• 回答数

    5

  • 浏览数

    285

大米粒圆又圆
首页 > 论文问答 > 数据挖掘与知识发现期刊官网论文

5个回答 默认排序
  • 默认排序
  • 按时间排序

昵称真是醉了

已采纳
数据挖掘(英语:Data mining),又译为资料探勘、数据采矿。它是数据库知识发现(英语:Knowledge-Discovery in Databases,简称:KDD)中的一个步骤。数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关,并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。
134 评论

我才是黄蓉

关于Sciinfo中国学术搜索网Sciinfo中国学术搜索网提供中外文学术文献(包括期刊、学位、会议、专利、成果、标准、法规、图书等)的统一检索、二次文献揭示以及全文内容指向与调度;同时对各类学术文献资源的整合与海量数据的挖掘分析,帮助用户开展更高质量和高效率的科研工作。 中国学术搜索网覆盖的资源3亿条文献元数据; 10种文献类型; 20多万精选机构; 420万优质主题词; 1000多万查重人名; 20000多核心专家。Sciinfo中国学术搜索网的服务功能一站式的知识发现针对期刊、学位、会议、专利等各种学术资源,系统提供快速搜索入口和多种易用的辅助功能和资源获取的快捷方式;精细化的知识组织输出按照不同文献类型的需求组织内容,更精确引导用户访问过程,提供更快捷的信息访问通道;主动的检索词识别信息访问通道智能检索词识别算法,根据不同输入,主动输出用户关注的核心内容;精准的知识聚类和筛选机制检索结果将根据用户选择自动聚类,实现从收录分布分析、遴选作者与机构、期刊排名等多个维度的进一步筛选机制;深层次知识分析机制从学科、主题、人物、机构等多个要素对元数据仓储进行深度挖掘分析,如主题趋势分析、人物科研合作关系分析、学科发展成熟度分析、机构科研能力变化趋势等,用数据和图形说话;多元的资源定位方式通过多途径全文资源调度,实现尽可能多的原文获取途径的揭示,打通资源厂商、官方传递和地方共享平台的通道,方便用户获取知识的同时保护知识产权;sc-cpda 数据分析公众交流平台 详细看我资料

255 评论

一一欧巴桑

汉斯出版社的我是想问它是国家级?还是省市级?还是?

231 评论

美丽依然张

寿险行业数据挖掘应用分析  寿险是保险行业的一个重要分支,具有巨大的市场发展空间,因此,随着寿险市场的开放、外资公司的介入,竞争逐步升级,群雄逐鹿已成定局。如何保持自身的核心竞争力,使自己始终立于不败之地,是每个企业必须面对的问题。信息技术的应用无疑是提高企业竞争力的有效手段之一。寿险信息系统经过了多年的发展,已逐步成熟完善,并积累了相当数量的数据资源,为数据挖掘提供了坚实的基础,而通过数据挖掘发现知识,并用于科学决策越来越普遍受到寿险公司的重视。  数据挖掘  数据挖掘(Data Mining,DM)是指从大量不完全的、有噪声的、模糊的、随机的数据中,提取隐含在其中的、有用的信息和知识的过程。其表现形式为概念(Concepts)、规则(Rules)、模式(Patterns)等形式。  目前业内已有很多成熟的数据挖掘方法论,为实际应用提供了理想的指导模型。CRISP-DM(Cross-Industry Standard Process for Data Mining)就是公认的、较有影响的方法论之一。CRISP-DM强调,DM不单是数据的组织或者呈现,也不仅是数据分析和统计建模,而是一个从理解业务需求、寻求解决方案到接受实践检验的完整过程。CRISP-DM将整个挖掘过程分为以下六个阶段:商业理解(Business Understanding),数据理解(Data Understanding),数据准备(Data Preparation),建模(Modeling),评估(Evaluation)和发布(Deployment)。  商业理解就是对企业运作、业务流程和行业背景的了解;数据理解是对现有企业应用系统的了解;数据准备就是从企业大量数据中取出一个与要探索问题相关的样板数据子集。建模是根据对业务问题的理解,在数据准备的基础上,选择一种更为实用的挖掘模型,形成挖掘的结论。评估就是在实际中检验挖掘的结论,如果达到了预期的效果,就可将结论发布。在实际项目中,CRISP-DM模型中的数据理解、数据准备、建模、评估并不是单向运作的,而是一个多次反复、多次调整、不断修订完善的过程。  行业数据挖掘  经过多年的系统运营,寿险公司已积累了相当可观的保单信息、客户信息、交易信息、财务信息等,也出现了超大规模的数据库系统。同时,数据集中为原有业务水平的提升以及新业务的拓展提供了条件,也为数据挖掘提供了丰厚的土壤。  根据CRISP-DM模型,数据挖掘首先应该做的是对业务的理解、寻找数据挖掘的目标和问题。这些问题包括:代理人的甄选、欺诈识别以及市场细分等,其中市场细分对企业制定经营战略具有极高的指导意义,它是关系到企业能否生存与发展、企业市场营销战略制定与实现的首要问题。  针对寿险经营的特点,我们可以从不同的角度对客户群体进行分类归纳,从而形成各种客户分布统计,作为管理人员决策的依据。从寿险产品入手,分析客户对不同险种的偏好程度,指导代理人进行重点推广,是比较容易实现的挖掘思路。由于国内经济发展状况不同,各省差异较大,因此必须限定在一个经济水平相当的区域进行分析数据的采样。同时,市场波动也是必须要考虑的问题,一个模型从建立到废弃有一个生命周期,周期根据模型的适应性和命中率确定,因此模型需要不断修订。  挖掘系统架构  挖掘系统包括规则生成子系统和应用评估子系统两个部分。  规则生成子系统主要完成根据数据仓库提供的保单历史数据,统计并产生相关规律,并输出相关结果。具体包括数据抽取转换、挖掘数据库建立、建模(其中包括了参数设置)、模型评估、结果发布。发布的对象是高层决策者,同时将模型提交给应用评估子系统根据效果每月动态生成新的模型。  应用评估子系统可以理解为生产系统中的挖掘代理程序,根据生成子系统产生的规则按照一定的策略对保单数据进行非类预测。通过系统的任务计划对生产数据产生评估指标。具体包括核心业务系统数据自动转入数据平台、规则实时评估、评估结果动态显示、实际效果评估。规则评估子系统根据规则进行检测。经过一段时间的检测,可利用规则生成子系统重新学习,获得新的规则,不断地更新规则库,直到规则库稳定。  目前比较常用的分析指标有: 险种、交费年期、被保人职业、被保人年收入、被保人年龄段、被保人性别、被保人婚姻状况等。  实践中,可结合实际数据状况,对各要素进行适当的取舍,并做不同程度的概括,以形成较为满意的判定树,产生可解释的结论成果。

335 评论

立志做渔婆

是外文期刊的,不属于国内的

293 评论

相关问答