博士论文《数据挖掘应用平台及其关键技术研究》(98页).rar 目　　　　录 摘　　　　要 1 ABSTRACT 3 第一章 前言 5 1.1　立论背景和研究意义 5 1.1.1　立论背景 5 1.1.2　研究意义 6 1.2　研究现状 6 1.2.1　数据挖掘技术 6 1.2.2　数据挖掘系统 7 1.3　存在的问题及研究方向 10 1.4　本文工作 11 1.4.1　研究内容 11 1.4.2　本文结构 14 第二章　数据挖掘系统的发展及问题分析 15 2.1　引言 15 2.2　数据挖掘过程模型 16 2.2.1　Fayyad过程模型及数据挖掘定义 16 2.2.2　CRISP-DM过程模型及数据挖掘商业定义 17 2.3　四代数据挖掘系统 19 2.4　数据挖掘系统发展的三个阶段 21 2.4.1　独立的数据挖掘系统 21 2.4.2　横向的数据挖掘工具 21 2.4.3　纵向的数据挖掘解决方案 22 2.5　问题分析 23 2.5.1　提出问题 23 2.5.2　闭环问题 24 2.5.3　用户问题 25 2.5.4　过程模型问题 26 2.5.5　数据挖掘应用平台 28 2.6　本章小结 28 第三章　数据挖掘应用平台 29 3.1　数据挖掘应用平台框架 29 3.1.1　数据挖掘系统的用户 29 3.1.2　扩展的CRISP-DM模型 30 3.1.3　数据挖掘应用平台框架 32 3.1.4　框架、平台、系统 34 3.2　数据挖掘应用平台总体设计 35 3.2.1　体系结构 35 3.2.2　功能模块 35 3.3　数据挖掘应用平台关键技术分析 39 3.3.1　数据源到指标体系的映射 39 3.3.2　业务模型和算法的映射 39 3.3.3　数据挖掘模型的融合 39 3.3.4　数据挖掘模型的表示 40 3.3.5数据挖掘应用平台建模语言 42 3.4　数据挖掘应用平台特色 43 3.4.1　基于构件的软件设计方法 43 3.4.2　横向工具和纵向解决方案的融合 43 3.4.3　与其他数据挖掘系统的比较 44 3.5　本章小结 45 第四章　数据挖掘算法层 47 4.1　引言 47 4.2　带负属性的关联规则算法 47 4.2.1　关联规则研究现状 47 4.2.2　问题描述 49 4.2.3　相关概念 49 4.2.4　算法描述 50 4.2.5　实验结果 52 4.3　带时间特征的序列模式算法TESP 53 4.3.1　序列模式研究现状 53 4.3.2　问题描述 54 4.3.3　相关概念 55 4.3.4　TESP算法 56 4.3.5　试验结果 59 4.4　决策树算法DMTREE 60 4.4.1　分类算法研究现状 60 4.4.2　问题描述 61 4.4.3　DMTree算法设计 61 4.4.4　DMTree的分割指标 62 4.4.5　DMTree的MDL修剪 63 4.5　基于遗传算法的前馈神经网络分类算法 64 4.5.1　问题描述 64 4.5.2　BP算法 65 4.5.3　遗传学习算法 65 4.5.4　基于遗传学习算法和BP算法的前馈网络 66 4.6　CLIQUE聚类算法 66 4.6.1　聚类研究现状 66 4.6.2　问题描述 68 4.6.3　CLIQUE算法描述 68 4.7　异常检测LOF算法 69 4.7.1　异常检测研究现状 69 4.7.2　问题描述 71 4.7.3　局部异常LOF的形式定义 71 4.7.4　LOF算法分析及优化 72 4.8　本章小结 73 第五章　业务逻辑层 74 5.1　数据挖掘技术在CRM领域的应用 74 5.2　客户特征化和指标体系 74 5.2.1　客户特征化（Customer　Profiling） 74 5.2.2　客户特征化构建方法 75 5.2.3　CRM数据挖掘应用平台的指标体系 75 5.3　产品推荐模型 76 5.3.1　基本概念 76 5.3.2　研究现状 77 5.3.3　实现的方法 78 5.4　客户获取模型 79 5.4.1　基本概念 79 5.4.2　传统方法 80 5.4.3　实现的数据挖掘方法 81 5.5直销和客户响应模型 81 5.5.1　基本概念 81 5.5.2　传统方法 83 5.5.3　实现的数据挖掘方法 84 5.6　客户流失模型 85 5.6.1　基本概念 85 5.6.2　直接预测方法 85 5.6.3　指标选择 86 5.6.4　流失预测 86 5.6.5　抑制链式反应 87 5.7　客户价值模型 87 5.7.1　基本概念 87 5.7.2　潜在价值（PV） 88 5.7.3　生命周期价值（LTV） 88 5.7.4　实现的方法 89 5.8　业务模型建模语言DMAPML 89 5.8.1　业务建模任务 90 5.8.2　模型 92 5.9　本章小结 92 第六章　基于数据挖掘应用平台的系统 93 6.1　关联规则挖掘工具ARMINER 93 6.1.1　系统概述 93 6.1.2　系统功能 93 6.1.3　系统特色 94 6.1.4　系统应用 96 6.2　数据挖掘工具集DMINER 96 6.2.1　系统概述 96 6.2.2　系统功能 97 6.2.3　系统特色 98 6.2.4　系统应用 99 6.3　客户智能分析系统CIAS 100 6.3.1　系统概述 100 6.3.2　系统功能 101 6.3.3　系统特色 103 6.4　本章小结 104 第七章　结束语 105 7.1　本文工作 105 7.2　结论 106 7.3　后续工作 106 参考文献 108 攻读学位期间作者的工作成果 115 致 　谢 116