商业数据流挖掘模型.方法及应用 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。

商业数据流挖掘模型.方法及应用 本书特色

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。

商业数据流挖掘模型.方法及应用 目录

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1.4.2网购数据流挖掘应用1.5本书的主要内容和结构参考文献第2章商业数据流管理模型2.1商业数据流特点2.2商业数据流管理模型2.2.1商业数据流描述模型2.2.2商业数据流分层管理模型2.3商业数据流预处理模型2.3.1商业数据流降维模型2.3.2商业数据流噪声处理模型2.4本章小结参考文献第3章商业数据流概念漂移模型3.1商业数据流概念漂移描述模型3.1.1商业数据流中的概念漂移概述3.1.2基于粒计算的商业数据流概念模型3.2商业数据流概念漂移特征提取模型3.2.1商业数据流概念漂移特征发现模型3.2.2商业数据流概念漂移特征抽取模型3.3商业数据流概念漂移检测模型3.3.1基于概念格的数据流漂移检测模型3.3.2基于hsmm的用户兴趣漂移检测模型3.3.3融入簇强度的数据流漂移检测模型3.4本章小结参考文献第4章面向商业数据流的关联规则方法4.1web数据流*大频繁项集挖掘算法4.1.1amfi算法相关定义4.1.2算法描述4.1.3算法小结4.2基于时序轮盘模型的数据流频繁模式挖掘算法4.2.1时序轮盘ttlc算法4.2.2mfsht算法4.2.3实验结果及分析4.2.4算法小结4.3分布式关联规则同步算法和异步算法4.3.1网状分布式环境下同步算法ndma4.3.2星形分布式环境下异步算法sdma4.3.3算法小结4.4分布式无冗余数据流关联规则异步算法4.4.1相关概念和定理4.4.2算法描述与分析4.4.3实验结果及分析4.4.4算法小结4.5本章小结参考文献第5章面向商业数据流的分类方法5.1基于模糊积分融合的数据流分类挖掘算法5.1.1模糊测度与模糊积分理论5.1.2基于choquet模糊积分融合的多模糊id3数据流分类算法5.1.3算法描述及分析5.1.4算法小结5.2基于增量存储树的集成贝叶斯分类数据流挖掘算法5.2.1集成贝叶斯分类器构建5.2.2构建cmcdst算法模型5.2.3实验结果及分析5.2.4算法小结5.3基于相关度的数据流关联分类算法5.3.1基于相关度关联分类算法的设计思想5.3.2基于相关度的关联分类算法5.3.3实验结果及分析5.3.4算法小结5.4基于情景特征的数据流前馈动态集成分类算法5.4.1问题描述5.4.2基于情景特征的前馈动态集成分类思想5.4.3实验结果及分析5.4.4算法小结5.5基于信息熵差异性度量的数据流增量集成分类算法5.5.1问题描述5.5.2基于信息熵差异性度量的增量集成分类算法5.5.3算法小结5.6基于mapreduce技术的数据流并行集成分类算法5.6.1问题描述5.6.2相关理论研究5.6.3基于云计算的并行集成分类器5.6.4实验结果及分析5.6.5算法小结5.7本章小结参考文献第6章面向商业数据流的聚类方法6.1基于密度的数据流聚类算法6.1.1问题描述6.1.2数据流管理模型及算法架构6.1.3主成分和密度融合的数据流聚类模型6.1.4pdstream算法设计6.1.5实验结果及分析6.1.6算法小结6.2基于小波网络的多维时间序列耦合特征聚类算法6.2.1相关工作6.2.2基于小波网络的数据压缩6.2.3多维时间序列耦合特征提取6.2.4聚类算法描述6.2.5实验结果及分析6.2.6算法小结6.3并行web数据流聚类算法6.3.1研究进展及相关模型6.3.2jpstream算法描述6.3.3实验结果及分析6.3.4算法小结6.4融入簇存在强度的数据流聚类方法6.4.1融入不确定性的web用户分析模型6.4.2簇存在强度6.4.3融入簇存在强度的数据流聚类算法6.4.4实验结果及分析6.4.5算法小结6.5本章小结参考文献第7章商业数据流挖掘应用——分布式零售数据7.1实验数据来源与实验环境7.1.1实验数据来源7.1.2挖掘实验环境7.2基于多支持向量机的分布式客户流失预测应用7.2.1单站点客户流失预测分析7.2.2多站点客户流失预测分析7.2.3结果分析7.3基于分布式关联分类的连锁零售业客户细分应用7.3.1数据准备7.3.2模型的训练与测试7.3.3结果分析7.4本章小结参考文献第8章商业数据流挖掘应用——网购数据8.1实验数据来源与实验环境8.1.1实验数据来源8.1.2挖掘实验环境8.2基于行为特征分析的用户聚类算法的应用分析8.2.1聚类步骤8.2.2聚类评估方法8.2.3用户聚类结果与分析8.3概念漂移约束驱动的关联规则挖掘算法的应用分析8.3.1概念漂移约束驱动的关联规则挖掘8.3.2情境强度约束的模式挖掘与推荐8.3.3基于推荐系统的算法评测与分析8.4用户兴趣挖掘模型的应用分析8.4.1用户情境本体模型构建8.4.2用户兴趣特征提取实验分析8.4.3用户兴趣漂移检测实验8.5本章小结参考文献第9章总结与展望9.1本书总结9.2未来展望

商业数据流挖掘模型.方法及应用 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。