數(shù)據(jù)挖掘原理與算法（高等學(xué)校教材）

第1章 緒論 1
1.1 數(shù)據(jù)挖掘技術(shù)的產(chǎn)生與發(fā)展 1
1.1.1 數(shù)據(jù)挖掘技術(shù)的商業(yè)需求分析 1
1.1.2 數(shù)據(jù)挖掘產(chǎn)生的技術(shù)背景分析 3
1.2 數(shù)據(jù)挖掘研究的發(fā)展趨勢(shì) 4
1.3 數(shù)據(jù)挖掘的概念 6
1.3.1 從商業(yè)角度看數(shù)據(jù)挖掘技術(shù) 7
1.3.2 數(shù)據(jù)挖掘的技術(shù)含義 7
1.3.3 數(shù)據(jù)挖掘研究的理論基礎(chǔ) 8
1.4 數(shù)據(jù)挖掘技術(shù)的分類問(wèn)題 10
1.5 數(shù)據(jù)挖掘常用的知識(shí)表示模式與方法 11
1.5.1 廣義知識(shí)挖掘 11
1.5.2 關(guān)聯(lián)知識(shí)挖掘 13
1.5.3 類知識(shí)挖掘 14
1.5.4 預(yù)測(cè)型知識(shí)挖掘 19
1.5.5 特異型知識(shí)挖掘 20
1.6 不同數(shù)據(jù)存儲(chǔ)形式下的數(shù)據(jù)挖掘問(wèn)題 21
1.6.1 事務(wù)數(shù)據(jù)庫(kù)中的數(shù)據(jù)挖掘 21
1.6.2 關(guān)系型數(shù)據(jù)庫(kù)中的數(shù)據(jù)挖掘 21
1.6.3 數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)挖掘 23
1.6.4 在關(guān)系模型基礎(chǔ)上發(fā)展的新型數(shù)據(jù)庫(kù)中的數(shù)據(jù)挖掘 23
1.6.5 面向應(yīng)用的新型數(shù)據(jù)源中的數(shù)據(jù)挖掘 24
1.6.6 Web數(shù)據(jù)源中的數(shù)據(jù)挖掘 24
1.7 粗糙集方法及其在數(shù)據(jù)挖掘中的應(yīng)用 26
1.7.1 粗糙集的一些重要概念 26
1.7.2 粗糙集應(yīng)用舉例 27
1.7.3 粗糙集方法在KDD中的應(yīng)用范圍 29
1.8 數(shù)據(jù)挖掘的應(yīng)用分析 29
1.8.1 數(shù)據(jù)挖掘與CRM 29
1.8.2 數(shù)據(jù)挖掘應(yīng)用的成功案例分析 30
1.9 本章小結(jié)和文獻(xiàn)注釋 32
第2章 知識(shí)發(fā)現(xiàn)過(guò)程與應(yīng)用結(jié)構(gòu) 37
2.1 知識(shí)發(fā)現(xiàn)的基本過(guò)程 37
2.1.1 數(shù)據(jù)抽取與集成 38
2.1.2 數(shù)據(jù)清洗與預(yù)處理 39
2.1.3 數(shù)據(jù)的選擇與整理 39
2.1.4 數(shù)據(jù)挖掘 40
2.1.5 模式評(píng)估 40
2.2 數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn)處理過(guò)程模型 41
2.2.1 階梯處理過(guò)程模型 41
2.2.2 螺旋處理過(guò)程模型 42
2.2.3 以用戶為中心的處理模型 43
2.2.4 聯(lián)機(jī)KDD模型 45
2.2.5 支持多數(shù)據(jù)源多知識(shí)模式的KDD處理模型 46
2.3 知識(shí)發(fā)現(xiàn)軟件或工具的發(fā)展 49
2.3.1 獨(dú)立的知識(shí)發(fā)現(xiàn)軟件 49
2.3.2 橫向的知識(shí)發(fā)現(xiàn)工具 49
2.3.3 縱向的知識(shí)發(fā)現(xiàn)解決方案 50
2.3.4 KDD系統(tǒng)介紹 50
2.4 知識(shí)發(fā)現(xiàn)項(xiàng)目的過(guò)程化管理 53
2.5 數(shù)據(jù)挖掘語(yǔ)言介紹 54
2.5.1 數(shù)據(jù)挖掘語(yǔ)言的分類 54
2.5.2 數(shù)據(jù)挖掘查詢語(yǔ)言 55
2.5.3 數(shù)據(jù)挖掘建模語(yǔ)言 56
2.5.4 通用數(shù)據(jù)挖掘語(yǔ)言 57
2.5.5 DMQL挖掘查詢語(yǔ)言介紹 59
2.6 本章小結(jié)和文獻(xiàn)注釋 62
第3章 關(guān)聯(lián)規(guī)則挖掘理論和算法 64
3.1 基本概念與解決方法 64
3.2 經(jīng)典的頻繁項(xiàng)目集生成算法分析 65
3.2.1 項(xiàng)目集格空間理論 65
3.2.2 經(jīng)典的發(fā)現(xiàn)頻繁項(xiàng)目集算法 66
3.2.3 關(guān)聯(lián)規(guī)則生成算法 68
3.3 Apriori算法的性能瓶頸問(wèn)題 70
3.4 Apriori的改進(jìn)算法 71
3.4.1 基于數(shù)據(jù)分割（Partition）的方法 71
3.4.2 基于散列（Hash）的方法 72
3.4.3 基于采樣（Sampling）的方法 73
3.5 項(xiàng)目集格空間理論的發(fā)展 74
3.5.1 Close算法 74
3.5.2 FP-tree算法 79
3.6 項(xiàng)目序列集格空間和它的操作 83
3.7 基于項(xiàng)目序列集操作的關(guān)聯(lián)規(guī)則挖掘算法 85
3.7.1 關(guān)聯(lián)規(guī)則挖掘空間 85
3.7.2 三個(gè)實(shí)用算子 85
3.7.3 最大頻繁項(xiàng)目序列集的生成算法 87
3.7.4 ISS-DM算法執(zhí)行示例 87
3.8 改善關(guān)聯(lián)規(guī)則挖掘質(zhì)量問(wèn)題 88
3.8.1 用戶主觀層面 88
3.8.2 系統(tǒng)客觀層面 89
3.9 約束數(shù)據(jù)挖掘問(wèn)題 89
3.9.1 約束在數(shù)據(jù)挖掘中的作用 89
3.9.2 約束的類型 90
3.10 時(shí)態(tài)約束關(guān)聯(lián)規(guī)則挖掘 93
3.11 關(guān)聯(lián)規(guī)則挖掘中的一些更深入的問(wèn)題 96
3.11.1 多層次關(guān)聯(lián)規(guī)則挖掘 96
3.11.2 多維關(guān)聯(lián)規(guī)則挖掘 97
3.11.3 數(shù)量關(guān)聯(lián)規(guī)則挖掘 98
3.12 數(shù)量關(guān)聯(lián)規(guī)則挖掘方法 99
3.12.1 數(shù)量關(guān)聯(lián)規(guī)則挖掘問(wèn)題 99
3.12.2 數(shù)量關(guān)聯(lián)規(guī)則的分類 100
3.12.3 數(shù)量關(guān)聯(lián)規(guī)則挖掘的一般步驟 101
3.12.4 數(shù)值屬性離散化問(wèn)題及算法 103
3.13 本章小結(jié)和文獻(xiàn)注釋 106
第4章 分類方法 109
4.1 分類的基本概念與步驟 109
4.2 基于距離的分類算法 111
4.3 決策樹(shù)分類方法 114
4.3.1 決策樹(shù)基本算法概述 115
4.3.2 ID3算法 117
4.3.3 C4.5算法 123
4.4 貝葉斯分類 127
4.4.1 貝葉斯定理 127
4.4.2 樸素貝葉斯分類 128
4.4.3 EM算法 130
4.5 規(guī)則歸納 134
4.5.1 AQ算法 135
4.5.2 CN2算法 138
4.5.3 FOIL算法 146
4.6 與分類有關(guān)的其他問(wèn)題 150
4.6.1 分類數(shù)據(jù)預(yù)處理 150
4.6.2 分類器性能的表示與評(píng)估 151
4.7 本章小結(jié)和文獻(xiàn)注釋 153
第5章 聚類方法 156
5.1 概述 156
5.1.1 聚類分析在數(shù)據(jù)挖掘中的應(yīng)用 157
5.1.2 聚類分析算法的概念與基本分類 158
5.1.3 距離與相似性的度量 160
5.2 劃分聚類方法 163
5.2.1 k-平均算法 164
5.2.2 PAM 166
5.2.3 其他方法 170
5.3 層次聚類方法 170
5.3.1 AGNES算法 171
5.3.2 DIANA算法 172
5.3.3 其他聚類方法 174
5.4 密度聚類方法 175
5.5 其他聚類方法 178
5.5.1 STING算法 179
5.5.2 SOM算法 180
5.5.3 COBWEB算法 180
5.5.4 模糊聚類算法FCM 181
5.6 本章小結(jié)和文獻(xiàn)注釋 181
第6章 時(shí)間序列和序列模式挖掘 183
6.1 時(shí)間序列及其應(yīng)用 183
6.2 時(shí)間序列預(yù)測(cè)的常用方法 184
6.2.1 確定性時(shí)間序列預(yù)測(cè)方法 184
6.2.2 隨機(jī)時(shí)間序列預(yù)測(cè)方法 185
6.2.3 其他方法 185
6.3 基于ARMA模型的序列匹配方法 185
6.3.1 基本概念 185
6.3.2 利用基本概念建立模型 186
6.3.3 構(gòu)造判別函數(shù) 187
6.4 基于離散富里葉變換的時(shí)間序列相似性查找 188
6.4.1 完全匹配 189
6.4.2 子序列匹配 190
6.5 基于規(guī)范變換的查找方法 192
6.5.1 基本概念 193
6.5.2 查找方法 193
6.6 序列挖掘 195
6.6.1 基本概念 196
6.6.2 數(shù)據(jù)源的形式 196
6.6.3 序列模式挖掘的一般步驟 198
6.7 AprioriAll 算法 199
6.8 AprioriSome 算法 202
6.9 GSP算法 205
6.10 本章小結(jié)和文獻(xiàn)注釋 207
第7章 Web挖掘技術(shù) 211
7.1 Web挖掘的意義 211
7.2 Web挖掘的分類 212
7.3 Web挖掘的含義 213
7.3.1 Web挖掘與信息檢索 214
7.3.2 Web挖掘與信息抽取 214
7.4 Web挖掘的數(shù)據(jù)來(lái)源 215
7.4.1 服務(wù)器日志數(shù)據(jù) 215
7.4.2 在線市場(chǎng)數(shù)據(jù) 216
7.4.3 Web頁(yè)面 216
7.4.4 Web頁(yè)面超鏈接關(guān)系 216
7.4.5 其他信息 217
7.5 Web內(nèi)容挖掘方法 217
7.5.1 爬蟲(chóng)與Web內(nèi)容挖掘 218
7.5.2 虛擬的Web視圖 218
7.5.3 個(gè)性化與Web內(nèi)容挖掘 219
7.5.4 對(duì)Web頁(yè)面內(nèi)文本信息的挖掘 219
7.5.5 對(duì)Web頁(yè)面內(nèi)多媒體信息挖掘 220
7.5.6 Web頁(yè)面內(nèi)容的預(yù)處理 220
7.6 Web訪問(wèn)信息挖掘方法 221
7.6.1 Web訪問(wèn)信息挖掘的特點(diǎn)和意義 221
7.6.2 Web訪問(wèn)信息挖掘的意義 223
7.6.3 Web訪問(wèn)信息挖掘的數(shù)據(jù)源 224
7.6.4 Web訪問(wèn)信息挖掘的預(yù)處理 227
7.6.5 其他信息的預(yù)處理技術(shù) 231
7.6.6 在Web訪問(wèn)挖掘中的常用技術(shù) 233
7.6.7 Web訪問(wèn)信息挖掘的要素構(gòu)成 234
7.6.8 利用Web訪問(wèn)信息挖掘?qū)崿F(xiàn)用戶建模 235
7.6.9 利用Web訪問(wèn)信息挖掘發(fā)現(xiàn)導(dǎo)航模式 237
7.6.10 利用Web訪問(wèn)信息挖掘改進(jìn)訪問(wèn)效率 239
7.6.11 利用Web訪問(wèn)信息挖掘進(jìn)行個(gè)性化服務(wù) 240
7.6.12 利用Web訪問(wèn)信息挖掘進(jìn)行商業(yè)智能發(fā)現(xiàn) 242
7.6.13 利用Web訪問(wèn)信息挖掘進(jìn)行用戶移動(dòng)模式發(fā)現(xiàn) 243
7.6.14 利用協(xié)作推薦的方法實(shí)現(xiàn)實(shí)時(shí)個(gè)性化推薦的例子 244
7.7 Web結(jié)構(gòu)挖掘方法 247
7.7.1 頁(yè)面重要性的評(píng)價(jià)方法 247
7.7.2 頁(yè)面等級(jí) 248
7.7.3 權(quán)威頁(yè)面和中心頁(yè)面 248
7.7.4 Web站點(diǎn)結(jié)構(gòu)的預(yù)處理 249
7.8 本章小結(jié)和文獻(xiàn)注釋 251
第8章 空間挖掘 256
8.1 引言 256
8.2 空間數(shù)據(jù)概要 257
8.2.1 空間數(shù)據(jù)的復(fù)雜性特征 257
8.2.2 空間查詢問(wèn)題 258
8.2.3 空間數(shù)據(jù)結(jié)構(gòu) 259
8.2.4 專題地圖 263
8.3 空間數(shù)據(jù)挖掘基礎(chǔ) 264
8.4 空間統(tǒng)計(jì)學(xué) 265
8.5 泛化與特化 266
8.5.1 逐步求精 266
8.5.2 泛化 267
8.5.3 最臨近 268
8.5.4 統(tǒng)計(jì)信息網(wǎng)格方法STING 268
8.6 空間規(guī)則 270
8.7 空間分類算法 272
8.7.1 ID3擴(kuò)展 273
8.7.2 空間決策樹(shù) 273
8.8 空間聚類算法 274
8.8.1 基于隨機(jī)搜索的聚類方法CLARANS擴(kuò)展 274
8.8.2 大型空間數(shù)據(jù)庫(kù)基于距離分布的聚類算法DBCLASD 275
8.8.3 BANG 276
8.8.4 小波聚類 277
8.8.5 近似值 277
8.9 空間挖掘的其他問(wèn)題 278
8.10 空間數(shù)據(jù)挖掘原型系統(tǒng)介紹 281
8.11 空間數(shù)據(jù)挖掘的研究現(xiàn)狀 283
8.12 空間數(shù)據(jù)挖掘的研究與發(fā)展方向 284
8.13 空間數(shù)據(jù)挖掘與相關(guān)學(xué)科的關(guān)系 286
8.13.1 空間數(shù)據(jù)挖掘與空間數(shù)據(jù)庫(kù) 286
8.13.2 空間數(shù)據(jù)挖掘與空間數(shù)據(jù)倉(cāng)庫(kù) 287
8.13.3 空間數(shù)據(jù)挖掘與空間聯(lián)機(jī)分析處理 287
8.13.4 空間數(shù)據(jù)挖掘與地理信息系統(tǒng) 288
8.14 數(shù)字地球 289
8.15 本章小結(jié)和文獻(xiàn)注釋 289
參考文獻(xiàn) 292