商业数据流挖掘模型方法及应用2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

商业数据流挖掘模型方法及应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 背景概述1

1.1.1 数据挖掘1

1.1.2 数据流挖掘2

1.2 商业数据流挖掘主要研究概况3

1.2.1 国外研究现状3

1.2.2 国内研究现状5

1.3 商业数据流挖掘的基本概念6

1.3.1 商业数据流的基本定义6

1.3.2 商业数据流挖掘的基本流程7

1.3.3 商业数据流挖掘的主要模型和方法7

1.4 商业数据流挖掘的典型应用8

1.4.1 分布式零售数据流挖掘应用9

1.4.2 网购数据流挖掘应用9

1.5 本书的主要内容和结构10

参考文献11

第2章 商业数据流管理模型14

2.1 商业数据流特点14

2.2 商业数据流管理模型15

2.2.1 商业数据流描述模型15

2.2.2 商业数据流分层管理模型16

2.3 商业数据流预处理模型17

2.3.1 商业数据流降维模型18

2.3.2 商业数据流噪声处理模型21

2.4 本章小结22

参考文献23

第3章 商业数据流概念漂移模型24

3.1 商业数据流概念漂移描述模型24

3.1.1 商业数据流中的概念漂移概述24

3.1.2 基于粒计算的商业数据流概念模型25

3.2 商业数据流概念漂移特征提取模型27

3.2.1 商业数据流概念漂移特征发现模型27

3.2.2 商业数据流概念漂移特征提取模型28

3.3 商业数据流概念漂移检测模型32

3.3.1 基于概念格的数据流漂移检测模型32

3.3.2 基于HSMM的用户兴趣漂移检测模型35

3.3.3 融入簇强度的数据流漂移检测模型38

3.4 本章小结43

参考文献43

第4章 面向商业数据流的关联规则方法45

4.1 Web数据流最大频繁项集挖掘算法45

4.1.1 A-MFI算法相关定义45

4.1.2 算法描述46

4.1.3 算法小结50

4.2 基于时序轮盘模型的数据流频繁模式挖掘算法50

4.2.1 时序轮盘TTLC算法50

4.2.2 MFS-HT算法51

4.2.3 实验结果及分析55

4.2.4 算法小结57

4.3 分布式关联规则同步算法和异步算法57

4.3.1 网状分布式环境下同步算法NDMA57

4.3.2 星形分布式环境下异步算法SDMA62

4.3.3 算法小结71

4.4 分布式无冗余数据流关联规则异步算法71

4.4.1 相关概念和定理71

4.4.2 算法描述与分析73

4.4.3 实验结果及分析79

4.4.4 算法小结81

4.5 本章小结81

参考文献81

第5章 面向商业数据流的分类方法83

5.1 基于模糊积分融合的数据流分类挖掘算法83

5.1.1 模糊测度与模糊积分理论83

5.1.2 基于Choquet模糊积分融合的多模糊ID3数据流分类算法85

5.1.3 算法描述及分析86

5.1.4 算法小结87

5.2 基于增量存储树的集成贝叶斯分类数据流挖掘算法87

5.2.1 集成贝叶斯分类器构建88

5.2.2 构建CMCD-ST算法模型89

5.2.3 实验结果及分析91

5.2.4 算法小结93

5.3 基于相关度的数据流关联分类算法93

5.3.1 基于相关度关联分类算法的设计思想93

5.3.2 基于相关度的关联分类算法94

5.3.3 实验结果及分析99

5.3.4 算法小结101

5.4 基于情景特征的数据流前馈动态集成分类算法102

5.4.1 问题描述102

5.4.2 基于情景特征的前馈动态集成分类思想102

5.4.3 实验结果及分析106

5.4.4 算法小结109

5.5 基于信息熵差异性度量的数据流增量集成分类算法110

5.5.1 问题描述110

5.5.2 基于信息熵差异性度量的增量集成分类算法111

5.5.3 算法小结115

5.6 基于MAPREDUCE技术的数据流并行集成分类算法116

5.6.1 问题描述116

5.6.2 相关理论研究116

5.6.3 基于云计算的并行集成分类器118

5.6.4 实验结果及分析121

5.6.5 算法小结124

5.7 本章小结124

参考文献124

第6章 面向商业数据流的聚类方法127

6.1 基于密度的数据流聚类算法127

6.1.1 问题描述127

6.1.2 数据流管理模型及算法架构128

6.1.3 主成分和密度融合的数据流聚类模型130

6.1.4 PDStream算法设计132

6.1.5 实验结果及分析136

6.1.6 算法小结137

6.2 基于小波网络的多维时间序列耦合特征聚类算法138

6.2.1 相关工作138

6.2.2 基于小波网络的数据压缩138

6.2.3 多维时间序列耦合特征提取139

6.2.4 聚类算法描述141

6.2.5 实验结果及分析142

6.2.6 算法小结145

6.3 并行Web数据流聚类算法145

6.3.1 研究进展及相关模型145

6.3.2 JPStream算法描述147

6.3.3 实验结果及分析149

6.3.4 算法小结149

6.4 融入簇存在强度的数据流聚类方法150

6.4.1 融入不确定性的Web用户分析模型150

6.4.2 簇存在强度151

6.4.3 融入簇存在强度的数据流聚类算法152

6.4.4 实验结果及分析155

6.4.5 算法小结159

6.5 本章小结159

参考文献159

第7章 商业数据流挖掘应用——分布式零售数据162

7.1 实验数据来源与实验环境162

7.1.1 实验数据来源162

7.1.2 挖掘实验环境163

7.2 基于多支持向量机的分布式客户流失预测应用165

7.2.1 单站点客户流失预测分析165

7.2.2 多站点客户流失预测分析169

7.2.3 结果分析171

7.3 基于分布式关联分类的连锁零售业客户细分应用174

7.3.1 数据准备174

7.3.2 模型的训练与测试176

7.3.3 结果分析177

7.4 本章小结179

参考文献179

第8章 商业数据流挖掘应用——网购数据181

8.1 实验数据来源与实验环境181

8.1.1 实验数据来源181

8.1.2 挖掘实验环境182

8.2 基于行为特征分析的用户聚类算法的应用分析182

8.2.1 聚类步骤183

8.2.2 聚类评估方法184

8.2.3 用户聚类结果与分析184

8.3 概念漂移约束驱动的关联规则挖掘算法的应用分析189

8.3.1 概念漂移约束驱动的关联规则挖掘189

8.3.2 情境强度约束的模式挖掘与推荐192

8.3.3 基于推荐系统的算法评测与分析194

8.4 用户兴趣挖掘模型的应用分析197

8.4.1 用户情境本体模型构建197

8.4.2 用户兴趣特征提取实验分析198

8.4.3 用户兴趣漂移检测实验200

8.5 本章小结204

参考文献204

第9章 总结与展望206

9.1 本书总结206

9.2 未来展望207