一、一个数据挖掘工具的设计与实现（论文文献综述）
董鹏程[1]（2020）在《基于数据挖掘技术的数据服务辅助系统的设计与实现》文中认为随着大数据主要技术的发展,以“金税三期”为背景的大数据云平台已建设完成。税收现代化下的治税已从以应用为中心向以数据为中心转变,常见的税收数据应用有税收监控类,纳税分析类和查询分析类等,其中,查询分析类的应用多为基础数据简单的查询统计,而税务人员需要以更快,更便捷的方法来对大量的税务数据进行提取、分析和挖掘其潜在的信息。目前,随着“金税三期”工程的开展,税务数据也从原来的Oracle数据库,迁移到云端数据库中,数据的使用也因为大数据云平台的建设而更方便。如何利用这些数据信息,进而提取有重要价值的模型,并通过模型来分析,有十分重要的意义。在大数据云平台上对税收的各个领域建设完成多个应用,而税务数据的查询统计分析在决策国民经济发展中同样有重要应用。在数据服务工作中,更注重对数据的本地分析,需要独立的系统来支持数据服务工作的进行。本文以数据挖掘技术为核心,首先分析常用的数据挖方法的原理,如分类和聚类,关联规则,通过文献的研究,进行相关算法的优选,同时,将文献中的优化理论,实际应用到算法的实现中,并对实现的理论进行对比分析。其次,数据挖掘的过程离不开数据的预处理,税务数据在大数据云平台中,已有过数据清洗,但是在应用到数据挖掘时,仍需要数据处理。本文结合金税三期的数据质量检查指标,提出了数据预处理的规则,并结合云平台的语法,给出不同规则下的数据清洗ODPS SQL语句。最后,通过调研相关的平台和系统,结合实际的工作环境,设计和实现了基于数据挖掘的数据服务辅助系统。在此项目中,数据挖掘方法中算法的实现和数据挖掘模块的设计是重点,此项目适合数据开发人员在大数据云平台的应用中使用。实际的应用结果显示,本文实现的系统能有有效切快速的对数据进行挖掘。帮助税务人员对税务数据做出分析、判断和推测。
高建平[2]（2020）在《高校一卡通系统数据分析的设计与实现》文中研究表明一卡通系统在高校的应用范围越来越广,一卡通所到之处无不产生数据,每天产生的数据量可达10万余条,由此日积月累产生的数据量更是庞大,这些数据真实地描述了学生的日常生活和消费习惯,毫无疑问这些数据的背后蕴藏着有价值的信息。面向校园数据的分析和挖掘,对于及时把握学情,有效正确地引导学生的学习生活,提升高校管理水平具有重要意义。本文利用来自S高校提供的数据,在高校一卡通系统的基础之上,基于实际业务需求及一卡通相关业务,深入研究了数据多维分析技术、数据可视化技术及数据挖掘技术,最终完成了高校一卡通系统数据分析的设计与实现,为高校一卡通的数据挖掘工作进行了初步的探索和分析,也为今后建立一个决策支持系统做准备。本文贡献如下:（1）根据在一卡通管理平台和制卡中心专业实习体验和对智慧校园的建设需求,设计了分析架构,提出了分析的主题和设计了消费行为多维分析模型与图书馆访问多维数据模型,并基于SQL Server实现多维分析,包括数据ETL,设计访问控制和多维集的切片旋转等。通过可视化观察发现了行为模式;（2）设计并实现了聚类数据挖掘模型。通过聚类发现可根据学生的消费习惯从而将学生划分为五类:一般、高消费、“宅”、学霸、体弱。发现了不就餐不洗浴的同学往往经常去医务室、研究生群体偏体弱等模式;（3）设计了关联规则数据挖掘模型,并利用Microsoft关联规则算法实现餐厅窗口搭配推荐及窗口合并的建议;设计了学生日活动行为序列聚类挖掘模型,通过Microsoft序列聚类分析算法实现学生行为序列的挖掘,发现了规律的饮食人群普遍不会去医务室等学生行为序列模式。
刘芳[3]（2020）在《基于Web的数据挖掘可视化平台研究与实现》文中提出在科学技术引领的大数据时代背景下,海量的数据给各领域都带来了数据分析的需求,并且数据挖掘的技术门槛、工作量、工作繁琐程度也日益提高。基于上述需求,许多企业将可视化技术与数据挖掘技术相结合,将数据挖掘过程与结果以直观的形式展示给用户,提高数据挖掘工作的效率、准确性和有效性。但是目前已有的数据挖掘可视化平台还存在以下缺点:1)数据挖掘模型执行流程未结合系统底层计算框架的工作流程与任务调度逻辑,计算性能利用率有待提高;2)缺乏对数据挖掘工作完整生命周期的考虑,对数据挖掘建模工作的难度、繁琐程度和重复度优化不足;3)缺乏数据挖掘完整流程的工作报告,未能对数据挖掘工作的总结学习,优化提升提供有效途径。针对上述缺点,本文的研究内容如下:1)结合分布式数据挖掘框架Spark的工作流程,设计并实现数据挖掘流水线模型的执行流程。该流程为系统提供基础的数据挖掘算法,基于分布式框架的任务调度逻辑为流水线模型提供模型翻译技术和模型执行流程。2)结合数据挖掘完整生命周期,设计并实现数据挖掘可视化系统。该系统支持用户拖拽式构建数据挖掘流水线模型,提供各类数据挖掘算法WebAPI、配置模块以及可视化的执行结果与日志模块,为数据挖掘完整流程提供可视化工作环境。3)设计与实现数据挖掘可视化报告子系统,该系统基于组件化设计,根据数据挖掘算子数据类型,为用户提供多种算子报告模板,支持用户结合系统报告模板,选择数据挖掘项目的模型数据和结果数据,自主编辑生成数据挖掘报告。基于以上研究内容,本文设计与实现了基于Web的数据挖掘可视化平台。该平台基于Spark分布式框架为用户提供高效的数据挖掘计算能力,提供拖拽式的流水线建模方式,将用户高度接入数据挖掘过程中,提供自主编辑与系统模板相结合的数据挖掘报告生成功能,将数据挖掘的完整生命周期以高度可视化的方式呈现给用户。该可视化平台对于提升数据挖掘性能,降低数据挖掘工作难度、复杂度和重复度,降低数据挖掘学习难度有极大意义。
王爱军[4]（2018）在《基于数据挖掘技术的经济责任审计的研究》文中指出随着计算机技术的日益普及,会计电算化和业务数据电子化在许多单位得到了广泛应用。对被审计单位财务数据和业务数据开展审查是日常审计工作的基础,随着数据信息化时代的到来,审计机关越来越重视对数据的甄选,如何从这些海量数据中找出真正有价值的东西,为审计人员提供发现问题的线索和依据,成为目前许多审计机关和审计人员迫切需要解决的问题。对审计办公系统进行研究,并采用数据挖掘技术对传统的审计分层抽样进行技术改进,具有较强的研究意义。本论文研究内容大致为:介绍了数据挖掘这一概念,对其现状进行了较为详细的介绍,以数据挖掘的审计有关内容作为本文基础,对审计抽样系统的应用状况给予了充分的描述,并且阐述了审计抽样系统进行深入研究的意义。然后详细介绍了审计抽样系统进行开发的有关技术,包括了聚类以及关联规则这两种技术,并阐述了审计抽样所普遍采用的数据挖掘技术,以及该技术对审计抽样工作产生了怎样的影响。以审计办公系统在数据挖掘的实践行为活动中,对数据挖掘的流程上给予研究,从而对在之前审计中的数据挖掘的方法给予升级,使得审计变得相对的简练,并且在准确性方面还得到相应的提高。本论文选取了关联分析模型,深入分析了被审计单位的抽样数据,进而确定了其风险较高的审计项目,从而便于审计人员在审计工作中进行重点审计的筛查和选取,最终提升审计工作质量。
李娇娇[5]（2019）在《基于工作流和数据挖掘的高校图书馆管理系统的设计与实现》文中指出顺应信息时代大趋势,信息管理系统在各行各业被迅速建立和推广起来,高校图书馆也不例外,曾经图书馆管理严重依赖人工,通过用纸笔来进行记录和管理,繁琐且低效,信息系统的建立可以有效地解决这些问题。然而与普通的信息系统相比,图书管理系统要为广大师生提供图书借阅,信息查询等服务,逻辑业务更大,对效率要求更高,现有的系统大多照搬已有的信息管理系统模式,无法满足广大师生的借阅需求。以此为背景,本文拟对传统图书管理系统进行改进,首先通过阅读相关文献对国内外研究现状进行讨论,进而介绍了图书馆设计开发涉及到的相关技术,其后介绍了本文所引入的基于工作流模型的图书馆设计方案和出基于数据挖掘的图书个性推荐模块设计方案,最后阐述了基于以上两方面的图书馆系统设计与实现过程。本文的主要工作内容如下:（1）提出基于工作流模型的图书馆管理系统设计方案针对图书馆系统流程和规则较为复杂的特点,本文引入工作流的模型,从读者和管理员等参与者角度出发,设计图书馆书籍,借阅,用户管理的自动化处理,规范图书管理系统中业务流程,提高图书馆管理系统的运行效率。首先对工作流技术进行介绍和总结,进而针对图书馆管理的特点,分析并设计了基于工作流的图书管理系统的体系结构,最后给出图书馆管理工作流的参考模型。（2）提出基于数据挖掘的图书个性推荐模块设计方案传统的图书馆系统还停留在被动地为读者用户提供信息服务的层面,为了进一步提高图书馆的服务质量,体现以读者为中心的人文关怀理念,本文引入了数据挖掘的方法,采用协同过滤算法,从图书馆数据库系统中提取相关信息,以用户借阅的相关记录以及与之记录与之类似的读者的阅读书目为依据,对读者的兴趣和特征进行分析,挖掘出读者可能感兴趣的书籍进行推荐,从而使图书馆完成由被动提供服务向主动推送服务的角色的转变。（3）设计并实现基于工作流和数据挖掘的图书馆系统在具体实施过程中本文运用软件工程的相关思想,进行需求分析和详细设计,对图书馆的业务逻辑进行建模,通过定义工作流,完成图书馆管理事务中的一系列流程;接着运用ASP.NET应用开发框架,设计并实现基于B/S构架的高校图书馆管理系统,同时将基于协同过滤的个性化图书推荐子系统集成入系统;在完成系统的编码部署后还对系统进行了详尽的测试,测试结果表明,本系统运行良好,具有较好的可用性。最终以期实现图书馆的数字化,智能化管理。
何枋键[6]（2019）在《一种分布式环境下的时空数据存储与多维混合索引方法》文中研究说明随着空间信息服务逐渐向时空大数据服务转变,时空数据质量及时效性得到保障,时空大数据的高效查询与挖掘分析为复杂场景提供决策响应支持。当前时空数据管理方法结合大数据框架初步解决了数据规模问题,但整体研究尚未充分考虑扩展数据库存储模式、索引方式单一且通用性不强。本研究结合分布式存储技术与多维时空混合索引方法,旨在建立高效可扩的时空数据高效存储与时空索引优化方法,在此基础上构建高效存取的综合方案,支撑时空数据相关应用。研究具体如下:（1）在分布式计算相关技术架构和数据存储特性基础上,分析时空数据特点及其在分布式环境下实现高效存储与并行处理技术的关键问题。构建基于HBase的分布式时空数据存储组织模型,降低时空数据结构与索引之间的耦合,结合数据分布特征与分层分块的逻辑组织,设计一种多表、多索引混合管理的数据存储模式,为时空数据的高效查询提供高可用的数据存储结构基础。（2）基于大数据技术架构特点,结合时空数据整体的时空聚集性、全时态等特点,分析了时空索引基于多维空间索引设计的可行性。本文基于S2-Geometry算法在地理空间的编码与运算能力,构建通用化层次格网管理时空对象,引入CompactHilbertIndex算法集成时间信息优化时空混合索引值生成方法。索引方法应用于数据表结构设计并通过分片序列解析优化时空范围查询方法,形成面向分布式环境下的时空索引整体设计方案。最后,通过时空大数据挖掘原型系统的构建以及时空索引构建效率与查询性能的对比实验,证明了本文关键技术研究的可行性和有效性。本文关键技术研究已应用于宁波市时空信息云平台中,实践表明,该方案能够满足大规模时空数据的高效管理、实时检索与并行计算等需求,进而在智慧城市挖掘场景中完成计算任务,并具有良好的扩展性,为其他海量数据管理模式提供了借鉴。
张骁妹[7]（2019）在《学生科学素养评测数据的可视化挖掘研究》文中研究指明目前国际上普遍认为,科学素养是指运用科学知识,确定问题和做出具有证据的结论,以便对自然世界和通过人类活动对自然世界的改变进行理解和作出决定的能力。科学素养（Scientific Literacy）作为国际科学教育的一个基本目标,是现阶段科学教育改革中普及科学知识及提升教育质量两大目标的前提和基础。而对科学素养的研究,离不开对科学素养水平的评估。学生科学素养水平的评估与培养,对各个国家的长期发展和民族素质的提高有着根本的意义。国内科学教育研究领域的专家将信息技术、网络技术和传感器技术等相结合构建评测方案,构建相应的科学素养评测云平台并且该平台已经被投入到了初步的实际评测工作当中。但随着科学素养评测研究的不断深入,采集数据的规模在不断增大。如何更好地解读评测数据,使该领域的研究者、教师和家庭更快速地获取数据背后隐含的价值,就需要考虑引入新的技术和方法。本研究将数据挖掘与数据可视化技术应用到科学素养评测成绩分析中,得到了基于模糊聚类算法的成绩评级结果以及t基于关联规则算法的科学素养评测各维度之间的关系。在数据可视化上,基于前端技术,设计并实现数据可视化平台,使用了环图,雷达图,散点图等多种图表形式,同时与可视化的各方面特性进行结合,从评测数据各个属性值中观察其中的规律,从规律中得到有价值的信息,并将用于成绩评级的模糊C均值聚类算法嵌入平台中,方便之后的成绩评定工作。
胡夏禹[8]（2019）在《基于数据挖掘的公交智能预报站系统的分析与设计》文中提出智能公交预报站系统可以结合先进的通信技术、全球定位技术与地理信息技术等,并结合公交车辆运动特征的分析,对公交车辆的大致到站时间进行预测,达到对公交车辆实时的有效调度管控,从而提高公交系统的运行效率,降低维护的成本。而我国大部分地区的公交智能预报站系统仍然较为落后,车辆的到站预报信息准确性较低、实时性较差,严重影响了公交系统的运行效率,影响人们的日常生活,给出行带来了极大的不便。如何提高预报的准确性,指导乘客出行,是亟待解决的问题。鉴于此,本文对苏州高新区等公交系统的执行和管理流程进行了深入调研,了解了公交车辆运行的整个流程,以及车辆预报站的业务需求,设计了一套功能完善的智能公交预报站系统。本文的主要工作如下:（1）建立基于K中心点算法和决策树的分类模型,根据车辆过往的行驶数据,找出对车辆运行影响较大的环境因素,并利用SPSS Modeler进行验证;再按照环境因素对过往数据进行分类处理,获取各个环境条件下的平均数据。（2）建立基于BP神经网络的预测模型,根据按环境因素分类后的车辆过往行驶数据,对神经网络进行训练。训练完成后,将历史数据与实时数据等输入到神经网络模型中,获得车辆预计到站时间。（3）采用B/S架构和Spring MVC设计模式,结合HTML5和Redis相关技术,利用JAVA语言对系统进行开发,并将上述两种数据挖掘方案应用到公交预报站系统中,实现了准确的公交预报站功能。本文设计开发的公交智能预报站系统,对车辆到站的时间做了比较准确的预测,并对公交相关数据进行实时地更新与维护工作,有效地方便了乘客的出行,具有很强的可操作性和借鉴性。
李阳[9]（2019）在《基于Spark的并行数据挖掘研究及应用》文中研究表明在当前大数据时代,网络技术和硬件设备的飞速发展造成指数性的数据增长。尽管在小数据集上,传统的数据挖掘技术已经得到了充分的发展和利用,证明了其巨大的价值与意义。但是在海量数据的挑战下,数据挖掘领域仍然存在着算法执行效率低、算法并行优化不够以及数据挖掘平台易用性差等问题。当前主流的分布式计算框架,主要有Hadoop、Storm和Spark。其中Storm为流式处理引擎,用于解决数据流的实时计算问题。Hadoop属于批处理计算框架,应用于海量数据的存储与计算。其中HDFS组件面向大数据存储,具有高可靠、高容错和高扩展等优点,MapReduce模型则极大地简化了并行编程工作。而Spark是新一代的基于内存的并行计算框架,其提出的RDD模型更加简单,在执行效率上也远胜于Hadoop。本文基于上述背景,调研了当前并行数据挖掘领域发展现状,主要针对并行数据挖掘算法和并行数据挖掘工具进行研究。基于Spark作为编程模型和处理引擎,本文主要完成了以下工作:（1）KMeans++算法优化及并行化:研究了聚类问题中的典型算法KMeans及KMeans++的原理和实现方式。分析了算法优劣,并针对KMeans++算法初始化聚类中心可能不够理想的问题,基于动态调整聚类中心的思想,对KMeans++算法进行了改进,并且实现了改进后算法的并行化。实验中相较于Spark MLlib中的KMeans++算法,改进算法在k值较大的情况下误差平方和降低了4%以上。（2）支持向量机（Support Vector Machine,SVM）并行算法优化。调研了分类问题及线性SVM算法的原理,以及采用小批量随机梯度下降法和自适应梯度下降法求解SVM问题的过程。研究了自适应梯度下降法求解SVM的常规并行算法的实现方式,并基于延迟更新思想对常规并行SVM算法进行了迭代优化。优化后算法与Spark中的SVM算法相比,在不损失较高正确率的前提下,缩短了算法的执行时间。（3）为验证和应用上述优化算法,本文基于Hadoop和Spark设计并实现了一种分布式的并行数据挖掘调度框架,可以满足用户对于大数据集的挖掘分析需求。调度系统实现了常见的分类、预测、聚类以及数据预处理等数据挖掘算法,并可以通过可视化拖拽算法程序来完成数据挖掘建模。
黄智鹏[10]（2019）在《基于数据挖掘技术的游戏营销系统设计与实现》文中研究指明随着网络信息化时代的快速发展,社交网络、移动互联网以及电子商务大大拓展了互联网的应用范围。大数据在社会经济、政治、文化以及人们生活等方面产生了非常深远的影响,“大数据”时代对游戏公司而言,既是挑战更是机遇。目前,在游戏市场份额一定的情况下,已有运营手段带来的业务提升,逐渐遇到天花板,“如何快速发现用户群体特征”、“如何精准定位营销活动目标用户以降低对非目标用户的打扰”、“如何提升用户体验”成为数据化运营需要解决的问题。如何利用“大数据”来实现游戏精准营销的课题在这样的背景下应运而生,目的在于优化营销资源配置,提升发现目标用户的精准度,提升用户体验,同时提高数据挖掘融入游戏精准营销的工作效率。另外,本课题将针对如何发现目标用户特征以及建模预测等问题,设计相应的系统来解决。本课题游戏精准营销系统是基于J2EE进行开发的,体系结构选用了包含用户层、业务逻辑层和数据层三个层级结构的B/S三层架构（3-tier application）,并引用CRISP-DM、SEMMA等过程方法。基于数据挖掘的游戏营销系统信息化方案由需求分析、设计、实现以及测试等几部分组成。本课题将设计和实现一套游戏精准营销系统,包括:1)带目标的属性分析模块,用来分析玩家行为属性和营销目标的关联性,一方面帮助业务方理解用户行为,另一方面帮助数据分析人员选择属性;2)属性选择模块,使用决策树算法对数据进行建模,数据分析人员能依据模型输出的属性权重对属性进行选择;3)建模预测模块,封装了分类算法和外围的数据存储系统接口,能对数据进行建模和预测,用于业务接入数据挖掘工作的前期试验和评估;4)自动化用户分类模块,在建模评估工具上层实现自动化调度和结果统计功能,完成数据挖掘技术落地应用;5)广告用户管理模块,统一管理用户分类子系统预测出的用户,对渠道部门提供用户对应的广告查询功能,优化目标用户投放流程。
二、一个数据挖掘工具的设计与实现（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一个数据挖掘工具的设计与实现（论文提纲范文）
（1）基于数据挖掘技术的数据服务辅助系统的设计与实现（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.4 问题的阐述和研究内容 |
| 1.5 论文研究方法 |
| 1.6 本章小结 |
| 2 数据挖掘理论及相关技术 |
| 2.1 数据挖掘概述 |
| 2.2 数据挖掘算法原理分析 |
| 2.2.1 分类 |
| 2.2.2 聚类 |
| 2.2.3 关联规则算法 |
| 2.3 数据挖掘工具的分析与选择 |
| 2.3.1 B/S架构的数据挖掘工具 |
| 2.3.2 Hadoop架构的数据挖掘工具 |
| 2.4 数据预处理 |
| 2.5 本章小结 |
| 3 数据挖掘算法优化及数据预处理方法 |
| 3.1 数据挖掘工具的选择 |
| 3.2 数据挖掘算法的优化 |
| 3.2.1 Kmeans算法的优化 |
| 3.2.2 关联规则算法的优化 |
| 3.3 数据清洗规则的制定 |
| 3.4 本章小结 |
| 4 数据服务辅助系统的需求分析 |
| 4.1 系统需求分析 |
| 4.2 功能性需求 |
| 4.3 非功能性需求 |
| 4.4 本章小结 |
| 5 系统的概要设计 |
| 5.1 系统架构设计 |
| 5.2 功能模块划分层次图 |
| 5.3 系统部署图 |
| 6 数据服务辅助系统详细设计与实现 |
| 6.1 数据服务辅助系统时序图 |
| 6.2 数据挖掘算法设计与实现 |
| 6.2.1 基于关联规则算法的设计与实现 |
| 6.2.2 ID3算法的设计与实现 |
| 6.2.3 Kmeans算法的设计与实现 |
| 6.3 数据挖掘模块详细设计与实现 |
| 6.3.1 数据集导入模块的设计与实现 |
| 6.3.2 GUI模块的设计与实现 |
| 7 方案验证 |
| 7.1 实验部署 |
| 7.2 实验指标 |
| 7.3 实验结果 |
| 7.4 数据挖掘模块测试用例 |
| 7.5 本章小结 |
| 8 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 学位论文数据集 |
（2）高校一卡通系统数据分析的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 教育数据挖掘研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 论文结构安排 |
| 2 相关理论基础及技术 |
| 2.1 校园数据与智慧校园 |
| 2.1.1 校园数据特点 |
| 2.1.2 校园数据与智慧校园的关系 |
| 2.2 数据仓库技术概述 |
| 2.2.1 数据仓库简介 |
| 2.2.2 数据仓库的发展历程 |
| 2.2.3 数据仓库的构建 |
| 2.3 数据挖掘技术概述 |
| 2.3.1 数据挖掘相关概念 |
| 2.3.2 数据挖掘工具 |
| 2.3.3 数据挖掘任务及应用 |
| 2.3.4 数据挖掘算法 |
| 2.4 数据分析技术概述 |
| 2.5 数据可视化 |
| 2.5.1 Echarts |
| 2.5.2 Excel透视表透视图联动分析 |
| 2.5.3 R Graph Gallery |
| 2.6 本章小结 |
| 3 多维数据模型设计 |
| 3.1 概念模型设计 |
| 3.1.1 主题的确定 |
| 3.1.2 多维数据模型的选择 |
| 3.1.3 分析架构设计 |
| 3.2 逻辑模型设计 |
| 3.2.1 粒度级别的确定 |
| 3.2.2 度量值的设计 |
| 3.2.3 维度的设计 |
| 3.2.4 事实表和维度表设计 |
| 3.2.5 多维分析图设计 |
| 3.3 本章小结 |
| 4 多维数据模型实现 |
| 4.1 实现环境 |
| 4.2 数据源层 |
| 4.2.1 数据迁移 |
| 4.2.2 数据采集 |
| 4.3 数据处理层 |
| 4.3.1 数据脱敏 |
| 4.3.2 数据清洗转换与验证 |
| 4.4 数据存储层及访问控制 |
| 4.4.1 数据存储 |
| 4.4.2 对多维数据集的访问控制 |
| 4.5 多维数据集实现 |
| 4.5.1 消费行为多维数据集 |
| 4.5.2 图书馆访问多维数据集 |
| 4.6 一卡通数据查询型分析和多维分析 |
| 4.6.1 查询型分析 |
| 4.6.2 多维分析 |
| 4.7 本章小结 |
| 5 一卡通数据挖掘型分析及应用 |
| 5.1 基于消费行为的学生聚类 |
| 5.1.1 定义业务问题 |
| 5.1.2 数据准备 |
| 5.1.3 设计消费行为学生聚类模型 |
| 5.1.4 结果分析和应用 |
| 5.2 基于餐厅消费行为的关联分析 |
| 5.2.1 定义业务问题 |
| 5.2.2 数据准备 |
| 5.2.3 设计餐厅消费行为关联模型 |
| 5.2.4 结果分析和应用 |
| 5.3 基于学生行为序列的顺序聚类分析 |
| 5.3.1 定义业务问题 |
| 5.3.2 数据准备 |
| 5.3.3 设计行为序列顺序聚类模型 |
| 5.3.4 结果分析及应用 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（3）基于Web的数据挖掘可视化平台研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 数据挖掘技术研究现状 |
| 1.2.2 数据挖掘可视化平台研究现状 |
| 1.2.3 国内外研究现状总结 |
| 1.3 研究内容与论文工作 |
| 1.4 论文组织结构 |
| 第二章 数据挖掘可视化技术相关理论及技术研究 |
| 2.1 数据挖掘理论及技术 |
| 2.1.1 数据挖掘概念研究 |
| 2.1.2 分布式数据挖掘 |
| 2.1.3 分布式数据集模型 |
| 2.1.4 Spark工作流程 |
| 2.1.5 数据挖掘技术小结 |
| 2.2 可视化技术 |
| 2.2.1 可视化技术分类 |
| 2.2.2 Web前端框架 |
| 2.2.3 数据可视化实现工具 |
| 2.2.4 可视化技术小结 |
| 2.3 可视化技术与数据挖掘技术的结合 |
| 2.4 本章小结 |
| 第三章 pipeline执行流程的设计与实现 |
| 3.1 模型通用执行流程 |
| 3.2 Spark性能保障 |
| 3.3 数据挖掘pipeline执行流程的设计与实现 |
| 3.3.1 数据挖掘算法封装模块 |
| 3.3.2 pipeline模型翻译技术 |
| 3.3.3 模型执行流程 |
| 3.4 pipeline模型执行流程应用 |
| 3.5 本章小结 |
| 第四章 数据挖掘可视化平台的需求分析与总体设计 |
| 4.1 数据挖掘可视化系统特点分析 |
| 4.2 系统需求分析 |
| 4.2.1 数据挖掘可视化系统需求分析 |
| 4.2.2 数据挖掘可视化报告子系统需求分析 |
| 4.3 系统的架构设计 |
| 4.3.1 表现层 |
| 4.3.2 业务层 |
| 4.3.3 算法层 |
| 4.3.4 计算层 |
| 4.3.5 数据层 |
| 4.4 系统流程设计 |
| 4.5 系统数据库接口设计 |
| 4.5.1 数据库接口架构设计 |
| 4.5.2 数据库基本数据表设计 |
| 4.5.3 数据挖掘可视化系统数据管理设计 |
| 4.5.4 数据挖掘pipeline模型执行流程数据管理 |
| 4.5.5 数据挖掘可视化报告子系统数据管理设计 |
| 4.6 本章小结 |
| 第五章 数据挖掘可视化平台的核心模块设计与实现 |
| 5.1 数据挖掘可视化系统的设计与实现 |
| 5.1.1 组件模块 |
| 5.1.2 数据挖掘pipeline建模工作平台 |
| 5.1.3 配置模块 |
| 5.1.4 日志模块 |
| 5.1.5 运行结果可视化模块 |
| 5.2 数据挖掘可视化报告子系统的设计与实现 |
| 5.3.1 报告模板 |
| 5.3.2 数据挖掘可视化报告编辑 |
| 5.3.3 数据挖掘可视化报告存储 |
| 第六章 基于Web的数据挖掘可视化平台的应用与测试 |
| 6.1 基于Web的数据挖掘可视化平台的部署 |
| 6.2 基于Web的数据挖掘可视化平台的应用说明 |
| 6.2.1 数据挖掘可视化系统应用介绍 |
| 6.2.2 数据挖掘可视化报告子系统应用介绍 |
| 6.3 系统功能测试 |
| 6.3.1 数据挖掘pipeline模型构建测试 |
| 6.3.2 模型算子节点配置模块测试 |
| 6.3.3 数据挖掘项目与模型的复用 |
| 6.3.4 数据挖掘pipeline模型执行模块测试 |
| 6.3.5 可视化报告生成测试 |
| 6.4 系统性能测试 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（4）基于数据挖掘技术的经济责任审计的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究综述 |
| 1.2.1 国外研究综述 |
| 1.2.2 国内研究综述 |
| 1.3 研究意义 |
| 1.4 研究方法 |
| 第二章 基于数据挖掘的经济责任审计相关理论 |
| 2.1 数据挖掘基础理论 |
| 2.1.1 数据挖掘的定义 |
| 2.1.2 数据挖掘的应用 |
| 2.2 经济责任审计相关理论 |
| 2.2.1 经济责任审计的分类 |
| 2.2.2 经济责任审计的一般流程 |
| 第三章 基于数据挖掘的经济责任审计系统模型的设计 |
| 3.1 系统实现目标 |
| 3.2 数据挖掘模式 |
| 3.2.1 数据采集 |
| 3.2.2 数据预处理 |
| 3.3 基于数据挖掘的经济责任审计流程 |
| 第四章 基于数据挖掘的经济责任审计系统方案的设计 |
| 4.1 系统设计 |
| 4.1.1 系统模型 |
| 4.1.2 数据挖掘结果应用 |
| 4.1.3 经济责任审计 |
| 4.2 系统实现 |
| 4.2.1 系统应用场景 |
| 4.2.2 系统架构设计 |
| 4.2.3 系统实现 |
| 4.3 系统测试结果与分析 |
| 4.3.1 系统测试过程 |
| 4.3.2 系统测试结果 |
| 4.3.3 系统测试结果分析 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
（5）基于工作流和数据挖掘的高校图书馆管理系统的设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 主要工作与方法 |
| 1.4 章节安排 |
| 第二章 相关技术及发展现状 |
| 2.1 工作流技术 |
| 2.1.1 工作流定义 |
| 2.1.2 工作流管理系统 |
| 2.1.3 工作流技术的优势 |
| 2.2 数据挖掘概述 |
| 2.2.1 数据挖掘定义 |
| 2.2.2 数据挖掘技术 |
| 2.2.3 数据挖掘工具 |
| 2.3 ASP.NET框架 |
| 2.3.1 简介 |
| 2.3.2 ASP.NET的生命周期 |
| 2.4 IIS服务器 |
| 2.5 SQL Server数据库 |
| 2.5.1 简介 |
| 2.5.2 SQL Server服务和工具 |
| 2.5.3 SQL Server组件 |
| 2.6 本章小结 |
| 第三章 图书馆管理系统分析 |
| 3.1 图书馆管理系统概要分析 |
| 3.1.1 系统的目标 |
| 3.1.2 系统要解决的问题 |
| 3.2 图书馆管理系统可行性分析 |
| 3.2.1 经济可行性 |
| 3.2.2 技术可行性 |
| 3.3 图书馆管理系统需求分析 |
| 3.4 本章小结 |
| 第四章 图书馆管理系统设计 |
| 4.1 图书馆管理系统功能模块设计 |
| 4.2 图书馆管理系统数据库设计 |
| 4.2.1 数据库概念设计 |
| 4.2.2 数据库逻辑设计 |
| 4.2.3 数据库物理设计 |
| 4.3 图书馆管理系统流程设计 |
| 4.3.1 系统处理流程设计 |
| 4.3.2 系统时序图设计 |
| 4.3.3 系统活动图设计 |
| 4.4 本章小结 |
| 第五章 基于工作流和数据挖掘的图书馆系统的实现 |
| 5.1 运行环境和工具 |
| 5.2 基于协同过滤算法的图书推荐 |
| 5.2.1 协同过滤算法思路 |
| 5.2.2 算法实现 |
| 5.2.3 功能集成 |
| 5.3 基于RoadFlow的图书馆工作流模型 |
| 5.3.1 接口调用 |
| 5.3.2 工作流设计 |
| 5.4 图书馆管理系统系统页面实现 |
| 5.4.1 登陆页面 |
| 5.4.2 前台访问页面 |
| 5.4.3 后台管理页面 |
| 5.5 本章小结 |
| 第六章 图书馆管理系统测试 |
| 6.1 功能测试 |
| 6.1.1 图书馆管理系统前台测试 |
| 6.1.2 图书馆管理系统后台测试 |
| 6.1.3 图书馆管理系统集成测试 |
| 6.2 性能测试 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
（6）一种分布式环境下的时空数据存储与多维混合索引方法（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 时空数据存储模式研究现状 |
| 1.2.2 时空数据管理方案研究现状 |
| 1.2.3 时空索引方法研究现状 |
| 1.3 当前研究的不足 |
| 1.4 主要研究内容 |
| 1.5 论文组织结构 |
| 2 基于HBase的时空数据存储模式设计 |
| 2.1 相关技术概述 |
| 2.1.1 Hadoop分布式计算框架 |
| 2.1.2 HBase分布式数据库 |
| 2.1.3 HBase协处理器概述 |
| 2.2 时空数据管理方案分析 |
| 2.2.1 复杂场景下高效组织关键问题 |
| 2.2.2 分表组织的存储模式设计 |
| 2.3 面向多索引组织的时空数据存储架构 |
| 2.3.1 多索引表方案设计及特点 |
| 2.3.2 基于协处理器的存储模式具体实现 |
| 2.3.3 查询流程切面开发设计 |
| 2.4 本章小结 |
| 3 多维混合时空索引方法研究 |
| 3.1 面向分布式环境的时空索引设计分析 |
| 3.1.1 时空索引方法设计原则 |
| 3.1.2 混合时空索引方法分析 |
| 3.2 时空信息编码处理 |
| 3.2.1 S2-Geometry算法应用 |
| 3.2.2 时空信息编码处理流程 |
| 3.2.3 通用的层级格网结构索引设计 |
| 3.3 基于S2-H3的时空索引方法与应用 |
| 3.3.1 基于CompactHilbertIndex算法的索引值生成方法 |
| 3.3.2 分布式环境下索引结构设计 |
| 3.3.3 分片序列优化时空查询方法 |
| 3.4 本章小结 |
| 4 时空大数据挖掘系统建设与性能测试 |
| 4.1 系统架构设计 |
| 4.1.1 总体架构设计 |
| 4.1.2 系统具体建设 |
| 4.1.3 时空数据库建设方案 |
| 4.1.4 时空数据接口设计 |
| 4.2 系统功能实现 |
| 4.2.1 时空数据挖掘分析模块 |
| 4.2.2 主题应用挖掘模块 |
| 4.2.3 定制化的通用数据挖掘工具 |
| 4.3 实验与分析 |
| 4.3.1 实验环境 |
| 4.3.2 实验设计与结果分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 工作与成果总结 |
| 5.2 研究特色 |
| 5.3 展望 |
| 参考文献 |
| 作者简历及攻读硕士期间科研成果 |
（7）学生科学素养评测数据的可视化挖掘研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 科学素养评测的研究现状 |
| 1.2.2 数据挖掘技术的研究现状 |
| 1.2.3 可视化技术的研究现状 |
| 1.3 研究内容及意义 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文研究意义 |
| 1.4 研究方法 |
| 1.5 论文结构 |
| 1.6 本章小结 |
| 第二章 课题的相关技术 |
| 2.1 科学素养评测的研究概述 |
| 2.2 数据挖掘技术简述 |
| 2.2.1 数据挖掘的基本概念 |
| 2.2.2 数据挖掘的过程 |
| 2.2.3 数据挖掘的功能 |
| 2.2.4 数据挖掘工具IBM SPSS Modeler |
| 2.3 数据可视化技术简述 |
| 2.3.1 数据可视化基本流程 |
| 2.3.2 数据可视化技术分类 |
| 2.3.4 可视化交互呈现技术 |
| 2.3.5 数据可视化工具 |
| 2.4 本章小结 |
| 第三章 数据挖掘在学生科学素养评测数据中的应用研究 |
| 3.1 模糊c均值聚类算法在成绩分析中的应用研究 |
| 3.1.1 需求分析 |
| 3.1.2 模糊c均值聚类算法 |
| 3.1.3 数据来源与准备 |
| 3.1.4 模糊聚类结果分析 |
| 3.2 关联规则Apriori算法在成绩分析中的应用研究 |
| 3.2.1 需求分析 |
| 3.2.2 关联规则 Apriori 算法 |
| 3.2.3 数据准备 |
| 3.2.4 关联规则挖掘结果分析 |
| 3.3 本章小结 |
| 第四章 学生在线评测数据可视化系统的设计与实现 |
| 4.1 系统需求分析 |
| 4.2 开发环境与相关技术 |
| 4.3 可视化系统流程设计 |
| 4.4 前端模块设计 |
| 4.4.1 Web前端功能模块设计 |
| 4.4.2 数据可视化流程设计 |
| 4.4.3 前端界面设计 |
| 4.5 系统需求功能的实现 |
| 4.5.1 数据的获取与处理 |
| 4.5.2 前端页面响应式布局 |
| 4.5.3 前端框架的搭建 |
| 4.5.4 多种可视化任务实现 |
| 4.5.5 数据的输入与图形的输出 |
| 4.5.6 交互操作的实现 |
| 4.6 功能测试 |
| 4.6.1 原始数据可视化 |
| 4.6.2 模糊聚类结果可视化 |
| 4.7 本章总结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
（8）基于数据挖掘的公交智能预报站系统的分析与设计（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 智能公交的研究现状 |
| 1.2.1 国内外应用现状 |
| 1.2.2 国内外研究现状 |
| 1.3 课题研究内容和意义 |
| 1.3.1 课题的研究内容 |
| 1.3.2 课题的研究意义 |
| 1.4 论文的结构概述 |
| 第二章 课题相关理论基础及技术 |
| 2.1 数据挖掘技术简介 |
| 2.1.1 数据挖掘分类和特征 |
| 2.1.2 数据挖掘过程 |
| 2.1.3 数据挖掘功能及应用 |
| 2.1.4 数据挖掘常用工具 |
| 2.2 课题相关算法介绍 |
| 2.2.1 K中心点算法 |
| 2.2.2 决策树算法 |
| 2.2.3 BP神经网络 |
| 2.3 公交智能预报站系统相关技术 |
| 2.3.1 B/S架构 |
| 2.3.2 Spring MVC设计模式 |
| 2.3.3 HTML5相关技术 |
| 2.3.4 Redis技术 |
| 2.4 本章小结 |
| 第三章 公交智能预报站系统需求分析 |
| 3.1 总体需求分析 |
| 3.2 用户需求分析 |
| 3.3 功能性需求分析 |
| 3.3.1 总体功能分析 |
| 3.3.2 系统流程分析 |
| 3.3.3 系统功能结构 |
| 3.3.4 功能模块分析 |
| 3.4 非功能性需求分析 |
| 3.5 本章小结 |
| 第四章 公交智能预报站系统概要设计 |
| 4.1 系统设计目标 |
| 4.2 系统体系架构设计 |
| 4.2.1 开发环境及工具设计 |
| 4.2.2 软件架构与设计模式设计 |
| 4.2.3 网络拓扑结构设计 |
| 4.3 系统功能设计 |
| 4.3.1 权限管理模块 |
| 4.3.2 信息管理模块 |
| 4.3.3 数据维护模块 |
| 4.3.4 公交历史数据分析处理模块 |
| 4.3.5 预报站时间处理模块 |
| 4.4 数据库设计 |
| 4.4.1 数据库设计原则 |
| 4.4.2 逻辑数据库设计与物理设计 |
| 4.5 多维数据集设计 |
| 4.6 本章小结 |
| 第五章 公交智能预报站系统的详细设计与实现 |
| 5.1 公交历史数据分析处理模块实现要点 |
| 5.1.1 数据预处理 |
| 5.1.2 基于K中心点算法的历史数据分组 |
| 5.1.3 基于决策树的环境因素分析及分组 |
| 5.1.4 历史平均数据的计算 |
| 5.2 预报站时间处理模块实现要点 |
| 5.2.1 车辆状态分析 |
| 5.2.2 车辆进出站数据保存 |
| 5.2.3 基于BP神经网络的车辆速度分析 |
| 5.2.4 车辆预报站实现 |
| 5.3 公交智能预报站系主要功能统模块的实现 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 系统数据库表结构 |
| 攻读硕士学位期间主要的研究成果 |
| 致谢 |
（9）基于Spark的并行数据挖掘研究及应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 项目背景 |
| 1.2 国内外研究现状 |
| 1.2.1 数据挖掘发展现状 |
| 1.2.2 数据挖掘工具发展现状 |
| 1.3 研究意义与创新 |
| 1.4 论文内容及结构 |
| 第二章 Spark平台及相关技术介绍 |
| 2.1 相关技术综述 |
| 2.2 Hadoop简介 |
| 2.3 Spark内存计算框架 |
| 2.3.1 Spark简介 |
| 2.3.2 Spark生态介绍 |
| 2.3.3 Spark并行计算架构设计思想 |
| 2.3.4 Spark运行流程 |
| 2.4 工作流引擎Oozie介绍 |
| 2.5 数据挖掘框架介绍 |
| 2.6 本章小结 |
| 第三章 数据挖掘算法研究与并行优化 |
| 3.1 KMeans++算法的改进和并行化 |
| 3.1.1 聚类问题介绍 |
| 3.1.2 KMeans算法简介 |
| 3.1.3 KMeans++算法简介 |
| 3.1.4 改进的KMeans++算法 |
| 3.1.5 改进后算法的并行实现 |
| 3.2 SVM算法并行化研究与改进 |
| 3.2.1 分类问题定义 |
| 3.2.2 SVM算法和小批量随机梯度下降算法 |
| 3.2.3 自适应梯度下降算法 |
| 3.2.4 SVM算法的并行实现思路 |
| 3.2.5 SVM算法的并行算法优化 |
| 3.3 本章小结 |
| 第四章 并行数据挖掘调度框架的设计与实现 |
| 4.1 系统目标 |
| 4.2 并行数据挖掘调度框架设计 |
| 4.2.1 功能设计 |
| 4.2.2 系统架构设计 |
| 4.2.3 物理架构设计 |
| 4.3 任务处理引擎 |
| 4.3.1 任务处理引擎设计原理 |
| 4.3.2 拖拽式任务调度流程 |
| 4.3.3 工作流描述定义 |
| 4.3.4 图结构定义 |
| 4.3.5 程序解析模块实现 |
| 4.3.6 工作流处理模块实现 |
| 4.3.7 任务调度器实现 |
| 4.4 算法层设计 |
| 4.5 本章小结 |
| 第五章 算法实验和系统分析 |
| 5.1 测试环境 |
| 5.1.1 硬件环境 |
| 5.1.2 软件环境 |
| 5.2 算法实验分析 |
| 5.2.1 改进的 KMeans++算法分析实验 |
| 5.2.1.1 数据集介绍 |
| 5.2.1.2 SSE和迭代次数对比 |
| 5.2.1.3 轮廓系数对比 |
| 5.2.1.4 时间对比 |
| 5.2.1.5 加速比实验 |
| 5.2.2 并行 SVM 算法分析实验 |
| 5.2.2.1 数据集介绍 |
| 5.2.2.2 时间和准确率对比 |
| 5.2.2.3 分区数对训练时间影响 |
| 5.3 系统分析 |
| 5.3.1 系统展示 |
| 5.3.2 性能对比 |
| 5.4 电商评论数据分析应用 |
| 5.4.1 实验及数据集介绍 |
| 5.4.2 实验过程 |
| 5.4.3 效果对比 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（10）基于数据挖掘技术的游戏营销系统设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 数据挖掘技术在精准营销领域的应用 |
| 1.2.2 精准营销系统软件设计 |
| 1.2.3 基于数据挖掘技术的游戏营销系统基本流程 |
| 1.3 研究内容 |
| 1.4 研究结构安排 |
| 第二章 相关技术概述 |
| 2.1 数据挖掘理论概述 |
| 2.1.1 数据挖掘的概念 |
| 2.1.2 数据挖掘与传统分析方法的区别 |
| 2.1.3 数据挖掘中的知识发现过程 |
| 2.2 J2EE |
| 2.2.1 三层结构定义 |
| 2.2.2 三层结构功能描述 |
| 2.2.3 性能特点 |
| 2.3 B/S结构 |
| 2.3.1 系统体系结构选择 |
| 2.3.2 传统C/S结构 |
| 2.3.3 B/S结构及其特点 |
| 2.4 SQL Server2014 |
| 2.5 JSP及 EJB等相关技术 |
| 2.6 本章小结 |
| 第三章 系统的需求分析 |
| 3.1 系统可行性分析 |
| 3.1.1 系统建设的必要性分析 |
| 3.1.2 技术可行性分析 |
| 3.1.3 经济可行性分析 |
| 3.2 系统功能性需求分析 |
| 3.2.1 带有目标的属性分析工具功能需求分析 |
| 3.2.2 属性选择工具和预处理功能需求分析 |
| 3.2.3 建模预测工具功能需求分析 |
| 3.2.4 自动化用户分类系统功能需求分析 |
| 3.2.5 广告用户管理系统功能需求分析 |
| 3.3 系统非功能性需求分析 |
| 3.3.1 易用性 |
| 3.3.2 稳定性 |
| 3.3.3 性能支持 |
| 3.3.4 可维护性 |
| 3.3.5 安全性 |
| 3.3.6 可扩展性 |
| 3.4 本章小结 |
| 第四章 系统总体设计 |
| 4.1 系统设计目标与原则 |
| 4.1.1 系统设计目标 |
| 4.1.2 系统设计原则 |
| 4.2 系统体系结构 |
| 4.3 数据挖掘方法设计 |
| 4.3.1 本论文过程方法 |
| 4.3.2 接入数据挖掘带来的业务转型 |
| 4.3.3 IT解决方案设计 |
| 4.4 功能设计 |
| 4.4.1 带有目标的属性分析工具设计 |
| 4.4.2 属性选择工具的设计 |
| 4.4.3 建模预测工具的设计 |
| 4.4.4 自动化用户分类系统设计 |
| 4.4.5 广告用户管理系统设计 |
| 4.5 系统数据库设计 |
| 4.5.1 数据库设计理念 |
| 4.5.2 E-R图设计 |
| 4.5.3 数据库表设计 |
| 4.6 本章小结 |
| 第五章 系统测试与实现 |
| 5.1 登录界面实现 |
| 5.2 带有目标的属性分析工具 |
| 5.2.1 带有目标的属性分析工具测试方案 |
| 5.2.2 带有目标的属性分析工具运行结果 |
| 5.3 属性选择工具 |
| 5.3.1 属性选择工具测试方案 |
| 5.3.2 属性选择工具运行结果 |
| 5.4 建模预测工具 |
| 5.4.1 建模预测工具测试方案 |
| 5.4.2 建模预测工具运行结果 |
| 5.5 自动化用户分类系统 |
| 5.5.1 自动化用户分类系统测试方案 |
| 5.5.2 自动化用户分类系统运行结果 |
| 5.6 广告用户管理系统 |
| 5.6.1 广告用户管理系统测试方案 |
| 5.6.2 广告用户管理系统运行结果 |
| 5.7 实际业务效果 |
| 5.8 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
四、一个数据挖掘工具的设计与实现（论文参考文献）
- [1]基于数据挖掘技术的数据服务辅助系统的设计与实现[D]. 董鹏程. 北京交通大学, 2020(03)
- [2]高校一卡通系统数据分析的设计与实现[D]. 高建平. 河北师范大学, 2020(07)
- [3]基于Web的数据挖掘可视化平台研究与实现[D]. 刘芳. 北京邮电大学, 2020(05)
- [4]基于数据挖掘技术的经济责任审计的研究[D]. 王爱军. 南京邮电大学, 2018(02)
- [5]基于工作流和数据挖掘的高校图书馆管理系统的设计与实现[D]. 李娇娇. 江苏大学, 2019(03)
- [6]一种分布式环境下的时空数据存储与多维混合索引方法[D]. 何枋键. 浙江大学, 2019(02)
- [7]学生科学素养评测数据的可视化挖掘研究[D]. 张骁妹. 东南大学, 2019(06)
- [8]基于数据挖掘的公交智能预报站系统的分析与设计[D]. 胡夏禹. 苏州大学, 2019(04)
- [9]基于Spark的并行数据挖掘研究及应用[D]. 李阳. 电子科技大学, 2019(01)
- [10]基于数据挖掘技术的游戏营销系统设计与实现[D]. 黄智鹏. 电子科技大学, 2019(01)