无论是在学校还是在社会中，大家肯定对论文都不陌生吧，论文可以推广经验，交流认识。还是对论文一筹莫展吗？
摘要：数据挖掘就是对潜在的数据及数据关联进行探索和发现。随着信息技术的不断发展，这一技术在电子商务领域逐渐得到普遍应用。基于此，本文就数据挖掘在电子商务中的应用进行研究，首先就数据挖掘中的路径分析技术、关联分析技术、聚类分析技术和分类分析技术进行简要介绍，然后分析数据挖掘在电子商务中的实际应用，从而提高数据挖掘技术的应用水平，增强电子商务的发展实力。
关键词：数据挖掘；电子商务；潜在客户
一、数据挖掘在电子商务中的技术应用
就现阶段电子商务对数据挖掘技术的应用现状来看，主要应用到的技术包括以下几方面内容，分别是路径分析技术、关联分析技术、聚类分析技术和分类分析技术。就路径分析技术来看，主要对客户互联网访问路径的频繁性进行分析，通过大数据采集和处理，了解客户对各种网络页面的喜好程度和特点，从而对自身的设计进行针对性的改进，为客户提供更加人性化的服务；就关联分析技术来看，主要指的是对隐藏数据之间的关联进行分析，并且通过分析掌握其相互关联的规律，并根据这一规律对网络站点的结构进行相应的改进，使电子商务中存在相关性的商品能够一起被搜索出来，既为客户提供便利，同时提高交叉销售的几率；聚类分析技术指的是根据数据的信息，按照一定的原则对数据进行分类。就分类分析技术而言，主要通过分析数据掌握分类规则，然后按照这一规则对数据进行分类。
二、数据挖掘在电子商务中的实际应用
1.对潜在客户进行挖掘在电子商务中应用数据挖掘技术能够对潜在客户进行挖掘。例如商家可以对网站的日志记录进行分析，探究该记录中存在的规律，从而按照这一规律对网站的访问客户进行相应分类。在分类过程中，商家应该对客户属性和相关关系进行确定，对新客户与老客户之间存在重叠的属性进行识别，从而实现对访问网站新用户快速分类，在分类完毕后，商家可以通过分析新客户的属性特点，从而对新客户进行潜在性判断，如果判断新客户可以被作为商家的潜在客户，就可以为该客户提供个性化的页面服务，从而将新客户发展成为老客户。2.对驻留时间进行延长对于电子商务而言，商家必须提高客户在商品页面的驻留时间，并且使客户的购买兴趣和欲望得到激发。电子商务与传统商务最大的不同在于销售商具有虚拟性的特点，因此客户在购物选择时，对销售商的印象是没有差异的。销售商在不断提升自身服务水平的同时，应该对客户的浏览行为和特点进行分析，从而对客户的兴趣和需求进行进一步的了解， 3.对网络站点进行优化电子商务主要依托于网站，因此网站优化也是提高电子商务发展水平的有效措施。利用数据挖掘技术对网络站点进行优化主要由两方面构成，一方面是对存在相关性的网页进行链接设计。例如对用户浏览页面的几率和特点进行分析，然后找出存在相关性的页面，增加网页链接这一功能，使客户的搜索更加便捷；另一方面是对客户的期望位置进行探索，例如对用户频率较高的访问位置进行分析，从而将频率较高的位置设置为客户的期望位置，并且在实际位置与期望位置间建立链接。另外，可以对用户的网页浏览习惯和信息喜好进行分析，强化用户在网页中的自助服务，例如将网页信息参照超市模式进行摆放，根据相关性分类，使用户能够通过自主浏览选择到心仪的产品，从而提高交易的几率。4.对营销手段进行改进在电子商务的实际运营过程中，很多客户都会在购买一种物品时同时选择具有相关性的其他物品，因此销售商应该对销售方式进行改进，利用数据挖掘技术实现交叉销售，从而提高营销水平。在应用交叉销售这一手段时，主要应该利用数据挖掘技术，对客户的喜好进行分析，从而提供具有针对性的商品。
参考文献：
[1]姜宁，牛永洁。Web数据挖掘在电子商务中的应用——以淘宝网为例[J].计算机时代，20xx(7):49-52.
[2]王红玉。数据挖掘在电子商务中的应用[J].电脑编程技巧与维护，20xx(3):49-51.
随着会计现代化的发展，会计越来越多的运用计算机技术的拓展。
一、数据挖掘
数据挖掘是从数据当中发现趋势和模式的过程，它融合了现代统计学、知识信息系统、机器学习、决策理论和数据库管理等多学科的知识。它能有效地从大量的、不完全的、模糊的实际应用数据中，提取隐含在其中的潜在有用的信息和知识，揭示出大量数据中复杂的和隐藏的关� 数据挖掘是从数据当中发现趋势和模式的过程，它融合了现代统计学、知识信息系统、机器学习、决策理论和数据库管理等多学科的知识。它能有效地从大量的、不完全的、模糊的实际应用数据中，提取隐含在其中的潜存有用的信息和知识，揭示出大量数据中复杂的和隐藏的关�
二、数据挖掘的现代最新方法介绍
常用的数据挖掘方法主要有决策树(Decision Tree)、遗传算法(Genetic Algorithms)、关联分析(Association Analysis).聚类分析(C~smr Analysis)、序列模式分析(Sequential Pattern)以及神经网络(Neural Networks)等。
三、数据挖掘的实际应用
由于数据挖掘市场还处于起步的阶段，但是发展很快。在国外有一些著名的大公司对数据挖掘系统进行了开发。
1.Intelligent Miner这是IBM公司的数据挖掘产品，它提供了很多数据挖掘算法，包括关联、分类、回归、预测模型、偏离检测、序列模式分析和聚类。有2个特点：一是它的数据挖掘算法的可伸缩性；二是它与IBM/DB/2关系数据库系统紧密地结合在一起。
2.EineSet是由SGI公司开发的，它也提供了多种数据挖掘方法，包括关联分析和分类以及高级统计和可视化工具。特色是它具有的强大的图形工具，包括规则可视化工具、树可视化工具、地图可视化工具和多维数据分散可视化工具，它们用于实现数据和数据挖掘结果的可视化。
3.Clementine是由ISL公司开发的，它为终端用户和开发者提供提供了一个集成的数据挖掘开发环境。
4.DBMiner是由DBMiner Technology公司开发的，它提供多种数据挖掘算法，包括发现驱动的OLAP分析、关联、分类和聚类。特色是它的基于数据立方体的联机分析挖掘，它包含多种有效的频繁模式挖掘功能和集成的可视化分类方法
四、数据挖掘与管理会计
1.提供有力的决策支持
面对日益激烈的竞争环境，企业管理者对决策信息的需求也越来越高。管理会计作为企业决策支持系统的重要组成部分，提供更多、更有效的有用信息责无旁贷。因此，从海量数据中挖掘和寻求知识和信息，为决策提供有力支持成为管理会计师使用数据挖掘的强大动力。例如，数据挖掘可以帮助企业加强成本管理，改进产品和服务质量，提高货品销量比率，设计更好的货品运输与分销策略，减少商业成本。
2.赢得战略竞争优势的有力武器
实践证明数据挖掘不仅能明显改善企业内部流程，而且能够从战略的高度对企业的竞争环境、市场、顾客和供应商进行分析，以获得有价值的商业情报，保持和提高企业持续竞争优势。如，对顾客价值分析能够将为企业创造80%价值的20%的顾客区分出来，对其提供更优质的服务，以保持这部分顾客。
3.预防和控制财务风险
利用数据挖掘技术可以建立企业财务风险预警模型。企业财务风险的发生并非一蹴而就，而是一个积累的、渐进的过程，通过建立财务风险预警模型，可以随时监控企业财务状况，防范财务危机的发生。另外，也可以利用数据挖掘技术，对企业筹资和投资过程中的行为进行监控，防止恶意的商业欺诈行为，维护企业利益。尤其是在金融企业，通过数据挖掘，可以解决银行业面临的如信用卡的恶意透支及可疑的信用卡交易等欺诈行为。根据SEC的报告，美国银行、美国第一银行、联邦住房贷款抵押公司等数家银行已采用了数据挖掘技术。
五、数据挖掘在管理会计中的应用
1.作业成本和价值链分析
作业成本法以其对成本的精确计算和对资源的充分利用引起了人们的极大兴趣，但其复杂的操作使得很多管理者望而却步。利用数据挖掘中的回归分析、分类分析等方法能帮助管理会计师确定成本动因，更加准确计算成本。同时，也可以通过分析作业与价值之间的关系，确定增值作业和非增值作业，持续改进和优化企业价值链。在Thomas G，John J和Il-woon Kim的调查中，数据挖掘被用在作业成本管理中仅占3%。
2.预测分析
管理会计师在很多情况下需要对未来进行预测，而预测是建立在大量的历史数据和适当的模型基础上的。数据挖掘自动在大型数据库中寻找预测性信息，利用趋势分析、时间序列分析等方法，建立对如销售、成本、资金等的预测模型，科学准确的预测企业各项指标，作为决策的依据。例如对市场调查数据的分析可以帮助预测销售；根据历史资料建立销售预测模型等。
3.投资决策分析
投资决策分析本身就是一个非常复杂的过程，往往要借助一些工具和模型。数据挖掘技术提供了有效的工具。从公司的财务报告、宏观的经济环境以及行业基本状况等大量的数据资料中挖掘出与决策相关的实质性的信息，保证投资决策的正确性和有效性。如利用时间序列分析模型预测股票价格进行投资；用联机分析处理技术分析公司的信用等级，以预防投资风险等。
4.产品和市场预测与分析
品种优化是选择适当的产品组合以实现最大的利益的过程，这些利益可以是短期利润，也可以是长期市场占有率，还可以是构建长期客户群及其综合体。为了达到这些目标，管理会计师不仅仅需要价格和成本数据有时还需要知道替代品的情况，以及在某一市场段位上它们与原产品竞争的状况。另外企业也需要了解一个产品是如何刺激另一些产品的销量的等等。例如，非盈利性产品本身是没有利润可言的，但是，如果它带来了可观的客户流量，并刺激了高利润产品的销售，那么，这种产品就非常有利可图，就应该包括在产品清单中。这些信息可根据实际数据，通过关联分析等技术来得到。
5.财务风险预测与评估
管理会计师可以利用数据挖掘工具来评价企业的财务风险，建立企业财务危机预警模型，进行破产预测。破产预测或称财务危机预警模型能够帮助管理者及时了解企业的财务风险，提前采取风险防范措施，避免破产。另外，破产预测模型还能帮助分析破产原因，对企业管理者意义重大。，数据挖掘技术包括多维判别式分析、逻辑回归分析、遗传算法、神经网络以及决策树等方法在管理会计中得到了广泛的应用。
六、结论
数据挖掘是个崭新的领域，对于数字和信息的处理是非常科学和方便的，也是非常高效率和合理分析的非常好的工具，对于会计管理领域的应用在国际上只是刚刚开始，相信随着会计的国际化的接轨和计算机科学的进步，在我国的会计领域中的数据挖掘理论会得到不断的提升，在管理会计实际应用中的数据挖掘也越来越多样化和普及化。
进入信息时代以来，世界电子商务呈现飞速发展的势头。站在长远的角度，企业能否在新经济的背景下生存，关键在于企业能否利用电子商务的优势，但是电子商务在发展的同时也使得企业暴露了一些问题，其中企业的数据量大，而真正有用的信息却很少。所以现代企业急需解决的问题是如何在大量数据中发现有用数据，获得利于企业的商业运作的数据，从而提高企业的竞争力。要解决这些问题，传统的数据分析已经不能适应企业的发展需求，传统的数据分析工具对数据的内在信息无法提取，而是对指定的数据进行简单的处理。信息管理系统的运用以及信息量的加大，企业希望有人可以创新及提高数据分析功能，只有拥有了高层次的数据分析功能，才能对企业决策工作提供有效的支持。所以，数据挖掘技术呈现在人们的眼前。
一、数据挖掘技术的发展背景
在近几十年中，人们在利用信息技术生产和搜集数据的能力上有了很大提升。商业管理、政府办公以及科学研究等等都应用了大量的数据库。并且仍在继续发展，所以人们为此将面临一个新的挑战，在信息爆炸的今天，我们都需面对地问题是信息过量，那么我们将如何在大量的信息库当中获取有用的知识，提高信息利用率呢？要想让数据成为企业的有效资源，并使它为企业的战略发展及业务决策提供有效保障。否则，大量的数据将会阻碍公司的发展。因此，数据挖掘技术在人们被数据淹没且急需知识的境地中带来了希望，并在发展过程中显示了它顽强的生命力。
人们长期对数据库的技术进行研究和开发而创新出数据挖掘技术，刚开始时商业数据一般存于计算机的数据库里，然后变成了对数据库进行访问并查询，而数据库技术进入更高的台阶是由于数据挖掘技术的广泛应用，数据挖掘技术给企业的运作和发展带来很大便利，它不仅可以对以往的数据进行查阅，从而可以把各个时期的数据进行对比分析，利于商业水平的提高。商业数据库正呈现空前发展的态势，并且在各种行业中数据仓库得到了广泛的应用。数据挖掘的核心包括数据统计、人工智能以及机器学习等等。且历经了十多年的发展历程，使得数据挖掘技术趋向于稳定。
二、数据挖掘技术在电子商务中的应用
1.数据挖掘技术在客户关系管理中的应用
一种把客户当作核心的经营策略就是客户关系管理，为了满足企业的产品开发、市场营销以及管理的决策，而通过现代技术来满足。为获取商业知识而利用客户的信息，并以此来提高企业在市场当中的竞争力，采用数据挖掘技术，企业可以充分地利用客户数据资源，并对客户进行分类分析，这样不仅有利于企业对客户的盈利能力进行分析，更有利于寻找有潜力的客户，为企业带来发展。另夕卜，为应对商业数据的不断增多，数据挖掘技术将成为企业立足的关键技术，这项技术不仅可以加强企业对客户的管理及其跟踪市场活动，预测客户的消费方向，并依据消费的趋势开发产品。另外，客户评价模型对客户进行评价，并在分析客户行为对企业收益产生的影响，达到企业与客户和企业利润最优化。同时，在客户数据挖掘技术应用的基础上，企业可以依据重点客户和评价市场性能。为扩大企业销售的渠道，制定个性化的营销策略。通过呼叫中心优化及畅通沟通的渠道，强化客户关系管理的智能化并提高服务质量。
2.数据挖掘技术在网站运营中的应用
为提高网站的`点击率，网站的设计者们在设计网站时不再完全根据专家的意见来设计，而是依据访问者在网站当中留下的痕迹来设计网站，其中包括了网站结构的设计和外观。在设计网站时，为节约客户的访问时间，压缩网站的开支，网站的设计者会根据访问者的访问路径，并分析这些路径。如果可以分析并设计出最优化的捷径，这样不仅可以让访问者很轻松地访问，还能给访问者留下好的印象，利于网站长期发展。同时，为降低网站的运营成本，采用数据挖掘技术，可以挖掘有效的市场信息，并预测客户的下一步行为，这样有利于提高电子商务营销活动的成功率。企业为增强广告的目的性，为公司带来更大的收益，应依据访问者浏览习惯安排广告的位置，为企业带来一定的广告收益。
3.数据挖掘技术在商业信用评估中的应用
目前，不良的商业秩序受低劣信用状况影响，网上诈骗的事件屡见不鲜及企业财务中的造价现象也时有发生，这些现象的发生导致了信用危机的产生，严重制约着电子商务的发展和繁荣。发达的社会信息水平作为发展电子商务的基础，通过偏差分析，控制企业数据的统计和历史记录的差别，为构建完善的安全体系，采用数据挖掘技术对企业的经营情况进行分析，并对企业进行资产的评估以及收益分析等等。另外，为强化网站中的网上交易行为的安全，应对网络进行全程的监控。在此基础上，建立客户的信誉记录，这样不仅可以有效地防止信用危机，更有利于提升企业风险管理的水平和能力。
三、结语
在电子商务点中应用数据挖掘技术，并对这些数据进行挖掘，在挖掘当中找到有价值的数据。所以，将数据挖掘技术应用于电子商务，并建立数据挖掘为核心的客户管理系统，将使得企业在市场变化中立于不败之地。
题目：档案信息管理系统中的计算机数据挖掘技术探讨
摘要：伴随着计算机技术的不断进步和发展， 数据挖掘技术成为数据处理工作中的重点技术， 能借助相关算法搜索相关信息， 在节省人力资本的同时， 提高数据检索的实际效率， 基于此， 被广泛应用在数据密集型行业中。笔者简要分析了计算机数据挖掘技术， 并集中阐释了档案信息管理系统计算机数据仓库的建立和技术实现过程， 以供参考。
关键词：档案信息管理系统； 计算机； 数据挖掘技术； 1 数据挖掘技术概述
数据挖掘技术就是指在大量随机数据中提取隐含信息， 并且将其整合后应用在知识处理体系的技术过程。若是从技术层面判定数据挖掘技术， 则需要将其划分在商业数据处理技术中， 整合商业数据提取和转化机制， 并且建构更加系统化的分析模型和处理机制， 从根本上优化商业决策。借助数据挖掘技术能建构完整的数据仓库， 满足集成性、时变性以及非易失性等需求， 整和数据处理和冗余参数， 确保技术框架结构的完整性。
目前， 数据挖掘技术常用的工具， 如SAS企业的Enterprise Miner、IBM企业的Intellient Miner以及SPSS企业的Clementine等应用都十分广泛。企业在实际工作过程中， 往往会利用数据源和数据预处理工具进行数据定型和更新管理， 并且应用聚类分析模块、决策树分析模块以及关联分析算法等， 借助数据挖掘技术对相关数据进行处理。
2 档案信息管理系统计算机数据仓库的建立
2.1 客户需求单元
为了充分发挥档案信息管理系统的优势， 要结合客户的实际需求建立完整的处理框架体系。在数据库体系建立中， 要适应迭代式处理特征， 并且从用户需求出发整合数据模型， 保证其建立过程能按照整体规划有序进行， 且能按照目标和分析框架参数完成操作。首先， 要确立基础性的数据仓库对象， 由于是档案信息管理， 因此， 要集中划分档案数据分析的主题， 并且有效录入档案信息， 确保满足档案的数据分析需求。其次， 要对日常工作中的用户数据进行集中的挖掘处理， 从根本上提高数据仓库分析的完整性。
(1) 确定数据仓库的基础性用户， 其中， 主要包括档案工作人员和使用人员， 结合不同人员的工作需求建立相应的数据仓库。
(2) 档案工作要利用数据分析和档案用户特征分析进行分类描述。
(3) 确定档案的基础性分类主题， 一般而言， 要将文书档案归档情况、卷数等基础性信息作为分类依据。
2.2 数据库设计单元
在设计过程中， 要针对不同维度建立相应的参数体系和组成结构， 并且有效整合组成事实表的主键项目， 建立框架结构。
第一， 建立事实表。事实表是数据模型的核心单元， 主要是记录相关业务和统计数据的表， 能整合数据仓库中的信息单元， 并且提升多维空间处理效果， 确保数据储存过程切实有效。 (1) 档案管理中文书档案目录卷数事实表：事实表主键， 字段类型Int, 字段为Id;文书归档年份， 字段类型Int, 字段为Gdyear_key;文书归档类型， 字段类型Int, 字段为Ajtm_key;文书归档单位， 字段类型Int, 字段为Gddw_key;文书档案生成年份， 字段类型Int, 字段为Ajscsj_key, 以及文书档案包括的文件数目。 (2) 档案管理中文书档案卷数事实表：事实表主键， 字段类型Int, 字段为Id;文书归档利用日期， 字段类型Int, 字段为Date_key;文书归档利用单位， 字段类型Int, 字段为Dw_key;文书归档利用类别， 字段类型Int, 字段为Dalb_key;文书归档利用年份， 字段类型Int, 字段为Dayear_key等[1]。
第二， 建立维度表， 在实际数据仓库建立和运维工作中， 提高数据管理效果和水平， 确保建立循环和反馈的系统框架体系， 并且处理增长过程和完善过程， 有效实现数据库模型设计以及相关维护操作。首先， 要对模式的基础性维度进行分析并且制作相应的表， 主要包括档案年度维表、利用方式维表等。其次， 要建构数据库星型模型体系。最后， 要集中判定数据库工具， 保证数据库平台在客户管理工作方面具备一定的优势， 集中制订商务智能解决方案， 保证集成环境的稳定性和数据仓库建模的效果， 真正提高数据抽取以及转换工作的实际水平。需要注意的是， 在全面整合和分析处理数据的过程中， 要分离文书档案中的数据， 相关操作如下：
from dag gd temp//删除临时表中的数据
Ch count=dag 1.importfile (dbo.u wswj) //将文书目录中数据导出到数据窗口
Dag 1.() //将数据窗口中的数据保存到临时表
相关技术人员要对数据进行有效处理， 以保证相关数据合并操作、连接操作以及条件性拆分操作等都能按照数据预处理管理要求合理化进行， 从根本上维护数据处理效果。
2.3 多维数据模型建立单元
在档案多维数据模型建立的过程中， 相关技术人员要判定联机分析处理项目和数据挖掘方案， 整合信息系统中的数据源、数据视图、维度参数以及属性参数等， 保证具体单元能发挥其实际作用， 并且真正发挥档案维表的稳定性、安全性优势。
第一， 档案事实表中的数据稳定， 事实表是加载和处理档案数据的基本模块， 按照档案目录数据表和档案利用情况表分析和判定其类别和归档时间， 从而提高数据独立分析水平。一方面， 能追加有效的数据， 保证数据仓库信息的基本质量， 也能追加时间判定标准， 能在实际操作中减少扫描整个表浪费的时间， 从根本上提高实际效率。另一方面， 能删除数据， 实现数据更新， 检索相关关键词即可。并且也能同时修改数据， 维护档案撤出和档案追加的动态化处理效果。
第二， 档案维表的安全性。在维表管理工作中， 档案参数和数据的安全稳定性十分关键， 由于其不会随着时间的推移出现变化， 因此， 要对其进行合理的处理和协调。维表本身的存储空间较小， 尽管结构发生变化的概率不大， 但仍会对代表的对象产生影响， 这就会使得数据出现动态的变化。对于这种改变， 需要借助新维生成的方式进行处理， 从而保证不同维表能有效连接， 整合正确数据的同时， 也能对事实表外键进行分析[2]。
3 档案信息管理系统计算机数据仓库的实现
3.1 描述需求
随着互联网技术和数据库技术不断进步， 要提高档案数字化水平以及完善信息化整合机制， 加快数据库管控体系的更新， 确保设备存储以及网络环境一体化水平能满足需求， 尤其是在档案资源重组和预测项目中， 只有从根本上落实数据挖掘体系， 才能为后续信息档案管理项目升级奠定坚实基础。另外， 在数据表和文书等基础性数据结构模型建立的基础上， 要按照规律制定具有个性化的主动性服务机制。
3.2 关联计算
在实际档案分析工作开展过程中， 关联算法描述十分关键， 能对某些行为特征进行统筹整合， 从而制定分析决策。在进行关联规则强度分析时， 要结合支持度和置信度等系统化数据进行综合衡量。例如， 档案数据库中有A和B两个基础项集合， 支持度为P (A∪B) , 则直接表述了A和B在同一时间出现的基础性概率。若是两者出现的概率并不大， 则证明两者之间的关联度较低。若是两者出现的概率较大， 则说明两者的关联度较高。另外， 在分析置信度时， 利用Confidence (A→B) = (A|B) , 也能有效判定两者之间的关系。在出现置信度A的情况下， B的出现概率则是整体参数关系的关键， 若是置信度的数值达到100%, 则直接证明A和B能同一时间出现。
3.3 神经网络算法
除了要对档案的实际内容进行数据分析和数据库建构， 也要对其利用情况进行判定， 目前较为常见的利用率分析算法就是神经网络算法， 其借助数据分类系统判定和分析数据对象。值得注意的是， 在分类技术结构中， 要结合训练数据集判定分类模型数据挖掘结构。神经网络算法类似于人脑系统的运行结构， 能建立完整的信息处理单元， 并且能够整合非线性交换结构， 确保能凭借历史数据对计算模型和分类体系展开深度分析[3]。
3.4 实现多元化应用
在档案管理工作中应用计算机数据挖掘技术， 能对档案分类管理予以分析， 保证信息需求分类总结工作的完整程度。尤其是档案使用者在对档案具体特征进行差异化分析的过程中， 能结合不同的元素对具体问题展开深度调研。一方面， 计算机数据挖掘技术借助决策树算法处理规则化的档案分析机制。在差异化训练体系中， 要对数据集合中的数据进行系统化分析以及处理， 确保构建要求能适应数据挖掘的基本结构[4]。例如， 档案管理人员借助数据挖掘技术能整合档案使用人员长期浏览与关注的信息， 并且能集中收集和汇总间隔时间、信息查询停留时间等， 从而建构完整的数据分析机制， 有效向其推送或者是提供便捷化查询服务， 保证档案管理数字化水平的提高。另一方面， 在档案收集管理工作中应用数据挖掘技术， 主要是对数据信息进行分析， 结合基本结果建立概念模型， 保证模型以及测试样本之间的比较参数符合标准， 从而真正建立更加系统化的分类框架体系。
4 结语
总而言之， 在档案管理工作中应用数据挖掘技术， 能在准确判定用户需求的同时， 维护数据处理效果， 并且减少档案数字化的成本， 为后续工作的进一步优化奠定坚实基础。并且， 数据库的建立， 也能节省经费和设备维护成本， 真正实现数字化全面发展的目标， 促进档案信息管理工作的长效进步。
参考文献
[1]曾雪峰。计算机数据挖掘技术开发及其在档案信息管理中的运用研究[J].科技创新与应用， 20xx (9) :285.
[2]王晓燕。数据挖掘技术在档案信息管理中的应用[J].兰台世界， 20xx (23) :25-26.
[3]韩吉义。基于数据挖掘技术的高校图书馆档案信息管理平台的构筑[J].山西档案， 20xx (6) :61-63.
[4]哈立原。基于数据挖掘技术的高校图书馆档案信息管理平台构建[J].山西档案， 20xx (5) :105-107.
数据挖掘论文四： 题目：机器学习算法在数据挖掘中的`应用
摘要：随着科学技术的快速发展， 各种新鲜的事物和理念得到了广泛的应用。其中机器学习算法就是一则典型案例——作为一种新型的算法， 其广泛应用于各行各业之中。本篇论文旨在探讨机器学习算法在数据挖掘中的具体应用， 我们利用庞大的移动终端数据网络， 加强了基于GSM网络的户外终端定位， 从而提出了3个阶段的定位算法， 有效提高了定位的精准度和速度。
关键词：学习算法； GSM网络； 定位； 数据；
移动终端定位技术由来已久， 其主要是利用各种科学技术手段定位移动物体的精准位置以及高度。目前， 移动终端定位技术主要应用于军事定位、紧急救援、网络优化、地图导航等多个现代化的领域， 由于移动终端定位技术可以提供精准的位置服务信息， 所以其在市场上还是有较大的需求的， 这也为移动终端定位技术的优化和发展， 提供了推动力。随着通信网络普及， 移动终端定位技术的发展也得到了一些帮助， 使得其定位的精准度和速度都得到了全面的优化和提升。同时， 传统的定位方法结合先进的算法来进行精准定位， 目前依旧还是有较大的进步空间。在工作中我选取机器学习算法结合数据挖掘技术对传统定位技术加以改进， 取得了不错的效果， 但也遇到了许多问题， 例如：使用机器学习算法来进行精准定位暂时无法满足更大的区域要求， 还有想要利用较低的设备成本， 实现得到更多的精准定位的要求比较困难。所以本文对机器学习算法进行了深入的研究， 希望能够帮助其更快速的定位、更精准的定位， 满足市场的需要。
1 数据挖掘概述
数据挖掘又名数据探勘、信息挖掘。它是数据库知识筛选中非常重要的一步。数据挖掘其实指的就是在大量的数据中通过算法找到有用信息的行为。一般情况下， 数据挖掘都会和计算机科学紧密联系在一起， 通过统计集合、在线剖析、检索筛选、机器学习、参数识别等多种方法来实现最初的目标。统计算法和机器学习算法是数据挖掘算法里面应用得比较广泛的两类。统计算法依赖于概率分析， 然后进行相关性判断， 由此来执行运算。
而机器学习算法主要依靠人工智能科技， 通过大量的样本收集、学习和训练， 可以自动匹配运算所需的相关参数及模式。它综合了数学、物理学、自动化和计算机科学等多种学习理论， 虽然能够应用的领域和目标各不相同， 但是这些算法都可以被独立使用运算， 当然也可以相互帮助， 综合应用， 可以说是一种可以“因时而变”、“因事而变”的算法。在机器学习算法的领域， 人工神经网络是比较重要和常见的一种。因为它的优秀的数据处理和演练、学习的能力较强。
而且对于问题数据还可以进行精准的识别与处理分析， 所以应用的频次更多。人工神经网络依赖于多种多样的建模模型来进行工作， 由此来满足不同的数据需求。综合来看， 人工神经网络的建模， 它的精准度比较高， 综合表述能力优秀， 而且在应用的过程中， 不需要依赖专家的辅助力量， 虽然仍有缺陷， 比如在训练数据的时候耗时较多， 知识的理解能力还没有达到智能化的标准， 但是， 相对于其他方式而言， 人工神经网络的优势依旧是比较突出的。
2 以机器学习算法为基础的GSM网络定位
2.1 定位问题的建模
建模的过程主要是以支持向量机定位方式作为基础， 把定位的位置栅格化， 面积较小的栅格位置就是独立的一种类别， 在定位的位置内， 我们收集数目庞大的终端测量数据， 然后利用计算机对测量报告进行分析处理， 测量栅格的距离度量和精准度， 然后对移动终端栅格进行预估判断， 最终利用机器学习进行分析求解。
2.2 采集数据和预处理
本次研究， 我们采用的模型对象是我国某一个周边长达10千米的二线城市。在该城市区域内， 我们测量了四个不同时间段内的数据， 为了保证机器学习算法定位的精准性和有效性， 我们把其中的三批数据作为训练数据， 最后一组数据作为定位数据， 然后把定位数据周边十米内的前三组训练数据的相关信息进行清除。一旦确定某一待定位数据， 就要在不同的时间内进行测量， 按照测量出的数据信息的经纬度和平均值， 再进行换算， 最终， 得到真实的数据量， 提升定位的速度以及有效程度。
2.3 以基站的经纬度为基础的初步定位
用机器学习算法来进行移动终端定位， 其复杂性也是比较大的， 一旦区域面积增加， 那么模型和分类也相应增加， 而且更加复杂， 所以， 利用机器学习算法来进行移动终端定位的过程， 会随着定位区域面积的增大， 而耗费更多的时间。利用基站的经纬度作为基础来进行早期的定位， 则需要以下几个步骤：要将�
2.4 以向量机为基础的二次定位
在完成初步定位工作后， 要确定一个� 后期的预算主要依赖决策函数计算和样本向量机计算。随着栅格的变小， 定位的精准度将越来越高， 而由于增加分类的问题数量是上升的， 所以， 定位的复杂度也是相对增加的。
2.5 以K-近邻法为基础的三次定位
第一步要做的就是选定需要定位的区域面积， 在二次输出之后， 确定其经纬度， 然后依赖经纬度来确定边长面积， 这些都是进行区域定位的基础性工作， 紧接着就是定位模型的训练。以K-近邻法为基础的三次定位需要的是综合训练信息数据， 对于这些信息数据， 要以大小为选择依据进行筛选和合并， 这样就能够减少计算的重复性。当然了， 选择的区域面积越大， 其定位的速度和精准性也就越低。
3 结语
近年来， 随着我国科学技术的不断发展和进步， 数据挖掘技术愈加重要。根据上面的研究， 我们证明了， 在数据挖掘的过程中， 应用机器学习算法具有举足轻重的作用。作为一门多领域互相交叉的知识学科， 它能够帮助我们提升定位的精准度以及定位速度， 可以被广泛的应用于各行各业。所以， 对于机器学习算法， 相关人员要加以重视， 不断的进行改良以及改善， 切实的发挥其有利的方面， 将其广泛应用于智能定位的各个领域， 帮助我们解决关于户外移动终端的定位的问题。
参考文献
[1]陈小燕， CHENXiaoyan.机器学习算法在数据挖掘中的应用[J].现代电子技术， 20xx, v.38;No.451 (20) :11-14.
[2]李运。机器学习算法在数据挖掘中的应用[D].北京邮电大学， 20xx.
[3]莫雪峰。机器学习算法在数据挖掘中的应用[J].科教文汇， 20xx (07) :175-178.
数据挖掘论文五： 题目：软件工程数据挖掘研究进展
摘要：数据挖掘是指在大数据中开发出有价值信息数据的过程。计算机技术的不断进步， 通过人工的方式进行软件的开发与维护难度较大。而数据挖掘能够有效的提升软件开发的效率， 并能够在大量的数据中获得有效的数据。文章主要探究软件工程中数据挖掘技术的任务和存在的问题， 并重点论述软件开发过程中出现的问题和相关的解决措施。
关键词：软件工程； 数据挖掘； 解决措施；
在软件开发过程中， 为了能够获得更加准确的数据资源， 软件的研发人员就需要搜集和整理数据。但是在大数据时代， 人工获取数据信息的难度极大。当前， 软件工程中运用最多的就是数据挖掘技术。软件挖掘技术是传统数据挖掘技术在软件工程方向的其中一部分。但是它具有自身的特征， 体现在以下三个方面：
(1) 在软件工程中， 对有效数据的挖掘和处理；
(2) 挖掘数据算法的选择问题；
(3) 软件的开发者该如何选择数据。
1 在软件工程中数据挖掘的主要任务
在数据挖掘技术中， 软件工程数据挖掘是其中之一， 其挖掘的过程与传统数据的挖掘无异。通常包括三个阶段：第一阶段， 数据的预处理；第二阶段， 数据的挖掘；第三阶段， 对结果的评估。第一阶段的主要任务有对数据的分类、对异常数据的检测以及整理和提取复杂信息等。虽然软件工程的数据挖掘和传统的数据挖掘存在相似性， 但是也存在一定的差异， 其主要体现在以下三个方面：
1.1 软件工程的数据更加复杂
软件工程数据主要包括两种， 一种是软件报告， 另外一种是软件的版本信息。当然还包括一些软件代码和注释在内的非结构化数据信息。这两种软件工程数据的算法是不同的， 但是两者之间又有一定的联系， 这也是软件工程数据挖掘复杂性的重要原因。
1.2 数据分析结果的表现更加特殊
传统的数据挖掘结果可以通过很多种结果展示出来， 最常见的有报表和文字的方式。但是对于软件工程的数据挖掘来讲， 它最主要的职能是给软件的研发人员提供更加精准的案例， 软件漏洞的实际定位以及设计构造方面的信息， 同时也包括数据挖掘的统计结果。所以这就要求软件工程的数据挖掘需要更加先进的结果提交方式和途径。
1.3 对数据挖掘结果难以达成一致的评价
我国传统的数据挖掘已经初步形成统一的评价标准， 而且评价体系相对成熟。但是软件工程的数据挖掘过程中， 研发人员需要更多复杂而又具体的数据信息， 所以数据的表示方法也相对多样化， 数据之间难以进行对比， 所以也就难以达成一致的评价标准和结果。不难看出， 软件工程数据挖掘的关键在于对挖掘数据的预处理和对数据结果的表示方法。
2 软件工程研发阶段出现的问题和解决措施
软件在研发阶段主要的任务是对软件运行程序的编写。以下是软件在编码和结果的提交过程中出现的问题和相应的解决措施。
2.1 对软件代码的编写过程
该过程需要软件的研发人员能够对自己需要编写的代码结构与功能有充分的了解和认识。并能够依据自身掌握的信息， 在数据库中搜集到可以使用的数据信息。通常情况下， 编程需要的数据信息可以分为三个方面：
(1) 软件的研发人员能够在已经存在的代码中搜集可以重新使用的代码；
(2) 软件的研发人员可以搜寻可以重用的静态规则， 比如继承关系等。
(3) 软件的开发人员搜寻可以重用的动态规则。
包括软件的接口调用顺序等。在寻找以上信息的过程中， 通常是利用软件的帮助文档、寻求外界帮助和搜集代码的方式实现， 但是以上方式在搜集信息过程中往往会遇到较多的问题， 比如：帮助文档的准确性较低， 同时不够完整， 可利用的重用信息不多等。
2.2 对软件代码的重用
在对软件代码重用过程中， 最关键的问题是软件的研发人员必须掌握需要的类或方法， 并能够通过与之有联系的代码实现代码的重用。但是这种方式哦足迹信息将会耗费工作人员大量的精力。而通过关键词在代码库中搜集可重用的软件代码， 同时按照代码的相关度对搜集到的代码进行排序， 该过程使用的原理就是可重用的代码必然模式基本类似， 最终所展现出来的搜索结果是以上下文结构的方式展现的。比如：类与类之间的联系。其实现的具体流程如下：
(1) 软件的开发人员创建同时具备例程和上下文架构的代码库；
(2) 软件的研发人员能够向代码库提供类的相关信息， 然后对反馈的结果进行评估， 创建新型的代码库。
(3) 未来的研发人员在搜集过程中能够按照评估结果的高低排序， 便于查询， 极大地缩减工作人员的任务量， 提升其工作效率。
2.3 对动态规则的重用
软件工程领域内对动态规则重用的研究已经相对成熟， 通过在编译器内安装特定插件的方式检验代码是否为动态规则最适用的， 并能够将不适合的规则反馈给软件的研发人员。其操作流程为：
(1) 软件的研发人员能够规定动态规则的顺序， 主要表现在：使用某一函数是不能够调用其他的函数。
(2) 实现对相关数据的保存， 可以通过队列等简单的数据结构完成。在利用编译拓展中检测其中的顺序。
(3) 能够将错误的信息反馈给软件的研发人员。
3 结束语
在软件工程的数据挖掘过程中， 数据挖掘的概念才逐步被定义， 但是所需要挖掘的数据是已经存在的。数据挖掘技术在软件工程中的运用能够降低研发人员的工作量， 同时软件工程与数据挖掘的结合是计算机技术必然的发展方向。从数据挖掘的过程来讲， 在其整个实施过程和周期中都包括软件工程。而对数据挖掘的技术手段来讲， 它在软件工程中的运用更加普遍。在对数据挖掘技术的研究过程中可以发现， 该技术虽然已经获得一定的效果， 但是还有更多未被挖掘的空间， 还需要进一步的研究和发现。
参考文献
[1]王艺蓉。试析面向软件工程数据挖掘的开发测试技术[J].电子技术与软件工程， 20xx (18) :64.
[2]吴彦博。软件工程中数据挖掘技术的运用探索[J].数字通信世界， 20xx (09) :187.
[3]周雨辰。数据挖掘技术在软件工程中的应用研究[J].电脑迷， 20xx (08) :27-28.
[4]刘桂林。分析软件工程中数据挖掘技术的应用方式[J].中国新通信， 20xx, 19 (13) :119.
随着互联网技术的迅速发展，尤其移动互联网的爆发性发展，越来越多的公司凭借其备受欢迎的系统和APP如雨后春笋般发展起来，如滴滴打车、共享单车等。海量数据自此不再是Google等大公司的专利，越来越多的中小型企业也可以拥有海量数据。如何从浩如烟海的数据中挖掘出令人感兴趣和有用的知识，成为越来越多的公司急需解决的问题。因此，他们对数据挖掘分析师求贤若渴。在这一社会需求下，培养出优秀的数据挖掘分析师，是各个高校目前急需完成的一项任务。
一、教学现状反思
目前，各大高等院校本科阶段争相开设数据挖掘课程。然而，该课程是一门相对较新的交叉学科，涵盖了概率统计、机器学习、数据库等学科的知识内容，难度较大。因此，大部分高校一般将此课程开设在研究生阶段，在本科生中开设此课程的学校相对较少。另外，不同的学校将其归入不同的专业中，如计算机专业、信息管理专业、统计学、医学等。可以说，这一课程基本上处于探索的过程中。我院灾害信息系于20xx年在信息管理与信息系统本科学生中首次开设了该课程。通过开设此课程，学生能够掌握数据挖掘的基本原理和各种挖掘算法等，掌握数据分析和处理、高级数据库编程等技能，达到数据聚类、分类、关联分析的目的。然而，通过前期教学过程，我们发现教学效果不理想，存在很多问题。
1、数据内驱力差
以往数据挖掘课程重点讲授数据挖掘算法，对数据源的获取和处理极少获取。目前各大教材都在使用一些公共数据资源，这些数据资源有些已经非常陈旧了，比如20世纪80年代的加州房价数据。这些数据脱离现实，分析这些数据，学生没有任何兴趣和学习动力，也就无法发现价值。
2、过于强调学习数据挖掘理论及算法的学习
大量具有难度的数据挖掘算法的学习，使学生丧失了学习兴趣，学完即忘，不知所用。
3、忽视对数据预处理过程的学习
以往所使用的公共数据源或软件自带数据源，数据量小，需要的预处理工作比较少；这部分内容基本只安排一次理论课、一次实验课。而实际通过爬虫获取的数据源数据量大；这部分工作量比较大，需要占到整个数据挖掘工作量的一半以上。因此，一次理论课和一次实验课是无法让学生掌握数据预处理技能的。
4、算法编程实现难度较大
要求学生学习一门新的编程语言，如R语言、Python语言，对本科非计算机专业的学生来说难度是非常大的，尤其是课时安排只有48课时。
5、数据挖掘分析及应用技能较差
学生能够理解课堂案例，但在实际应用中，无法完成整个数据分析流程。
二、数据挖掘课程改革
该课程的教学对象是信息管理与信息系统专业本科大四学生。因此，培养实际应用人才，使其完成整个实际数据挖掘分析流程是教师的教学目的。笔者对智联招聘、中华英才网、51job等几个大型招聘网站的几百个数据挖掘分析师相关职位进行分析，主要分析了相關职位的工作内容、职位要求以及需求企业。数据分析师主要利用数据挖掘工具对运营数据等多种数据源进行预处理、建模、挖掘、分析及优化。该职位是受业务驱动的，特点是将现有数据与业务相结合，最大程度地变现数据价值。该职位对计算机编程等相关技术不作要求，但是需要有深厚的数据挖掘理论基础，熟练使用主流的数据挖掘（或统计分析）工具。基于此，教师可以采取以下策略进行教学改革。
1、加强对业务数据的理解
数据挖掘分析师是受业务驱动的，所以要理解实际业务，明确本次数据挖掘要解决什么问题。教师可以构建案例库，包括教师案例库、学生讨论案例库。教师案例库由教师构建，可用于课堂讲授。学生案例库由学生分组构建，并安排讨论课，由学生讲述、讨论并提交报告。
2、加强对数据的获取
对学生感兴趣的数据源进行挖掘，这样才能更好地帮助学生理解吸收知识。因此，可以教授学生爬虫技术，编写爬虫程序，使其自主获取感兴趣的数据。
3、加强对数据的预处理工作
在数据挖掘之前使用数据预处理技术，能够显著提高数据挖掘模式的质量，降低实际挖掘所需要的时间，应将其作为整门课程的重点进行学习。增加理论课程和实验课时，使学生掌握数据清理、数据集成、数据变换、数据归纳等数据预处理技术，并能够应对各种复杂数据源，最终利用爬虫程序获取的各种数据源进行预处理工作。
4、强化数据挖掘分析
教师可以选择SPSS Modeler这款所见即所得的数据挖掘软件作为配套实验平台。该软件具有必需的数据预处理工具及预设的挖掘算法，学生可以把注意力放在要挖掘的数据及相关需求上，设定挖掘的主题，然后通过鼠标的点击拖拉即可完成相关主题的数据挖掘过程。学生最终可对自己获取并已处理过的数据进行挖掘分析。
5、加强教师外出培训学习
数据挖掘技术以及大数据技术是近来比较新颖而且发展迅速的技术。教师长期身处三尺讲台之上，远离了新技术，脱离了实际。因此，需派遣教师到知名高校学习数据挖掘教学技术，到培训机构进行系统学习，到企业进行实战学习。
基于以上分析，形成了新的数据挖掘理论课程内容和实践课程内容，安排如表1和表2所示。共安排48学时，其中理论课24学时，实验课24学时。理论课重点讲授数据的获取、数据的理解、数据的预处理以及常用挖掘算法。实验课重点学习基于SPSS modeler的数据挖掘，对理论课的内容进行实践。整个学习以工程� 学生通过爬虫程序获取自己感兴趣的数据源，根据课程进度，逐步完成后续数据的理解，再进行预处理，建模分析，评估整个过程。在课程结束时，完成整个项目，并提交报告。
三、结论
在数字时代，越来越多的企业急需数据挖掘分析人才。教师应以培养实际应用人才为目的，充分培养学生对数据挖掘的学习兴趣，以工程� 在教学中，打牢数据获取、理解预处理这一基石，加强建模挖掘分析，弱化对晦涩算法的编程学习，使学生真正掌握数据挖掘技术，满足社会需求。
参考文献：
[1]李海林。大数据环境下的数据挖掘课程教学探索[J]。计算机时代，20xx（2）：54-55.
[2]宋威，李晋宏。项目驱动的数据挖掘教学模式探讨[J]。中国电力教育，20xx（27）：116-177.
[3]徐琴。应用型本科数据挖掘技术课程教学探讨与实践[J]。电脑知识与技术，20xx，12（8）：148-149.
[4]李姗姗，李忠。就业需求驱动下的本科院校数据挖掘课程内容体系探讨[J]。计算机时代，20xx（2）：60-61.
1理论研究
1.1客户关系管理
客户关系管理的目标是依靠高效优质的服务吸引客户，同时通过对业务流程的全面优化和管理，控制企业运行成本。客户关系管理是一种管理理念，将企业客户视作企业发展最重要的企业资源，采用企业服务优化等手段来管理客户关系。客户关系管理并不是单纯的信息技术或者管理技术，而是一种企业生物战略，通过对企业客户的分段充足，强化客户满意的行为，优化企业可盈利性，将客户处理工作上升到企业级别，不同部门负责与客户进行交互，但是整个企业都需要向客户负责，在信息技术的支持下实现企业和客户连接环节的自动化管理。
1.2客户细分
客户细分由美国学者温德尔史密斯在20世纪50年代提出，认为客户细分是根据客户属性将客户分成集合。现代营销学中的客户细分是按照客户特征和共性将客户群分为不同等级或者子群体，寻找相同要素，对不同类别客户心理与需求急性研究和评估，从而指导进行企业服务资源的分配，是企业获得客户价值的一种理论与方法。因此我们注意到，客户细分其实是一个分类问题，但是却有着显著的特点。
1.2.1客户细分是动态的企业不断发展变化，用户数据不断积累，市场因素的变化，都会造成客户细分的变化。所以客户细分工作需要根据客户情况的变化进行动态调整，
减少错误分类，提高多次细分中至少有一次是正确分类的可能性。
1.2.2受众多因素影响
随着时间的推移，客户行为和心理会发生变化，所以不同时间的数据会反映出不同的规律，客户细分方法需要在变化过程中准确掌握客户行为的规律性。
1.2.3客户细分有不同的分类标准
一般分类问题强调准确性，客户关系管理则强调有用性，讲求在特定限制条件下实现特定目标。
1.3数据挖掘
数据挖掘就是从大型数据库数据中提取有价值的、隐含的、事前未知的潜在有用信息。数据挖掘技术不断发展，挖掘对象不再是单一数据库，已经逐渐发展到文件系统、数据集合以及数据仓库的挖掘分析。
2客户细分的数据挖掘
2.1逻辑模型
客户数据中有着若干离散客户属性和连续客户属性，每个客户属性为一个维度，客户作为空间点，全部客户都能够形成多为空间，作为客户的属性空间，假设A={A1，A2,…Am}是一组客户属性，属性可以是连续的，也可以离散型，这些属性就形成了客户m维属性空间。同时设g是一个描述客户属性的一个指标，f(g)是符合该指标的客户集合，即为概率外延，则任一确定时刻都是n个互不相交集合。在客户价值概念维度上，可分为“有价值客户”“潜在价值客户”“无价值客户”三种类型，定义RB如下：(1)显然RB是一个等价关系，经RB可分类属性空间为若干等价类，每个等价类都是一个概念类，建立客户细分，就是客户属性空间和概念空间映射关系的建立过程。
2.2客户细分数据挖掘实施
通过数据库已知概念类客户数据进行样本学习和数据挖掘，进行客户属性空间与概念空间映射的自动归纳。首先确定一组概念类已知客户集合。首先确定一个映射：p：C→L，使，如果，则。，求p(c)确定所属概念类。数据部分有客户数据存储和概念维数据构成，客户数据存储有企业全部内在属性、外在属性以及行为属性等数据，方法则主要有关联规则分析、深井网络分类、决策树、实例学习等数据挖掘方法，通过对客户数据存储数据学习算法来建立客户数据和概念维之间的映射关系。
2.3客户细分数据分析
建立客户动态行为描述模型，满足客户行为非确定性和非一致性要求，客户中心的管理体制下，客户细分影响企业战术和战略级别决策的生成，所以数据挖掘要能够弥补传统数据分析方法在可靠性方面的缺陷。
2.3.1客户外在属性
外在属性有客户地理分布、客户组织归属情况和客户产品拥有情况等。客户的组织归属是客户社会组织类型，客户产品拥有情况是客户是否拥有或者拥有哪些与其他企业或者其他企业相关产品。
2.3.2内在属性
内在属性有人口因素和心理因素等，人口因素是消费者市场细分的重要变量。相比其他变量，人口因素更加容易测量。心理因素则主要有客户爱好、性格、信用情况以及价值取向等因素。
2.3.3消费行为
消�
2.4数据挖掘算法
2.4.1聚类算法
按照客户价值标记聚类结果，通过分类功能，建立客户特征模型，准确描述高价值客户的一些特有特征，使得企业在之后的市场活动中能够迅速发现并抓住类似的高价值客户，全面提高客户的整体价值水平。通常都采用中心算法进行客户的聚类分析，分析涉及的字段主要有客户的基本信息以及与客户相关业务信息，企业采用中心算法，按照企业自身的行业性质以及商务环境，选择不同的聚类分析策略，有主属性聚类分析和全属性聚类分析两类。主属性聚类分析是企业根据在企业标度变量中选择主要弧形作为聚类分析变量。通常区间标度变量选用的度量单位会对聚类分析结果产生很大影响，选择的度量单位越小，就会获得越大的可能值域，对聚类结果的影响也就越大。
2.4.2客户分析预测
行业竞争愈加激烈，新客户的获得成本越来越高，在保持原有工作价值的同时，客户的流失也受到了企业的重视。为了控制客户流失，就需要对流失客户的数据进行认真分析，找寻流失客户的根本原因，防止客户的持续流失。数据挖掘聚类功能同样能够利用在客户流失数据分析工作中，建立基于流失客户数据样本库的分类函数以及分类模式，通过模型分析客户流失因素，能够获得一个最有可能流失的客户群体，同时编制一个有针对性的挽留方案。之后对数据进行分析并利用各种数据挖掘技术和方法在多个可供选择的模型中找出最佳模型。初始阶段，模型的拟合程度可能不理想，但是随着模型的不断更换和优化，最终就有可能找出合适的模型进行数据描述并挖掘出流失数据规律。通常模拟模型都通过数据分析专业和业务专家协作完成，采用决策树、贝叶斯网络、神经网络等流失分析模型，实现客户行为的预测分析。
3结语
从工业营销中的客户细分观点出发，在数据挖掘、客户关系管理等理论基础上，采用统计学、运筹学和数据挖掘技术，对客户细分的数据挖掘方法进行了研究，建立了基于决策树的客户细分模型，是一种效率很高的管理工具。
作者:区嘉良 吕淑仪 单位:中国石化广东石油分公司
题目：档案信息管理系统中的计算机数据挖掘技术探讨
摘要：伴随着计算机技术的不断进步和发展，数据挖掘技术成为数据处理工作中的重点技术，能借助相关算法搜索相关信息，在节省人力资本的同时，提高数据检索的实际效率，基于此，被广泛应用在数据密集型行业中。笔者简要分析了计算机数据挖掘技术，并集中阐释了档案信息管理系统计算机数据仓库的建立和技术实现过程，以供参考。
关键词：档案信息管理系统；计算机；数据挖掘技术；
1数据挖掘技术概述
数据挖掘技术就是指在超多随机数据中提取隐含信息，并且将其整合后应用在知识处理体系的技术过程。若是从技术层面判定数据挖掘技术，则需要将其划分在商业数据处理技术中，整合商业数据提取和转化机制，并且建构更加系统化的分析模型和处理机制，从根本上优化商业决策。借助数据挖掘技术能建构完整的数据仓库，满足集成性、时变性以及非易失性等需求，整和数据处理和冗余参数，确保技术框架结构的完整性。
目前，数据挖掘技术常用的工具，如SAS企业的EnterpriseMiner、IBM企业的IntellientMiner以及SPSS企业的Clementine等应用都十分广泛。企业在实际工作过程中，往往会利用数据源和数据预处理工具进行数据定型和更新管理，并且应用聚类分析模块、决策树分析模块以及关联分析算法等，借助数据挖掘技术对相关数据进行处理。
2档案信息管理系统计算机数据仓库的建立
2.1客户需求单元
为了充分发挥档案信息管理系统的优势，要结合客户的实际需求建立完整的处理框架体系。在数据库体系建立中，要适应迭代式处理特征，并且从用户需求出发整合数据模型，保证其建立过程能按照整体规划有序进行，且能按照目标和分析框架参数完成操作。首先，要确立基础性的数据仓库对象，由于是档案信息管理，因此，要集中划分档案数据分析的主题，并且有效录入档案信息，确保满足档案的数据分析需求。其次，要对日常工作中的用户数据进行集中的挖掘处理，从根本上提高数据仓库分析的完整性。
(1)确定数据仓库的基础性用户，其中，主要包括档案工作人员和使用人员，结合不同人员的工作需求建立相应的数据仓库。
(2)档案工作要利用数据分析和档案用户特征分析进行分类描述。
(3)确定档案的基础性分类主题，一般而言，要将文书档案归档状况、卷数等基础性信息作为分类依据。
2.2数据库设计单元
在设计过程中，要针对不同维度建立相应的参数体系和组成结构，并且有效整合组成事实表的主键项目，建立框架结构。
第一，建立事实表。事实表是数据模型的核心单元，主要是记录相关业务和统计数据的表，能整合数据仓库中的信息单元，并且提升多维空间处理效果，确保数据储存过程切实有效。(1)档案管理中文书档案目录卷数事实表：事实表主键，字段类型Int，字段为Id;文书归档年份，字段类型Int，字段为Gdyear_key;文书归档类型，字段类型Int，字段为Ajtm_key;文书归档单位，字段类型Int，字段为Gddw_key;文书档案生成年份，字段类型Int，字段为Ajscsj_key，以及文书档案包括的文件数目。(2)档案管理中文书档案卷数事实表：事实表主键，字段类型Int，字段为Id;文书归档利用日期，字段类型Int，字段为Date_key;文书归档利用单位，字段类型Int，字段为Dw_key;文书归档利用类别，字段类型Int，字段为Dalb_key;文书归档利用年份，字段类型Int，字段为Dayear_key等[1]。
第二，建立维度表，在实际数据仓库建立和运维工作中，提高数据管理效果和水平，确保建立循环和反馈的系统框架体系，并且处理增长过程和完善过程，有效实现数据库模型设计以及相关维护操作。首先，要对模式的基础性维度进行分析并且制作相应的表，主要包括档案年度维表、利用方式维表等。其次，要建构数据库星型模型体系。最后，要集中判定数据库工具，保证数据库平台在客户管理工作方面具备必须的优势，集中制订商务智能解决方案，保证集成环境的稳定性和数据仓库建模的效果，真正提高数据抽取以及转换工作的实际水平。需要注意的是，在全面整合和分析处理数据的过程中，要分离文书档案中的数据，相关操作如下：
deletefromdaggdtemp//删除临时表中的数据
Chcount=dag1.importfile(dbo.uwswj)//将文书目录中数据导出到数据窗口
Dag1.update//将数据窗口中的数据保存到临时表
相关技术人员要对数据进行有效处理，以保证相关数据合并操作、连接操作以及条件性拆分操作等都能按照数据预处理管理要求合理化进行，从根本上维护数据处理效果。
2.3多维数据模型建立单元
在档案多维数据模型建立的过程中，相关技术人员要判定联机分析处理项目和数据挖掘方案，整合信息系统中的数据源、数据视图、维度参数以及属性参数等，保证具体单元能发挥其实际作用，并且真正发挥档案维表的稳定性、安全性优势。
第一，档案事实表中的数据稳定，事实表是加载和处理档案数据的基本模块，按照档案目录数据表和档案利用状况表分析和判定其类别和归档时间，从而提高数据独立分析水平。一方面，能追加有效的数据，保证数据仓库信息的基本质量，也能追加时间判定标准，能在实际操作中减少扫描整个表浪费的时间，从根本上提高实际效率。另一方面，能删除数据，实现数据更新，检索相关关键词即可。并且也能同时修改数据，维护档案撤出和档案追加的动态化处理效果。
第二，档案维表的安全性。在维表管理工作中，档案参数和数据的安全稳定性十分关键，由于其不会随着时间的推移出现变化，因此，要对其进行合理的处理和协调。维表本身的存储空间较小，尽管结构发生变化的概率不大，但仍会对代表的对象产生影响，这就会使得数据出现动态的变化。对于这种改变，需要借助新维生成的方式进行处理，从而保证不同维表能有效连接，整合正确数据的同时，也能对事实表外键进行分析[2]。
3档案信息管理系统计算机数据仓库的实现
3.1描述需求
随着互联网技术和数据库技术不断进步，要提高档案数字化水平以及完善信息化整合机制，加快数据库管控体系的更新，确保设备存储以及网络环境一体化水平能满足需求，尤其是在档案资源重组和预测项目中，只有从根本上落实数据挖掘体系，才能为后续信息档案管理项目升级奠定坚实基础。另外，在数据表和文书等基础性数据结构模型建立的基础上，要按照规律制定具有个性化的主动性服务机制。
3.2关联计算
在实际档案分析工作开展过程中，关联算法描述十分关键，能对某些行为特征进行统筹整合，从而制定分析决策。在进行关联规则强度分析时，要结合支持度和置信度等系统化数据进行综合衡量。例如，档案数据库中有A和B两个基础项集合，支持度为P(A∪B)，则直接表述了A和B在同一时间出现的基础性概率。若是两者出现的概率并不大，则证明两者之间的关联度较低。若是两者出现的概率较大，则说明两者的关联度较高。另外，在分析置信度时，利用Confidence(A→B)=(A|B)，也能有效判定两者之间的关系。在出现置信度A的状况下，B的出现概率则是整体参数关系的关键，若是置信度的数值到达100%，则直接证明A和B能同一时间出现。
3.3神经网络算法
除了要对档案的实际资料进行数据分析和数据库建构，也要对其利用状况进行判定，目前较为常见的利用率分析算法就是神经网络算法，其借助数据分类系统判定和分析数据对象。值得注意的是，在分类技术结构中，要结合训练数据集判定分类模型数据挖掘结构。神经网络算法类似于人脑系统的运行结构，能建立完整的信息处理单元，并且能够整合非线性交换结构，确保能凭借历史数据对计算模型和分类体系展开深度分析[3]。
3.4实现多元化应用
在档案管理工作中应用计算机数据挖掘技术，能对档案分类管理予以分析，保证信息需求分类总结工作的完整程度。尤其是档案使用者在对档案具体特征进行差异化分析的过程中，能结合不同的元素对具体问题展开深度调研。一方面，计算机数据挖掘技术借助决策树算法处理规则化的档案分析机制。在差异化训练体系中，要对数据集合中的数据进行系统化分析以及处理，确保构建要求能适应数据挖掘的基本结构[4]。例如，档案管理人员借助数据挖掘技术能整合档案使用人员长期浏览与关注的信息，并且能集中收集和汇总间隔时间、信息查询停留时间等，从而建构完整的数据分析机制，有效向其推送或者是带给便捷化查询服务，保证档案管理数字化水平的提高。另一方面，在档案收集管理工作中应用数据挖掘技术，主要是对数据信息进行分析，结合基本结果建立概念模型，保证模型以及测试样本之间的比较参数贴合标准，从而真正建立更加系统化的分类框架体系。
4结语
总而言之，在档案管理工作中应用数据挖掘技术，能在准确判定用户需求的同时，维护数据处理效果，并且减少档案数字化的成本，为后续工作的进一步优化奠定坚实基础。并且，数据库的建立，也能节省经费和设备维护成本，真正实现数字化全面发展的目标，促进档案信息管理工作的长效进步。
参考文献
[1]曾雪峰。计算机数据挖掘技术开发及其在档案信息管理中的运用研究[J].科技创新与应用，(9):285.
[2]王晓燕。数据挖掘技术在档案信息管理中的应用[J].兰台世界，2014(23):25-26.
[3]韩吉义。基于数据挖掘技术的高校图书馆档案信息管理平台的构筑[J].山西档案，2015(6):61-63.
[4]哈立原。基于数据挖掘技术的高校图书馆档案信息管理平台构建[J].山西档案，2016(5):105-107.
数据挖掘又名数据探勘、信息挖掘。它是数据库知识筛选中非常重要的一步。数据挖掘其实指的就是在大量的数据中通过算法找到有用信息的行为。一般情况下， 数据挖掘都会和计算机科学紧密联系在一起， 通过统计集合、在线剖析、检索筛选、机器学习、参数识别等多种方法来实现最初的目标。统计算法和机器学习算法是数据挖掘算法里面应用得比较广泛的两类。统计算法依赖于概率分析， 然后进行相关性判断， 由此来执行运算。
而机器学习算法主要依靠人工智能科技， 通过大量的样本收集、学习和训练， 可以自动匹配运算所需的相关参数及模式。它综合了数学、物理学、自动化和计算机科学等多种学习理论， 虽然能够应用的领域和目标各不相同， 但是这些算法都可以被独立使用运算， 当然也可以相互帮助， 综合应用， 可以说是一种可以“因时而变”、“因事而变”的算法。在机器学习算法的领域， 人工神经网络是比较重要和常见的一种。因为它的优秀的数据处理和演练、学习的能力较强。
而且对于问题数据还可以进行精准的识别与处理分析， 所以应用的频次更多。人工神经网络依赖于多种多样的建模模型来进行工作， 由此来满足不同的数据需求。综合来看， 人工神经网络的建模， 它的精准度比较高， 综合表述能力优秀， 而且在应用的过程中， 不需要依赖专家的辅助力量， 虽然仍有缺陷， 比如在训练数据的时候耗时较多， 知识的理解能力还没有达到智能化的标准， 但是， 相对于其他方式而言， 人工神经网络的优势依旧是比较突出的。
2 以机器学习算法为基础的GSM网络定位
2.1 定位问题的建模
建模的过程主要是以支持向量机定位方式作为基础， 把定位的位置栅格化， 面积较小的栅格位置就是独立的一种类别， 在定位的位置内， 我们收集数目庞大的终端测量数据， 然后利用计算机对测量报告进行分析处理， 测量栅格的距离度量和精准度， 然后对移动终端栅格进行预估判断， 最终利用机器学习进行分析求解。
2.2 采集数据和预处理
本次研究， 我们采用的模型对象是我国某一个周边长达10千米的二线城市。在该城市区域内， 我们测量了四个不同时间段内的数据， 为了保证机器学习算法定位的精准性和有效性， 我们把其中的三批数据作为训练数据， 最后一组数据作为定位数据， 然后把定位数据周边十米内的前三组训练数据的相关信息进行清除。一旦确定某一待定位数据， 就要在不同的时间内进行测量， 按照测量出的数据信息的经纬度和平均值， 再进行换算， 最终， 得到真实的数据量， 提升定位的速度以及有效程度。
2.3 以基站的经纬度为基础的初步定位
用机器学习算法来进行移动终端定位， 其复杂性也是比较大的， 一旦区域面积增加， 那么模型和分类也相应增加， 而且更加复杂， 所以， 利用机器学习算法来进行移动终端定位的过程， 会随着定位区域面积的增大， 而耗费更多的时间。利用基站的经纬度作为基础来进行早期的定位， 则需要以下几个步骤：要将�
2.4 以向量机为基础的二次定位
在完成初步定位工作后， 要确定一个� 后期的预算主要依赖决策函数计算和样本向量机计算。随着栅格的变小， 定位的精准度将越来越高， 而由于增加分类的问题数量是上升的， 所以， 定位的复杂度也是相对增加的。
2.5 以K-近邻法为基础的三次定位
第一步要做的就是选定需要定位的区域面积， 在二次输出之后， 确定其经纬度， 然后依赖经纬度来确定边长面积， 这些都是进行区域定位的基础性工作， 紧接着就是定位模型的训练。以K-近邻法为基础的三次定位需要的是综合训练信息数据， 对于这些信息数据， 要以大小为选择依据进行筛选和合并， 这样就能够减少计算的重复性。当然了， 选择的区域面积越大， 其定位的速度和精准性也就越低。
3 结语
近年来， 随着我国科学技术的不断发展和进步， 数据挖掘技术愈加重要。根据上面的研究， 我们证明了， 在数据挖掘的过程中， 应用机器学习算法具有举足轻重的作用。作为一门多领域互相交叉的知识学科， 它能够帮助我们提升定位的精准度以及定位速度， 可以被广泛的应用于各行各业。所以， 对于机器学习算法， 相关人员要加以重视， 不断的进行改良以及改善， 切实的发挥其有利的方面， 将其广泛应用于智能定位的各个领域， 帮助我们解决关于户外移动终端的定位的问题。
参考文献
[1]陈小燕， CHENXiaoyan.机器学习算法在数据挖掘中的应用[J].现代电子技术， , v.38;No.451 (20) :11-14.
[2]李运。机器学习算法在数据挖掘中的应用[D].北京邮电大学， .
[3]莫雪峰。机器学习算法在数据挖掘中的应用[J].科教文汇， 2016 (07) :175-178.
数据挖掘论文五： 题目：软件工程数据挖掘研究进展
摘要：数据挖掘是指在大数据中开发出有价值信息数据的过程。计算机技术的不断进步， 通过人工的方式进行软件的开发与维护难度较大。而数据挖掘能够有效的提升软件开发的效率， 并能够在大量的数据中获得有效的数据。文章主要探究软件工程中数据挖掘技术的任务和存在的问题， 并重点论述软件开发过程中出现的问题和相关的解决措施。
关键词：软件工程； 数据挖掘； 解决措施；
在软件开发过程中， 为了能够获得更加准确的数据资源， 软件的研发人员就需要搜集和整理数据。但是在大数据时代， 人工获取数据信息的难度极大。当前， 软件工程中运用最多的就是数据挖掘技术。软件挖掘技术是传统数据挖掘技术在软件工程方向的其中一部分。但是它具有自身的特征， 体现在以下三个方面：
(1) 在软件工程中， 对有效数据的挖掘和处理；
(2) 挖掘数据算法的选择问题；
(3) 软件的开发者该如何选择数据。
1 在软件工程中数据挖掘的主要任务
在数据挖掘技术中， 软件工程数据挖掘是其中之一， 其挖掘的过程与传统数据的挖掘无异。通常包括三个阶段：第一阶段， 数据的预处理；第二阶段， 数据的挖掘；第三阶段， 对结果的评估。第一阶段的主要任务有对数据的分类、对异常数据的检测以及整理和提取复杂信息等。虽然软件工程的数据挖掘和传统的数据挖掘存在相似性， 但是也存在一定的差异， 其主要体现在以下三个方面：
1.1 软件工程的数据更加复杂
软件工程数据主要包括两种， 一种是软件报告， 另外一种是软件的版本信息。当然还包括一些软件代码和注释在内的非结构化数据信息。这两种软件工程数据的算法是不同的， 但是两者之间又有一定的联系， 这也是软件工程数据挖掘复杂性的重要原因。
1.2 数据分析结果的表现更加特殊
传统的数据挖掘结果可以通过很多种结果展示出来， 最常见的有报表和文字的方式。但是对于软件工程的数据挖掘来讲， 它最主要的职能是给软件的研发人员提供更加精准的案例， 软件漏洞的实际定位以及设计构造方面的信息， 同时也包括数据挖掘的统计结果。所以这就要求软件工程的数据挖掘需要更加先进的结果提交方式和途径。
1.3 对数据挖掘结果难以达成一致的评价
我国传统的数据挖掘已经初步形成统一的评价标准， 而且评价体系相对成熟。但是软件工程的数据挖掘过程中， 研发人员需要更多复杂而又具体的数据信息， 所以数据的表示方法也相对多样化， 数据之间难以进行对比， 所以也就难以达成一致的评价标准和结果。不难看出， 软件工程数据挖掘的关键在于对挖掘数据的预处理和对数据结果的表示方法。
2 软件工程研发阶段出现的问题和解决措施
软件在研发阶段主要的任务是对软件运行程序的编写。以下是软件在编码和结果的提交过程中出现的问题和相应的解决措施。
2.1 对软件代码的编写过程
该过程需要软件的研发人员能够对自己需要编写的代码结构与功能有充分的了解和认识。并能够依据自身掌握的信息， 在数据库中搜集到可以使用的数据信息。通常情况下， 编程需要的数据信息可以分为三个方面：
(1) 软件的研发人员能够在已经存在的代码中搜集可以重新使用的代码；
(2) 软件的研发人员可以搜寻可以重用的静态规则， 比如继承关系等。
(3) 软件的开发人员搜寻可以重用的动态规则。
包括软件的接口调用顺序等。在寻找以上信息的过程中， 通常是利用软件的帮助文档、寻求外界帮助和搜集代码的方式实现， 但是以上方式在搜集信息过程中往往会遇到较多的问题， 比如：帮助文档的准确性较低， 同时不够完整， 可利用的重用信息不多等。
2.2 对软件代码的重用
在对软件代码重用过程中， 最关键的问题是软件的研发人员必须掌握需要的类或方法， 并能够通过与之有联系的代码实现代码的重用。但是这种方式哦足迹信息将会耗费工作人员大量的精力。而通过关键词在代码库中搜集可重用的软件代码， 同时按照代码的相关度对搜集到的代码进行排序， 该过程使用的原理就是可重用的代码必然模式基本类似， 最终所展现出来的搜索结果是以上下文结构的方式展现的。比如：类与类之间的联系。其实现的具体流程如下：
(1) 软件的开发人员创建同时具备例程和上下文架构的代码库；
(2) 软件的研发人员能够向代码库提供类的相关信息， 然后对反馈的结果进行评估， 创建新型的代码库。
(3) 未来的研发人员在搜集过程中能够按照评估结果的高低排序， 便于查询， 极大地缩减工作人员的任务量， 提升其工作效率。
2.3 对动态规则的重用
软件工程领域内对动态规则重用的研究已经相对成熟， 通过在编译器内安装特定插件的方式检验代码是否为动态规则最适用的， 并能够将不适合的规则反馈给软件的研发人员。其操作流程为：
(1) 软件的研发人员能够规定动态规则的顺序， 主要表现在：使用某一函数是不能够调用其他的函数。
(2) 实现对相关数据的保存， 可以通过队列等简单的数据结构完成。在利用编译拓展中检测其中的顺序。
(3) 能够将错误的信息反馈给软件的研发人员。
3 结束语
在软件工程的数据挖掘过程中， 数据挖掘的概念才逐步被定义， 但是所需要挖掘的数据是已经存在的。数据挖掘技术在软件工程中的运用能够降低研发人员的工作量， 同时软件工程与数据挖掘的结合是计算机技术必然的发展方向。从数据挖掘的过程来讲， 在其整个实施过程和周期中都包括软件工程。而对数据挖掘的技术手段来讲， 它在软件工程中的运用更加普遍。在对数据挖掘技术的研究过程中可以发现， 该技术虽然已经获得一定的效果， 但是还有更多未被挖掘的空间， 还需要进一步的研究和发现。
参考文献
[1]王艺蓉。试析面向软件工程数据挖掘的开发测试技术[J].电子技术与软件工程， (18) :64.
[2]吴彦博。软件工程中数据挖掘技术的运用探索[J].数字通信世界， 2017 (09) :187.
[3]周雨辰。数据挖掘技术在软件工程中的应用研究[J].电脑迷， 2017 (08) :27-28.
[4]刘桂林。分析软件工程中数据挖掘技术的应用方式[J].中国新通信， 2017, 19 (13) :119.
云计算下物联网的数据挖掘
摘要：随着我国信息技术产业日渐成熟，物联网这一新一代信息技术关键技术日渐受到学界重视，基于此，本文就物联网与云计算、物联网数据挖掘需要解决的关键性问题展开分析，并对基于云计算的物联网数据挖掘、实验验证进行了详细论述，期望由此能够为相关业内人士带来必须启发。
关键词：云计算平台；物联网；数据挖掘；Hodoop
随着提出的“数字地球”概念影响力不断扩大，物联网技术与我国民众生活之间的距离日渐拉近，越来越多的物联网应用也开始进入人们视野，各界对物联网的要求也在不断提升，而为了解决物联网领域正面临的数据挖掘难题，正是本文就云计算平台下物联网数据挖掘展开具体研究的原因所在。
1物联网与云计算
1.1物联网
物联网作为学界公认的下一代网络发展方向之一，其本身由无所不在的小型传感器设备组成，无论是与我们日常生命联系紧密的计算机与智能手机，还是大型网络的服务器、超级计算机群，均属于物联网的重要组成部分，这也是很多学者将物联网称作新科技革命的原因。在S.Haller等业界权威学者的展望中，其认为物联网技术在未来将实现物理对象无缝集成到信息网络之中� 对于物联网来说，其具备着全面感知、可靠传递、智能处理三方面特点，而结合现有技术获得基本信息、结合传感器网络和其他通信网络实现物体信息可靠传递、在云计算与模糊识别等技术支持下处理海量异构数据则属于物联网三方面特点的具体表现，由此可见电子元器件、数据处理中心、传输通道三方面能够视作典型物联网应用的组成。
1.2云计算
云计算本质上属于一种基于互联网的新计算方式，其能够结合互联网异构、自治服务较好满足用户的计算需要，云计算中的“云”也能够被视作对IT底层基础设施的一种抽象概念。本文研究应用的Hodoop属于典型的云计算基础开发平台，其本质上属于一个分布式系统基础的架构，Hodoop在云计算领域的地位能够说近似于IT产业的Linux系统。Hodoop的核心为分布式文件系统HDFS和MapReduce，前者具备高容错性、高伸缩性等优点，这些就使得Hodoop的布置能够较为简单且低成本的构成分布式文件系统，而后者则具备保证分析和处理的高效性潜力，由此Hodoop即可简单进行数据的整合。总之，Hodoop这一云计算基础开发平台能够透过简单组织计算机资源实现分布式计算云平台搭建，并以此实现云计算相关功用。
1.3物联网数据挖掘需要解决的关键性问题
简单了解物联网与云计算后，物联网数据挖掘需要解决的关键性问题也应引起人们关注，那里的关键性问题主要由以下几方面构成：
1.3.1传统模式难以应用中央模式
属于较为传统的数据挖掘模式，但是物联网数据不同存储地点的特性则使得该模式的效用无从发挥。
1.3.2对中央节点硬件要求较高
物联网本身具备着数据规模、传感器节点庞大的特�
1.3.3节点资源有限
在有限的节点资源影响下，分布式节点务必负责原始数据的预处理与传递。
1.3.4外在因素影响
由于数据安全性、数据保密、法律约束等因素的影响，物联网不能够将所有数据统一存放在相同数据仓库，这同样对物联网数据挖掘提出了较高挑战。总的来说，现有技术与方式并不能较好满足物联网数据挖掘需要，这也是本文研究开展的原因所在。
2基于云计算的物联网数据挖掘
结合Hodoop云计算基础开发平台进行基础平台搭建，选取用物联网数据集为例，构成了物联网感知层、传输层、数据层、数据挖掘服务层四部分模块组成的平台，各模块的实现思路与功能如下所示。
2.1物联网感知层
物联网感知层主要负责物联网数据的采集，这一采集需要得到目标区域布置的采集节点支持，那里的采集节点主要由摄像头、传感器、其他仪器仪表组成，而由此构成的物联网感知层无线传感器网络，便能够将各采集点采集到的网络数据汇集至节点，数据由此进行汇总储存则能够在传输层的支持下最终传递至云平台的数据中心。
2.2传输层传输层
本质上属于具备较高可靠性与高速性、较优无缝性特点的数据传输网络，而基于Hodoop云计算基础开发平台构建的物联网挖掘系统则结合传感器网络、有线网络、无线网络实现了数据传输网络的构建，这就使得物联网感知层所搜集的信息能够更快、更好的传递到云计算数据中心，由此实现的更高质量互通互联，则保证了系统中监测设备的网络化高速数据传输得以实现。
2.3数据层
物联网数据具备着异构性、海量性等特点，这就使得基于Hodoop云计算基础开发平台的物联网数据挖掘系统对于物联网数据的存储与处理存在着较高要求，而在本文研究所构建的物联网数据挖掘系统数据层中，该数据层主要由数据源转换模块与分布式存储模块两部分组成，其中前者主要负责物联网异构数据的转换，而后者则主要负责分布式存储物联网所产生的海量数据，由此本文研究的物联网挖掘系统的性能和可行性便得到了较好证实。值得注意的是，分布式存储模块需要结合Hodoop云计算基础开发平台中的HDFS文件系统实现。物联网中的不同对象往往会透过不同的数据类型进行表示，这就使得异构性势必属于物联网的根本性特征，一些相同对象使用不同数据表示便较为直观说明了这一点，而这就使得物联网对数据源转换器有着较高需求。在本文构建的物联网数据挖掘系统中，数据源转换器在其中发挥着保护数据存储完整、保证数据挖掘科学顺利等功能，数据包解码、数据的分布式存储也需要得到该转化器的直接支持，这也是物联网数据挖掘系统中各NameNode节点文件类型为PML的原因。PML能够透过一种通用的方式进行物体描述，而作为基于XML建立的语言，PML在与XML相同核心思想的影响下，其便能够在物品的详细信息带给、物品信息交换等
领域发挥不俗的功能。例如，在本文研究所构建的物联网数据挖掘系统中，PML便在节点数据采集、传输、存储过程中发挥着建模功能，相关建模信息所收录的物体属性信息、位置信息、环境信息、历史元素等资料，便能够保证物品信息实现较高质量的表达，这对于物联网数据挖掘也将带来较为用心影响。
2.4数据挖掘服务层
数据挖掘服务层能够细分为数据准备模块、数据挖掘引擎模块、用户模块三部分，三部分模块的具体功用如下所示：
2.4.1数据准备模块
主要负责物联网搜集数据的清理、变换、数据规约。
2.4.2数据挖掘引擎模块
主要透过数据挖掘算法集、模式评估等功能为物联网数据挖掘系统带给服务，特征、区分、关联、聚类、局外者、趋势和演化分析、偏差分析、类似性分析等能够视作该模块功能的具体组成，这些功能的实现得益于数据挖掘引擎模块中的算法集，Hodoop云计算基础开发平台支持下实现的算法并行化处理则是该模块功能实现的基础。
2.4.3用户模块
实现对数据挖掘知识的可视化表示。用户模块是本文研究物联网数据挖掘平台面向使用人员的部分，因此在设计中笔者注重了系统操作的友好性，简单的数据挖掘任务开展、简单获得能够被理解知识均属于设计的优势所在。值得注意的是，为了保证本文研究的物联网数据挖掘系统具备较高的可移植性，设计人员在设计之初便为数据挖掘服务层底层模块设计了开放接口，由此该物联网数据挖掘系统的应用丰富性就能够得到较好保障，表1对本文研究的物联网数据挖掘系统组成进行了直观展示。
3实验验证
3.1物联网数据挖掘系统工作流程
基于Hodoop云计算基础开发平台的物联网数据挖掘系统工作流程能够概括为：“用户→主控节点→主控节点允许用户请求→主控节点调用数据挖掘算法→调用数据挖掘算法成功→准备物联网数据→分布式数据挖掘→将结果传递给用户”，而结合这一流程本文将围绕以下几部分开展具体的物联网数据挖掘系统工作流程描述，具体描述如下：
3.1.1用户请求
在用户请求物联网数据挖掘系统进行数据挖掘后，系统的主控节点将决定该任务是否能够进行，而在确定能够进行后系统将首先向用户传递能够进行的信息，并随后开始具体的数据挖掘。
3.1.2数据挖掘过程
在确定物联网数据挖掘系统能够进行数据挖掘后，系统的主控节点将有针对性的选取数据挖掘算法满足用户需要，并结合MapReduce思想与Master/Slave结构进行数据挖掘任务的划分。
3.1.3具体节点任务
在数据挖掘任务的划分下，需要完成具体工作的节点将被分配任务，由此物联网数据挖掘系统的具体数据处理便由此开展，同时JobTracker负责的调度和执行则将最后将数据挖掘结果传递给用户。
3.2实验验证
为了能够直观决定基于Hodoop云计算基础开发平台物联网数据挖掘系统可行性和性能水平，明晰MapReduce数据挖掘算法在系统中发挥的作用，本文选取了结合Apriori算法开展实验验证的方法，实验验证的环境、过程、结果如下所示。
3.2.1实验环境
实验选取了4G内存、500G硬盘、Windows7系统的计算机作为实验基础，并在该计算机中透过虚拟机安装部署了多个分布式节点，其中共3个虚拟机中的一个为NameNodeLinux系统，其余两个则为DateNodeLinux系统。为了保证实验质量与效率，笔者还在该计算机中安装了专门用于Linux系统的Eclipse7.5集成开发环境，在Windows系统中安装了SSHSecureShellClient、各个虚拟机操作系统中安装了SSH服务，由此即可保证本文研究的基于Hodoop云计算基础开发平台物联网数据挖掘系统的顺利使用。
3.2.2实验过程完成
实验环境的搭建后，本文选取了一组用于关联规则算法的实验数据，并将该数据透过C++代码编写的程序透过关键字搜索方式转换成立标准类型大小为1G的PML文件，在HDFS命令下该文件被放入Hadoop平台进行分布式存储，而在运行Java语言编写的Apriori算法后，即可得到物联网数据挖掘系统的运行结果，透过查看系统使用中是否找到了实验数据集中的所有频繁项集便能够直观决定其性能。值得注意的是，为了提升实验的有效性，本文选取了不同大小的文件开展实验，由此实现比较物联网数据挖掘系统运行时间更深入了解其性能。
3.2.3实验结果
表2对基于物联网数据挖掘系统的实验结果进行了直观展示，结合该表不难发现，文件大小的提升直接导致物联网数据挖掘系统运行时间的增长，这种增长存在典型的线性趋势，而由于应用Apriori算法的物联网数据挖掘系统实现了频繁项集的发现，本文研究的基于Hodoop云计算基础开发平台物联网数据挖掘系统的扩展性便得到了较为直观展现，其所具备的物联网海量数据挖掘潜力也得到了较好证实。
4结论
综上所述，云计算平台能够较好服务于物联网的数据挖掘。而在此基础上，本文研究所提出了完善性与科学性较高的基于Hodoop云计算基础开发平台物联网数据挖掘系统，便直观证明了全文的实践价值。因此，在相关领域的理论研究与实践探索中，本文资料便能够发挥必须参考作用。
参考文献
[1]汤勇峰。基于云计算平台的物联网数据挖掘研究[J].电脑知识与技术，，1307:218-219.
[2]陈俊丽。基于云计算平台的物联网数据挖掘研究[J].中国新通信，，1821:74-75.
[3]武桂云。基于hadoop平台的分布式数据挖掘系统研究与设计[D].天津大学，.
[4]林昕。基于云计算的大数据挖掘平台构建研究[J].山东工业技术，(17):104.
前言
近些年来，已经有越来越多的企业把通信、网络技术和计算机应用引入企业的日常管理工作和业务开发处理当中，企业的各类信息化程度也在不断提高。现代科技信息技术的广泛应用已经显著的提高了企业的工作效率和经济效益。但是，在使用信息技术给企业带来的方便、快捷的同时，也不断的出现了新的问题和需求。企业经过多年积累了大量的历史数据，这些数据对企业当前的日常经营活动几乎没有任何的使用价值，成了留之无用弃之可惜的累赘。而且储藏这些历史数据会对企业造成很大的困难和费用开销。为此数据挖掘技术应用在网络营销中势在必行，全面细致的分析数据库资源并从中提取有价值的信息来对商业决策进行支持，从而来控制运营成本、提高经济效益。本文将从网络营销中数据挖掘技术的几个应用进行探讨和分析。
客户关系管理
客户关系管理在网络营销，商业竞争是一家以客户为中心的竞技状态的客户，留住客户，扩大客户基础，建立密切的客户关系，客户需求分析和创造客户需求等，是非常关键的营销问题。客户关系管理，营销和信息技术领域是一个新概念，这在90年代初，软件产品在上世纪90年代后期出现的诞生。目前，在国内和国外的此类产品的研究和发展阶段。然而，继续与数据仓库和数据挖掘技术的进步和发展，客户关系管理，也是对实际应用阶段。CRM的目标是管理者与客户的互动，提升客户价值，提高客户满意度，提高客户的忠诚度，还发现，市场营销和销售渠道，然后寻找新客户，提高客户的利润贡献率的最终目的是为了推动社会和经济效益。客户关系管理的目的，应用是改善企业与客户的关系，它是企业和服务本质管理和协调，以满足客户的需求，企业政策支持这项工作，并联系客户服务加强管理，提高客户满意度和品牌忠诚度。
然而，数据挖掘可以应用到很多方面的CRM和不同阶段，包括以下内容：
（1）“一对一”营销的内部工作人员认识到，客户是在这个领域的企业，而不是贸易发展生存的关键。与每一个客户接触的过程，也是了解客户的进程，而且也让客户了解业务流程。
（2）企业与客户之间的销售应该是一种商业关系不断向前发展。客户和营销公司成立这种方式，而且有许多方法可以使这种与客户的关系，往往以改善包括：延长时间，客户关系和维护客户关系，以进一步加强相互交往过程中，公司可以在对方取得联系更多的利润。
（3）客户对客户盈利能力分析。我们的客户盈利能力是非常不同的，如果你不明白客户盈利能力，很难制定有效的营销策略，以获取最有价值的客户，或进一步提高客户的忠诚度的价值。数据挖掘技术可以用来预测客户在市场条件变化不同的盈利能力。它可以找到所有这些行为和使用模型来预测客户行为模式的客户交易盈利水平或新客户找到高利润。
（4）在所有部门维护客户关系的竞争日趋激烈，企业获得新客户的成本上升，因此，保持现有客户的关系变得越来越重要。对于企业客户可分为三大类：没有价值或者低价值的客户，不容易失去宝贵的客户，并不断寻找更多的优惠，更有价值的服务给客户。前两个类型的客户，客户关系管理，现代化，然而，最具潜力的市场活动，是第三个层次的用户，而且还特别需求和营销工具，以保护客户，可以减缓企业经营成本，而且还获得了宝贵的客户。数据挖掘还可以发现，由于客户流失，该公司能够满足这些客户的需要，采取适当措施，保持销售。
（5）客户访问企业业务系统资源，包括能够获得新客户的关键指标。为了提供这些新的资源，包括企业搜索客户谁不知道该产品的客户，可能是竞争对手，服务客户。这些细分客户，潜在客户可以帮助企业完成检查。
企业经营定位
通过挖掘客户的有关数据，可以对客户进行分类，找出其相同点和不同点， 例如，关联分析，客户在购买某种商品时，有可能会连带着购买其他的相关产品，这样购买的某种商品和连带购买的其他相关产品之间就存在着某种关联，企业可以针对这种关联进行分析，分析出规律，已制定有效的营销策略来长效的起到吸引客户连带消费，购买其他产品的营销策略。它能够智能化地从大量的数据中提取出有用的信息和知识，为企业的管理人员提供决策支持。数据挖掘技术使数据库技术进入了一个更高级的阶段，它不仅能对过去的数据进行查询和遍历，并且能够找出过去数据之间的潜在联系，从而促进信息的传递。
客户群体的划分也会用到数据挖掘，没有基于数据挖掘的客户划分，就没有真正的差异化、个性化营销，就没有现代营销的根本。做为企业的领导者，不管你的企业是卖产品的还是卖服务，第一个应该准确把握的商业问题就是你的目标客户群体，他们是谁，有什么特点和行为模式，有那些独特的喜好可 这些问题是你整个商业运做的核心和基础，不了解你的客户，下面的路就根本别指望能走下去了。数据挖掘营销应用中的客户群体划分可以科学有效的解决这个问题，也能给企业找到一个合理的营销定位。
客户信用风险控制
数据挖掘技术在90年代开始应用于信用评估与风险分析中。企业在进行网络营销的过程中会受到各种各样的来自买方的信用风险的威胁，随着市场竞争的加剧，贸易信用已� 客户信用管理主要是搜集储存客户信息，因为客户既是企业最大的财富来源，也是风险的主要来源。为了让企业在这方面更少的受到威胁，可以利用数据挖掘技术发现企业经常面临的诈骗行为或延付货款行为，进而进行回避。同时尽可能把客户信用风险控制在交易发生之前是成功信用管理的根本。因此，充分获取客户的详细资料并做出安全的决策非常重要。
客户信用风险管理应用数据挖掘技术的优势：
（1）数据挖掘技术，自动总结相对简单的评估模型，数据挖掘应用程序的形式被广泛用于学习技术，它可以自动完成统计归纳和推理机实现的任务数量，系统用户无法理解模型详情及有关统计知识的情况下，它可以很容易地得出结论。这种评价模型在实际应用中降低了成本；
（2）数据挖掘技术更适合描述的财务指标和信贷上的信用评价模型指标为基础的传统方法，非线性特性的情况基本上是线性的基础上适当的方法和实际应用，企业信用状况和财务指标常表现出非线性特性，但在体重指标体系和分配方法来描述这些困难的非线性关系，实现了数据挖掘应用，其中不少是在非线性系统为基础，尤其描述了合适的非线性特性；
（3）数据挖掘技术也可以适应各种形式的数据，数据挖掘可以是连续的数据，离散数据，而其他形式的数据处理，以便在更大的灵活性，在选择指标时，更加符合客观实际的信用风险模型。
（4）数据挖掘技术是优于修正的噪音数据，对那些在特殊阶段或数据的完整性，市场条件可能不准确，有可能是虚假的数据。由数据挖掘的方法可以修改一些在一定程度上，从而提高了模型的准确性进行评估；
（5）数据挖掘在不完全信息的情况下也可以计算，计算信贷风险往往会遇到德国不完整的信息问题，一些指标只能在一个范围的估计。通过粗糙集数据挖掘或分类树方法，可以优化性能的范围，以获取该指标更准确的估计；
为现代信用风险管理方法有两个：第一是所谓的指数法，其基础是信用相关业务的某些特性来企业信用评估；第二类是所谓的结构化方法，根据历史数据和市场数据模拟在企业资产价值变化的动态持续的过程，然后确定其企业信用的位置。
在网络营销中进行数据挖掘的优势
网络营销作为适应网络经济时代的网络虚拟市场的新营销理论，是市场营销理念在新时期的发展和应用。它能够智能化地从大量的数据中提取出有用的信息和知识，为企业的管理人员提供决策支持。数据挖掘技术使数据库技术进入了一个更高级的阶段，它不仅能对过去的数据进行查询和遍历，并且能够找出过去数据之间的潜在联系，从而促进信息的传递。
1．维护原有客户，挖掘潜在新客户
网络营销中销售商可以通过客户的访问记录来挖掘出客户的潜在信息，跟据客户的兴趣与需求向客户有针对性的做个性化的推荐，制定出客户满意的产品服务。在做好维护原有老客户的基础上，通过对数据的挖掘，利用分类技术，也可以寻找出潜在的客户，通过对web日志的挖掘，可以对已经存在的访问者进行分类，根据这种精细的分类，还可以找到潜在的新客户。
2．制定营销策略，优化促销活动
对于保留的商品访问记录和销售记录进行挖掘，可以发现客户的访问规律，了解客户消费的生命周期，起伏规律，结合市场形势的变化，针对不同的商品和客户群制定不同的营销策略，保证促销活动针对客户群有的放矢，收到意想不到的效果。
3．降低运营成本，提高竞争力
网络营销的管理者可以通过数据挖掘发现市场反馈的可靠信息，预测客户未来的购买行为，有针对性的进行营销活动，还可以根据产品访问者的浏览习惯来觉定产品广告的位置，使广告有针对性的起到宣传的效果。从而提高广告的投资回报率，从而能降低运营成本，提高且的核心竞争力。
4．对客户进行个性化推荐
根据客户采矿活动对网络规则，有针对性的网络营销平台，提供“个性化”服务。个性化服务是在服务策略和服务内容的不同客户的不同，其本质是客户为中心的Web服务的需求。它通过收集和分析客户资料，以了解客户的利益和购买行为，然后采取主动，以达到建议的服务。
5．完善网络营销网站的设计
网站的建设者可以根据对客户交易行为的记录和反馈的情况对站点做出改进，站点的设计者可以根据这些信息进一步优化网站结构，站点导航等功能来提高站点的点击率，为客户提供更为方便的浏览方式。利用关联规则，
参考文献
1冯英健著，《网络营销基础与实践》,清华大学出版社，20xx年1月第1版
2 U.M.Fayyad. P.Smyt,and. G.Piatetsky-Shairo h,R.Uthurusamy.Advances in Knowledge discovery and data mining. AAAI/MIT Press,Menlo Park,CA.1996:
10刘书香，卢才武，张志霞。数据挖掘中的客户聚类分析及其算法实现信息技术20xx(1):5~8
网络的发展带动了电子商务市场的繁华，大量的商品、信息在现有的网络平台上患上以交易，大大简化了传统的交易方式，节俭了时间，提高了效力，但电子市场繁华违后暗藏的问题，同�
数据发掘（Data Mining）就是从大量的、不完整的、有噪声的、隐约的、随机的原始数据中，提取隐含在其中的、人们事前不知道的、但又是潜伏有用的信息以及知识的进程。或者者说是从数据库中发现有用的知识（KDD），并进行数据分析、数据融会（Data Fusion）和决策支撑的进程。数据发掘是1门广义的交叉学科，它汇聚了不同领域的钻研者，特别是数据库、人工智能、数理统计、可视化、并行计算等方面的学者以及工程技术人员。
数据发掘技术在电子商务的利用
一 找到潜伏客户
在对于 Web 的客户走访信息的发掘中， 应用分类技术可以在Internet 上找到未来的潜伏客户。使用者可以先对于已经经存在的走访者依据其行动进行分类，并依此分析老客户的1些公共属性， 抉择他们分类的症结属性及互相间瓜葛。对于于1个新的走访者， 通过在Web 上的分类发现， 辨认出这个客户与已经经分类的老客户的1些公共的描写， 从而对于这个新客户进行正确的分类。然后从它的分类判断这个新客户是有益可图的客户群仍是无利可图的客户群，抉择是不是要把这个新客户作为潜伏的客户来对于待。客户的类型肯定后， 可以对于客户动态地展现 Web 页面， 页面的内容取决于客户与销售商提供的产品以及服务之间的关联。若为潜伏客户， 就能够向这个客户展现1些特殊的、个性化的页面内容。
二 实现客户驻留
在电子商务中， 传统客户与销售商之间的空间距离已经经不存在， 在 Internet 上， 每一1个销售商对于于客户来讲都是1样的， 那末使客户在自己的销售站点上驻留更长的时间， 对于销售商来讲则是1个挑战。为了使客户在自己的网站上驻留更长的时间， 就应当全面掌握客户的阅读行动， 知道客户的兴致及需求所在， 并依据需求动态地向客户做页面举荐， 调剂 Web 页面， 提供独有的1些商品信息以及广告， 以使客户满意， 从而延长客户在自己的网站上的驻留的时间。
三 改良站点的设计
数据发掘技术可提高站点的效力， Web 设计者再也不完整依托专家的定性指点来设计网站， 而是依据走访者的信息特征来修改以及设计网站结构以及外观。站点上页面内容的支配以及连接就如超级市场中物品的货架左右1样， 把拥有必定支撑度以及信任度的相干联的物品摆放在1起有助于销售。网站尽量做到让客户等闲地走访到想走访的页面， 给客户留下好的印象， 增添下次走访的机率。
四 进行市场预测
通过 Web 数据发掘， 企业可以分析顾客的将来行动， 容易评测市场投资回报率， 患上到可靠的市场反馈信息。不但大大降低公司的运营本钱， 而且便于经营决策的制订。
数据发掘在利用中面临的问题
一数据发掘分析变量的选择
数据发掘的基本问题就在于数据的数量以及维数，数据结构显的无比繁杂，数据分析变量即是在数据发掘中技术利用中发生的，选择适合的分析变量，将提高数据发掘的效力，尤其合用于电子商务中大量商品和用户信息的处理。
针对于这1问题，咱们完整可以用分类的法子，分析出不同信息的属性和呈现频率进而抽象出变量，运用到所选模型中，进行分析。
二数据抽取的法子的选择
数据抽取的目的是对于数据进行浓缩，给出它的紧凑描写，如乞降值、平均值、方差值、等统计值、或者者用直方图、饼状图等图形方式表示，更主要的是他从数据泛化的角度来讨论数据总结。数据泛化是1种把最原始、最基本的信息数据从低层次抽象到高层次上的进程。可采取多维数据分析法子以及面向属性的归纳法子。
在电子商务流动中，采取维数据分析法子进行数据抽取，他针对于的是电子商务流动中的客户数据仓库。在数据分析中时常要用到诸如乞降、共计、平均、最大、最小等汇集操作，这种操作的计算量尤其大，可把汇集操作结果预先计算并存储起来，以便用于决策支撑系统使用
三数据趋势的。预测
数据是海量的，那末数据中就会隐含必定的变化趋势，在电子商务中对于数据趋势的预测尤为首要，尤其是对于客户信息和商品信息公道的预测，有益于企业有效的决策，取得更多地利润。但如何对于这1趋势做出公道的预测，现在尚无统1标准可寻，而且在进行数据发掘进程中大量数据构成文本后格式的非标准化，也给数据的有效发掘带来了难题。
针对于这1问题的发生，咱们在电子商务中可以利用聚类分析的法子，把拥有类似阅读模式的用户集中起来，对于其进行详细的分析，从而提供更合适、更令用户满意的服务。聚类分析法子的优势在于便于用户在查看日志时对于商品及客户信息有全面及清晰的把握，便于开发以及执行未来的市场战略，包含自动给1个特定的顾客聚类发送销售邮件，为1个顾客聚类动态地扭转1个特殊的站点等，这不管对于客户以及销售商来讲都是成心义。
四数据模型的可靠性
数据模型包含概念数据模型、逻辑数据模型、物理模型。数据发掘的模型目前也有多种，包含采集模型、处理模型及其他模型，但不管哪一种模型都不是很成熟存在缺点，对于数据模型不同采取不同的方式利用。可能发生不同的结果，乃至差异很大，因而这就触及到数据可靠性的问题。数据的可靠性对于于电子商务来讲尤为首要作用。
针对于这1问题，咱们要保障数据在发掘进程中的可靠性，保证它的准确性与实时性，进而使其在最后的结果中的准确度到达最高，同时在利用模型进程中要尽可能全面的分析问题，防止片面，而且分析结果要由多人进行评价，从而最大限度的保证数据的可靠性。
五数据发掘触及到数据的私有性以及安全性
大量的数据存在着私有性与安全性的问题，尤其是电子商务中的各种信息，这就给数据发掘�
为此相干人员在进行数据发掘进程中必定要遵照职业道德，保障信息的秘要性。
六数据发掘结果的不肯定性
数据发掘结果拥有不肯定性的特征，由于发掘的目的不同所以最后发掘的结果自然也会千差万别，以因而这就需要咱们与所要发掘的目的相结合，做出公道判断，患上出企业所需要的信息，便于企业的决策选择。进而到达提高企业经济效益，取得更多利润的目的。
数据发掘可以发现1些潜伏的用户，对于于电子商务来讲是1个不可或者缺的技术支撑，数据发掘的胜利请求使用者对于指望解决问题的领域有深入的了解，数据发掘技术在必定程度上解决了电子商务信息不能有效应用的问题，但它在运用进程中呈现的问题也亟待人们去解决。相信数据发掘技术的改良将推动电子商务的深刻发展。
参考文献：
[一]胡迎松，宁海霞。 1种新型的Web发掘数据采集模型[J]。计算机工程与科学，二00七
[二] 章寒雁，杨瑞珍。数据发掘技术在电子商务中的钻研与利用[J]。计算机与网络，二00七
[三]董德民。 面向电子商务的Web使用发掘及其利用钻研[J]。中国管理信息化，二00六
[四] 尹中强。电子商务中的 Web 数据发掘技术利用[J]。计算机与信息技术，二00七
摘要：随着我国社会经济的不断发展，人力资源管理也受到越来越多人们的重视，然而在如今激烈的市场竞争下很多企业依然不重视人力资源管理，从而使得自身的整体工作效率不高。为此，笔者认为为了提高矿建人力资源管理的质量，应采取数据挖掘技术来开展工作，从而让整个企业在激烈的市场竞争中稳定、长久发展下去。
关键词：数据挖掘技术；企业人力资源管理；应用
1、数据挖掘技术在企业人力资源管理中应用的现状
随着我国人力资源管理体系的不断发展，隐藏在管理工作中的问题也被逐渐显露出来，虽然很多企业的高层管理者对人力资源管理这块已经高度重视，但是企业往往是希望通过运用相关的系统来对人才进行管理，基于我国社会整体经济实力的不断发展以及互联网信息时代的到来，数据挖掘技术也受到越来越多的企业多关注，并纷纷采用该技术对自身人力资源进行管理，同时也将人力资源管理系统作为整个信息化建设过程中的核心部位，就数据调查显示，数据挖掘技术已经被国外很多软件开放式引入自身的人力资源管理工作中，并使自身内部逐步形成了一套完整的人力资源管理系统体系。除此之外，数据挖掘技术也被广泛应用在企业的基本人力资源档案管理工作中，随着信息技术时代的到来，以往传统的计算机管理模式对人力资源管理效率往往并不高，为此，数据挖掘技术对企业人力资管理工作是百利而无一害的。
2、数据挖掘技术在企业人力资源管理中的应用
2、1人才的招聘
任何企业在发展过程中都是离不开新鲜血液注入的，随着目前我国市场经济竞争趋势的不断增长，企业要想稳固发展必须要引入人力资源管理，只有这样才能提高企业经济效益以及社会收益。为此，企业应对人才进行招聘，这也是获取人力资源的重要手段，通过采用数据挖掘技术来吸引社会中的各类人才，并采取有效的人才管理流程来对人才进行筛选，最终选择质量最佳的人才资源。与此同时，企业对人才招聘质量的优与良对自身内部的员工、人类资源也会造成一定的影响，换句话来讲，人才的招聘往往是企业人力资源管理工作开展的前期阶段，然而在实际人才招聘过程中很多企业总是找不到合适的人选，同时也有大量的优质人才也很难找的适合自身的工作，这也就加大了企业人才招聘的难度，也进一步加大了招聘的成本，为此，企业采取数据挖掘技术可以有效降低人才招聘的成本支出，从而使自身获得更大的经济收益与社会利益。
2、2对人才的管理
随着社会对人才需求量的不断增加，企业对员工的数据记录和管理方式也逐步优化，然而在很多企业人力资源管理过程中仍然存在着诸多问题，而这些问题的存在对企业未来发展也产生阻碍作用。为了企业在未来发展道路上稳固、长久发展，应采取数据挖掘技术来对人才进行管理，以往传统的管理模式往往是对员工的基本信息以及日常考核进行管理，这种管理方式已经不适应现在时代发展的趋势，为此，矿建企业必要顺应当下时代的发展趋势来采取有效的措施来对人力资源进行管理，现代化的管理模式主要强调的是对相关数据的分析和整理能力，通过对数据的分析来形成具有实际指导作用的总结， 例如，在实际人力资源管理过程中可以利用数据挖掘技术来对企业内部员工的薪资水平进行分析，并对企业的成本控制提出有效的建议，也可以利用数据挖掘技术对企业中年纪较大的员工进行分析，并对其进行科学的评判，从而对其提出更有利的参考价值和依据。
2、3实现对企业人才的合理分配
随着我国社会经济的不断发展，人才的发展形势也变得越来越“多元化”“个体化”。为此，笔者认为为了进一步提高矿建企业人力资源管理工作的质量，应采取数据挖掘技术来对人才进行合理分配，并结合内部员工的实际特点以及具体类型进行客观性的评判，这对企业的人才资源管理以及未来发展无疑是百利无一害的。通过采取数据挖掘技术不仅可以实现对员工的共性以及特点进行分析，使每一位员工的信息资源、岗位职责得到有效划分，同时也进一步实现对企业人才的合理分配。通过对数据信息的管理技术构建实现对人员分组，从而使数据挖掘技术在企业人力资源管理中得到有效利用，使其发挥最大的作用与价值，同时也进一步提高企业人力资源管理工作的效率和和质量，最终推动企业稳固、长久的发展。
3、结语
综上所述，随着社会经济的飞速发展，建设领域也得到逐步提高，然而在人力资源管理工作中依然存在着诸多问题，这些问题的存在也严重阻碍我国社会经济的稳固发展。所以，只有充分采用数据挖掘技术来开展人力资源管理工作，才能提高企业的人力资源管理水平。
参考文献：
［1］曾巍、数据挖掘在人力资源市场中的应用与研究［D］。吉林大学，20xx
［2］赖华强，王三银，仲崇高、人力资源管理领域的数据挖掘应用展望———以基于灰色关联模型的离职管理实证分析为例［J］。江苏商论。20xx（08）：42—47
［3］马秦，张江、数据挖掘技术在企业人力资源管理中应用的研究［J］。中国新通信，20xx.20（15）：232
［4］孙明标、基于大数据挖掘技术下的企业人力资源管理研究［J］。现代营销（下旬刊）。20xx（01）：166
计算机技术的不断发展，信息技术不断加强，在社会新的发展趋势下，以往的传统管理模式落后于现代化发展的管理水平。为了创新档案管理的模式，提高档案管理的质量，在现代档案信息管理系统中引入数据挖掘技术。
1、信息挖掘技术
1.1数据挖掘技术概述
数据挖掘技术是一种基于统计学、人工智能等等技术基础上，能够自动分析原有数据，从而做出归纳整理，并对其潜在的模式进行挖掘的决策支持过程，简单来说就是从一系列复杂的数据中提取人们需要的潜在性信息。
1.2数据挖掘技术的方法
二十世纪末，计算机挖掘技术产生。其一般用到的方法有：
（1）孤立点分析。孤立点分析法主要用于对于特殊信息的挖掘。
（2）聚类分析。聚类分析方法是在指定的对象中，对其价值联系进行搜索。
（3）分类分析。分类分析就是找出具有一定特点的数据，对需要解读的数据进行识别。
（4）关联性分析。关联性分析方法是对指定数据中出现频繁的数据进行挖掘。
（5）序列分析。与关联性分析法一样，由数据之间内在的联系得出潜在的关联。
1.3计算机挖掘技术的形式分析
计算机挖掘技术在使用过程中，收集到的数据不同，数据收集的方法也就不同。在对数据挖掘技术进行形式分析的时候，主要用到：分类形式、粗糙集形式、相关规则形式。
2、计算机数据挖掘技术在档案信息管理
系统中的应用计算机挖掘技术，能够将隐藏的信息挖掘出来并进行总结和利用，运用到档案管理中来，在充分发挥挖掘技术作用的同时，极大的提高了档案数据的利用价值。数据挖掘技术在档案管理系统中，一般用到的方法为：
2.1收集法
该方法在对数据库中的数据进行分析的基础上，建立对已知数据详细描述的概念模型。然后将每个测试的样本与此模型进行比较，若有一个模型在测试中被认可，就可以以此模型对管理的对象分类。例如，档案管理员就某事向客户进行问卷调查并将答案输入到数据库中。在该数据库中，对客户的回答进行具体属性描述，当有新的回答内容输入的时候，系统会自动对该客户需求分类，在减轻管理员工作压力的同时，提高了档案管理的效率。
2.2保留法
该方法是防止老客户档案丢失并将客户留住的过程。对于任何一个企业来说，发展一个新的客户的成本要远远高于留住一个来客户的成本。在客户保留的过程中，对客户档案流失原因的分析至关重要，因此，采用挖掘技术对其进行分析是必要的。
2.3分类法
通过计算机挖掘技术对档案进行分类，按照不同的性质进行系统的划分，将所有相似或相通的档案进行整理，在人们需要的时候，能够快速的被提取出来，提高了检索的效率和分类的专业性。
3、档案管理引入计算机挖掘技术的必要性
计算机挖掘技术的应用，对档案管理方式的不断完善有着极其重要的意义，其重要性主要体现在：
3.1对档案的保护更全面
一部分具有历史意义的档案，随着保存的时间不断增加，其年代感加强，意义和价值增大。相应的，利用的频率会随着利用的价值增加，也更容易被损坏从而导致档案信息寿命折损，此外，管理不当造成泄密，使档案失去了原本的利用价值，这种存在于档案管理和利用之间的矛盾，使得档案管理面临着巨大的难题。挖掘技术的运用，缓解了这种矛盾，在档案管理工作中具有重要的意义。
3.2提升档案管理的质量
在档案信息管理系统中引入计算机挖掘技术，使得档案信息管理打破了传统的模式，通过挖掘技术，对管理的模式有了极大的创新，工作人员以往繁重的工作压力得到释放，时间和精力更加丰富，在对档案管理的细节方面也就更加注意，同时也加快了对档案的数据信息进行处理的速度，提升档案管理的整体质量。
4、结语
综上所述，计算机数据挖掘技术涉及的内容很广，对挖掘技术的运用，使得各行各业的发展水平得到了很大的提高，推动社会经济的发展，带动社会发展模式的创新。在档案管理中使用计算机挖掘技术，使得档案信息保存的方法及安全性有了很大的提高。同时，也需要档案信息管理人员在进行档案信息管理的时候，能合理利用计算机信息挖掘技术，在提高工作效率的同时，促进管理模式的不断创新，以适应时代发展的要求。