头人，浙江省重点学科（管理科学与工程）带头人，浙江省电子商务与物流优化创新团队负责人，高等学校博士学科点专项科研基金获得者，第十一届“挑战杯”全国大学生学术科技作品竞赛优秀指导教师。

商业数据流挖掘模型、方法及应用 PDF下载

目录
第1章绪论
1.1背景概述
1.1.1数据挖掘
1.1.2数据流挖掘
1.2商业数据流挖掘主要研究概况
1.2.1国外研究现状
1.2.2国内研究现状
1.3商业数据流挖掘的基本概念
1.3.1商业数据流的基本定义
1.3.2商业数据流挖掘的基本流程
1.3.3商业数据流挖掘的主要模型和方法
1.4商业数据流挖掘的典型应用
1.4.1分布式零售数据流挖掘应用目录<；br />；第1章绪论<；br />；1.1背景概述<；br />；1.1.1数据挖掘<；br />；1.1.2数据流挖掘<；br />；1.2商业数据流挖掘主要研究概况<；br />；1.2.1国外研究现状<；br />；1.2.2国内研究现状<；br />；1.3商业数据流挖掘的基本概念<；br />；1.3.1商业数据流的基本定义<；br />；1.3.2商业数据流挖掘的基本流程<；br />；1.3.3商业数据流挖掘的主要模型和方法<；br />；1.4商业数据流挖掘的典型应用<；br />；1.4.1分布式零售数据流挖掘应用<；br />；1.4.2网购数据流挖掘应用<；br />；1.5本书的主要内容和结构<；br />；参考文献第2章商业数据流管理模型<；br />；2.1商业数据流特点<；br />；2.2商业数据流管理模型<；br />；2.2.1商业数据流描述模型<；br />；2.2.2商业数据流分层管理模型<；br />；2.3商业数据流预处理模型<；br />；2.3.1商业数据流降维模型<；br />；2.3.2商业数据流噪声处理模型<；br />；2.4本章小结<；br />；参考文献第3章商业数据流概念漂移模型<；br />；3.1商业数据流概念漂移描述模型<；br />；3.1.1商业数据流中的概念漂移概述<；br />；3.1.2基于粒计算的商业数据流概念模型<；br />；3.2商业数据流概念漂移特征提取模型<；br />；3.2.1商业数据流概念漂移特征发现模型<；br />；3.2.2商业数据流概念漂移特征抽取模型<；br />；3.3商业数据流概念漂移检测模型<；br />；3.3.1基于概念格的数据流漂移检测模型<；br />；3.3.2基于HSMM的用户兴趣漂移检测模型<；br />；3.3.3融入簇强度的数据流漂移检测模型<；br />；3.4本章小结<；br />；参考文献第4章面向商业数据流的关联规则方法<；br />；4.1Web数据流最大频繁项集挖掘算法<；br />；4.1.1AMFI算法相关定义<；br />；4.1.2算法描述<；br />；4.1.3算法小结<；br />；4.2基于时序轮盘模型的数据流频繁模式挖掘算法<；br />；4.2.1时序轮盘TTLC算法<；br />；4.2.2MFSHT算法<；br />；4.2.3实验结果及分析<；br />；4.2.4算法小结<；br />；4.3分布式关联规则同步算法和异步算法<；br />；4.3.1网状分布式环境下同步算法NDMA<；br />；4.3.2星形分布式环境下异步算法SDMA<；br />4.3.3算法小结<br />4.4分布式无冗余数据流关联规则异步算法<br />4.4.1相关概念和定理<br />4.4.2算法描述与分析<br />4.4.3实验结果及分析<br />4.4.4算法小结<br />4.5本章小结<br />参考文献第5章面向商业数据流的分类方法<br />5.1基于模糊积分融合的数据流分类挖掘算法<br />5.1.1模糊测度与模糊积分理论<br />5.1.2基于Choquet模糊积分融合的多模糊ID3数据流分类算法<br />5.1.3算法描述及分析<br />5.1.4算法小结<br />5.2基于增量存储树的集成贝叶斯分类数据流挖掘算法<br />5.2.1集成贝叶斯分类器构建<br />5.2.2构建CMCDST算法模型<br />5.2.3实验结果及分析<br />5.2.4算法小结<br />5.3基于相关度的数据流关联分类算法<br />5.3.1基于相关度关联分类算法的设计思想<br />5.3.2基于相关度的关联分类算法<br />5.3.3实验结果及分析<br />5.3.4算法小结<br />5.4基于情景特征的数据流前馈动态集成分类算法<br />5.4.1问题描述<br />5.4.2基于情景特征的前馈动态集成分类思想<br />5.4.3实验结果及分析<br />5.4.4算法小结<br />5.5基于信息熵差异性度量的数据流增量集成分类算法<br />5.5.1问题描述<br />5.5.2基于信息熵差异性度量的增量集成分类算法<br />5.5.3算法小结<br />5.6基于MAPREDUCE技术的数据流并行集成分类算法<br />5.6.1问题描述<br />5.6.2相关理论研究<br />5.6.3基于云计算的并行集成分类器<br />5.6.4实验结果及分析<br />5.6.5算法小结<br />5.7本章小结<br />参考文献第6章面向商业数据流的聚类方法<br />6.1基于密度的数据流聚类算法<br />6.1.1问题描述<br />6.1.2数据流管理模型及算法架构<br />6.1.3主成分和密度融合的数据流聚类模型<br />6.1.4PDStream算法设计<br />6.1.5实验结果及分析<br />6.1.6算法小结<br />6.2基于小波网络的多维时间序列耦合特征聚类算法<br />6.2.1相关工作<br />6.2.2基于小波网络的数据压缩<br />6.2.3多维时间序列耦合特征提取<br />6.2.4聚类算法描述<br />6.2.5实验结果及分析<br />6.2.6算法小结<br />6.3并行Web数据流聚类算法<br />6.3.1研究进展及相关模型<br />6.3.2JPStream算法描述<br />6.3.3实验结果及分析<br />6.3.4算法小结<br />6.4融入簇存在强度的数据流聚类方法<br />6.4.1融入不确定性的Web用户分析模型<br />6.4.2簇存在强度<br />6.4.3融入簇存在强度的数据流聚类算法<br />6.4.4实验结果及分析<br />6.4.5算法小结<br />6.5本章小结<br />参考文献第7章商业数据流挖掘应用——分布式零售数据<br />7.1实验数据来源与实验环境<br />7.1.1实验数据来源<br />7.1.2挖掘实验环境<br />7.2基于多支持向量机的分布式客户流失预测应用<br />7.2.1单站点客户流失预测分析<br />7.2.2多站点客户流失预测分析<br />7.2.3结果分析<br />7.3基于分布式关联分类的连锁零售业客户细分应用<br />7.3.1数据准备<br />7.3.2模型的训练与测试<br />7.3.3结果分析<br />7.4本章小结<br />参考文献第8章商业数据流挖掘应用——网购数据<br />8.1实验数据来源与实验环境<br />8.1.1实验数据来源<br />8.1.2挖掘实验环境<br />8.2基于行为特征分析的用户聚类算法的应用分析<br />8.2.1聚类步骤<br />8.2.2聚类评估方法<br />8.2.3用户聚类结果与分析<br />8.3概念漂移约束驱动的关联规则挖掘算法的应用分析<br />8.3.1概念漂移约束驱动的关联规则挖掘<br />8.3.2情境强度约束的模式挖掘与推荐<br />8.3.3基于推荐系统的算法评测与分析<br />8.4用户兴趣挖掘模型的应用分析<br />8.4.1用户情境本体模型构建<br />8.4.2用户兴趣特征提取实验分析<br />8.4.3用户兴趣漂移检测实验<br />8.5本章小结<br />参考文献第9章总结与展望<br />9.1本书总结<br />9.2未来展望

媒体评论

前沿

前言21世纪以来，数据已前所未有地成为国家和企业发展的重要战略资源，成为提高一个组织乃至一个国家战略竞争力的核心，也是实施科学管理与决策的基础。如何有效利用数据与发现知识，已成为各方关注的关键性问题。在这样的背景下，企业、政府和各类组织从爆炸性增长的海量数据中挖掘出有价值信息的需求变得更加强烈，宣告着大数据（Big Data）时代的来临，把基于海量数据的分析和挖掘推上了新的高度。正如《纽约时报》2012年2月的一篇专栏中所称，大数据时代已经降临，在商业、经济及其他领域中，决策将日益基于数据和分析而做出，而并非基于经验和直觉。亚马逊首席科学家Andreas Weigend更直接提出“数据是新的石油”。数据，已逐渐成为和土地、人力、技术、资本并列的要素。如何更为有效地从海量数据中挖掘和提取出有价值的信息和知识，提升组织在大数据时代的竞争力，已成为企业、政府和各类组织极为关切的核心问题。目前，数据挖掘技术及其延展的大数据技术所面向的分析对象，已从传统的静态数据集，转向以数据流为代表的复杂数据集。尤其是近年来随着物联网、云计算等信息技术的不断兴起和互联网应用的飞速发展，更为海量的数据以数据流的形式大量涌现，并且仍在以几何方式继续保持增长。典型的如商业领域的超市交易记录、网络购物数据、网络搜索请求、电信通话记录、银行ATM交易记录等，科学领域的天文观测数据、气象观测数据等。这些数据流具有数据量大、变化快、要求快速响应、适合于线性扫描、随机存取代价高等特点。与科学领域的数据流相比，商业领域的数据流来源更为广泛，出现得更为频繁、更为多样，且与大众的关系更为密切。更为重要的是，商业领域的数据流来源于企业和组织的实际业务流程，往往包含着企业和组织的运行状态、管理要求、影响因素、变化特征等价值极高的信息，并蕴含着企业和组织的运行规律、变化趋势等动态变化情况，值得开展针对性的数据挖掘研究。与此同时，商业数据流所具有的分布性明显、概念特征易漂移等内在特点，也给计算机带来了存储空间、计算速度和挖掘方法等方面的挑战，难以采用传统的数据挖掘模型和算法进行处理，需要探索和研究面向商业数据流的数据挖掘模型与方法。本书即是针对商业数据流挖掘模型、方法及应用的学术研究专著。全书共分9章，涉及商业数据流挖掘的模型、方法及应用三方面，具体结构和内容主要是：第1章为绪论，综述了商业数据流挖掘的相关概念和研究进展，并描述了全书的概貌，起到了导引的作用；第2章和第3章为模型篇，其中第2章论述商业数据流管理模型，主要从商业数据流特点、商业数据流管理模型、商业数据流预处理模型三个方面进行了阐述；第3章论述商业数据流概念漂移模型，主要包括商业数据流概念漂移描述模型、特征提取模型和概念漂移检测模型；第4、 5、 6章为方法篇，分别从商业数据流关联规则、商业数据流分类、商业数据流聚类三大方面对商业数据流的挖掘方法进行了详细阐述，提出了一些具有实践意义的模型和算法；在此基础上，第7章和第8章共同构成了应用篇，主要介绍了商业数据流挖掘的两方面应用案例：分布式零售数据挖掘与网购数据挖掘；最后一章对商业数据流挖掘模型、方法及应用进行了归纳总结，并对商业数据流挖掘的未来发展做出展望。本书由琚春华和封毅执笔，感谢许翀寰、郭飞鹏、邹江波等参与了写作。本书适于从事数据挖掘和智能信息处理研发的科技工作者阅读使用，也可作为高等院校数据挖掘、智能信息处理、管理科学与工程等管理类和信息类相关专业研究生和本科生的教学参考书。大数据时代的号角已然响起，未来基于数据的研究和应用将在企业、组织甚至国家层面的竞争中发挥越来越重要的作用。衷心希望本书能为数据流挖掘的相关研究者和实践者带来点滴帮助，成为读者扬帆大数据时代的助力剂。感谢业内专家对本书内容的指导、推荐和帮助。

免费在线读