浅谈计算机数据挖掘
浅谈数据挖掘技术及其应用
要 。但 目前所 能做到 的只是对 数据库 中 已有 的数据 进行存
储 、查询 、统 计等功 能，但它 却无法发现 这些数据 中存在 的关系和规 则，更不 能根据现 有的数据预 测未来 的发展趋 势 。这种现象 产生 的主要原 因就是缺乏挖 掘数据背 后隐藏 的知 识的有力手 段 ，从 而导致 “ 数据爆炸但 知识 贫乏 ”的 现象 。数据挖掘 就是 为迎 合这种 要求而产 生并迅速 发展起 来的 ，可用于开发信 息资源 的一种新 的数据处理技术 。
３ ２数据准备 阶段 ．
数据准 备在整个 数据挖 掘过程 中 占的比例最大 ，通常
２ 数据挖掘的定义
数据挖掘 （ ａ ａ Ｍ ｎ ｎ ），又称数据库 中的知识发现 Ｄ ｔ ｉ ｉｇ （ ｎｗ ｅ ｇ ｉｃ ｖ ｒ ｉ ａ ａ ａ ｅ Ｋ ｏ ｌｄ ｅ Ｄ ｓ ｏ ｅ ｙ ｎ Ｄ ｔｂ ｓ ，简 称Ｋ Ｄ Ｄ ）， 比较 公认 的定义是 由ＯＭ Ｆ ｙ ａ 等人提 出的 ：数据挖 掘就是 从 ．．ａｙｄ
有 以下 几 点 。
３ １ 目标 定义阶段 ．
要求 定义 出明确 的数据挖 掘 目标 。 目标定义 是否适度 将 影 响到数据挖掘 的成败 ， 因此往 往需要 具有数据挖 掘经 验 的技 术人员和 具有应 用领域知 识的专 家 以及最 终用户紧 密协作 ，一方面 明确实 际工作 中对数据挖掘 的要求 ，另～ 方面通过对各种 学习算法 的对 比进 而确定可用 的算法 。
了各行各 业 ，但 目前所 能做 到的只是对 数据库 中 已有的数据进 行存储 、查询 、统计等功 能 ，通过这 些数据 获得 的信 息量 仅 占整个数据库信 息量的一 小部 分 ，如何 才能从 中提取 有价值 的知 识 ，进 一 步提 高信 息量利 用率 ，因此需要新 的技 术来 自动、智能和快速地 分析 海量 的原始 数据 ，以使 数据 得 以充分利 用，由此引 发 了一个新 的研 究方 向：数据挖掘 与知 识 发
数据挖掘的关键技术
数据挖掘的关键技术数据挖掘是指通过大数据中寻找隐藏的、有用的模式和信息的过程。
在当今信息爆炸的时代，数据挖掘已经成为许多领域中不可或缺的关键技术。
本文将介绍数据挖掘的关键技术，包括数据预处理、特征选择、聚类分析、分类与预测、关联规则挖掘等。
一、数据预处理数据预处理是数据挖掘过程中的第一步，其目的是清理、集成和转换数据以供后续分析使用。
数据预处理技术包括数据清洗、数据集成、数据变换和数据归约。
数据清洗主要是对数据中的噪声和异常值进行处理，以保证数据的准确性和一致性。
在这一步骤中，可以使用各种统计学和数学方法来识别和处理异常值。
数据集成是将来自不同数据源的数据进行合并和统一，以便于后续的分析。
在进行数据集成时，需要考虑数据的冗余和一致性，采用适当的数据集成技术进行处理。
数据变换是将原始数据转换为适合进行分析的形式，常用的数据变换技术包括数据规范化、数据离散化、数据聚集和数据抽样等。
数据归约是对数据进行降维处理，以减少数据的维度和复杂性，并保持数据的有效性和信息完整性。
数据归约的常用方法包括主成分分析、因子分析和小波变换等。
二、特征选择特征选择是指从原始数据中选择最具有代表性和重要性的特征，以提高模型的性能和准确性。
特征选择技术主要包括过滤法、包装法和嵌入法。
过滤法是根据特征的某种准则进行选择，如信息增益、相关系数等。
通过计算特征与目标变量的关联性，选择与目标变量高度相关的特征。
包装法是将特征选择看作是一个搜索问题，通过训练具有不同特征子集的模型，并评估其性能来确定最佳特征子集。
嵌入法是在建立模型的同时进行特征选择，通过利用模型的学习能力选择最佳特征。
三、聚类分析聚类分析是一种无监督学习方法，将相似的数据对象进行分组，使得同一组内的对象相似度尽可能高，而不同组之间的相似度尽可能低。
聚类分析技术主要包括层次聚类、划分聚类和基于密度的聚类。
层次聚类是将数据对象逐步划分为不同的层次结构，形成一个聚类树，通过计算相似度来决定聚类的合并和划分。
浅谈数据挖掘
件。 该文简要 分析介绍了数据挖掘 的舍功能、 技术及其应用等。 关 键词： 数据挖掘 技术 应用
中图分类号 ： Ｔ Ｐ ３ １ １
文献标识码 ： Ａ
意 义。
应 用。 生 物 信 息 学 就 是 通 过 对 生 物 学 实 验 产生的海量数据， 进行分类、 处理、 分 析 和 存 储， 达 到 深 入 理 解 生 命 科 学 中基 于 分 子 水 平 的 生 物 信 息 的 生 物 学 意 义 。如 差 异 基 因表 达 检 测 的基 因芯片 ， 就 是 具 有 高通 量 的 ３ 数 据挖 掘方 法 并 同 时 能 够产 生 许 多生 物 学 数 据 ， 在 要 的数据挖 掘方 法包括决策树 、 遗 传 特 点 ， 分 析 和 挖 算法 、 人 工神 经 网络 、 近 邻 算 法 和 规 则 推 导 其 中 蕴 含 着 丰 富 的 生 物 学 意 义 。 检 测 差 异 表 达 基 因在 不 等。 通过 描 述 和 可 视 化 来 对 数 据 挖 掘 结 果 掘 基 因芯 片 数 据 ， 同 环 境 条 件 的 异 常表 达 值 ， 能 够 生 层 次 的 进行 表 示 。 提 高 对 生 命 科 学 研 究 的 决 策树 是 以 实 例 为 基 础 的 归 纳 学 习算 了解 生 物 学 知 识 ， 对 癌 症 差 异 基 因的 分析 结 法。 着决 策 集 的 树 形 结 构 代表 决 策 树 ， 树 型 科 学 性 和 效 率 。 能 够 更 好 的 检 测 有关 疾 病 ， 并根 据 结 构表 示 分类 或 决 策集 合。 决 策 树 是 采用 自 果分析， 相 关 疾 病 的 基 因 特 性 ， 就 能有 针对 性 的 进 顶 向下 的递 归 方 式 ， 树 的 非 终 端 节点 表 示 行 个体 化 治 疗， 开发 个 体化 的 新 药。 属性 ， 叶 节点 表 示所 属的 不 同类 别 。 进入２ ０ １ ３ 年， 有 许 多 媒 体 都 在 称 之 为 遗传算 法是基于种群 “ 多样 性 和 “ 优 大 数 据 元 年” 。 大数 据 也 就 是 拥 有庞 大 的 胜 劣汰 ” 原 则 等 进 化 理论 ， 模 拟 生 物 进 化 过 “ 事 务数 据 量 大 规 模 增 长 ， 而且 大 程的全局 优化方法 ， 将 群 体 中将 较 劣 的 初 数 据 信 息 ， 数 据 始 解 通过 复制 、 交 叉和 变异 ３ 个 基本 算 子 优 数 据 是 要 处 理 大 量 的 非 规 范 化 数 据 ， 爆 炸 性 的 大 数 化求解的技 术 ， 在 求 解空 间随 机 和 定 向搜 挖 掘 和 分 析 是 必不 可少 的。 可能 会 改 变 人 们 的思 考 方 式 ， 也 索特征 的多次迭代过程 ， 直 到 求 得 问 题 的 据 的 产 生 ， 重 塑了人 类交 流 的方 式 。 最 优解 。
数据挖掘的算法逻辑-概述说明以及解释
数据挖掘的算法逻辑-概述说明以及解释1.引言1.1 概述数据挖掘是一种通过发现并提取隐藏在大量数据背后的有用信息和模式的方法。
在现代信息时代，我们面临着大量的数据积累，这些数据包含着宝贵的知识和见解。
然而，由于数据的庞大和复杂性，直接从中提取出有用的信息变得异常困难。
数据挖掘的出现为我们提供了解决这个难题的有力工具。
它通过应用统计学、人工智能和机器学习等方法，发掘数据中隐藏的模式和关联规则，帮助我们理解和解释数据，并从中获取有价值的信息。
通过数据挖掘，我们可以发现数据的潜在规律，预测未来的趋势，优化决策，改善业务流程以及提升绩效。
数据挖掘的算法逻辑是指实现数据挖掘任务所采用的算法和方法的逻辑过程。
它包含了一系列的步骤和技术，如数据预处理、特征选择、模型构建和评估等，旨在从海量的数据中提取有用的信息。
不同的数据挖掘算法逻辑在处理不同类型的数据和解决不同的问题时展现出不同的效果和性能。
本文将系统地介绍数据挖掘的算法逻辑。
首先，我们将回顾数据挖掘的基本概念，包括数据挖掘的定义、目标和应用领域等。
然后，我们将详细介绍数据挖掘的算法分类，将常用的数据挖掘算法按照不同的技术、任务和方法进行划分和分类。
最后，我们将深入探讨每种算法逻辑的具体实现过程和相应的应用示例，以加深对数据挖掘的算法逻辑的理解。
通过本文的阅读，读者将能够全面了解数据挖掘的算法逻辑，并掌握应用不同算法解决实际问题的能力。
同时，本文还将展望数据挖掘的未来发展趋势，并提出了进一步研究的方向和建议，以推动数据挖掘技术的不断创新和应用。
1.2 文章结构本文将围绕数据挖掘的算法逻辑展开详细的论述。
文章主要分为三个部分：引言、正文和结论。
引言部分将首先给出数据挖掘的概述，介绍数据挖掘的基本概念以及其在实际应用中的重要性。
接着，会对整篇文章的结构做出说明，为读者提供一个整体的概览。
最后，明确本文的目的，即通过介绍数据挖掘的算法逻辑，使读者对此有更深入的理解。
数据挖掘的技巧
数据挖掘的技巧数据挖掘是一项重要的技术，它利用各种算法和工具来发现和提取隐藏在大量数据背后的有价值的信息。
在当今信息爆炸的时代，数据挖掘的技巧变得尤为重要，它可以帮助我们在海量数据中发现有用的模式和规律。
本文将介绍一些数据挖掘的技巧，帮助读者更好地理解和应用这一技术。
一、数据预处理数据预处理是数据挖掘的首要步骤，它包括数据清洗、数据集成、数据转换和数据规约。
数据清洗指对数据进行去除冗余、填充缺失值、处理异常值等操作，以确保数据的准确性和完整性。
数据集成是将来自不同来源的数据合并为一个一致的数据集，以用于后续分析。
数据转换是将原始数据通过归一化、标准化等方法转换为适合挖掘的形式。
数据规约是通过抽取、压缩等方法减少数据量，提高挖掘效率。
二、特征选择在数据挖掘过程中，特征选择是非常关键的一步。
由于原始数据中通常包含大量的特征变量，而不是所有特征都对挖掘目标有意义或有帮助，因此需要进行特征选择来减少维度、降低计算复杂度并提高挖掘效果。
常用的特征选择方法包括过滤式和包裹式，前者使用统计或相关性指标来评估特征的重要性，后者通过包裹模型来评估特征的贡献度。
三、算法选择选择适合的算法对于数据挖掘任务的成功与否至关重要。
不同的问题和数据类型需要不同的算法来处理。
常见的数据挖掘算法包括关联规则、分类、聚类、回归等。
关联规则用于发现不同属性之间的关联关系，分类算法用于通过训练数据来预测新样本的类别，聚类算法用于对数据进行分组，回归算法用于分析和预测变量之间的关系。
四、模型评估与优化在应用数据挖掘模型之前，需要进行模型评估和优化。
模型评估是通过指标或评估方法来评估模型的性能和准确性，以选择最优的模型。
常用的评估指标包括准确率、召回率、精确率和F1值等。
模型优化是通过调整参数、特征选择等方法来提高模型的性能和泛化能力。
五、可视化与解释性数据挖掘的结果通常需要以可视化的方式展示，以方便理解和沟通。
可视化技术包括散点图、柱状图、折线图等，可以帮助直观地展示数据的分布、趋势和关系。
浅谈数据挖掘技术的应用和发展
T NOLO GY TR N D1数据挖掘软件的发展历史目前,作为独立应用的第一代数据挖掘系统仍然有着广泛的市场需求;随着对挖掘算法的深入研究,第二代数据挖掘系统逐渐成为商业软件的主流;同时,部分软件开发商在第二代系统的基础上开始研发相应的第三代数据挖掘系统;第三代数据挖掘系统目前仅仅停留在理论研究阶段,还没有成熟的系统原型,但是,挖掘嵌入式系统、移动系统、普适计算(Pe rvasive Com puti ng 或Ubiquitous Com puting )设备产生的各种类型的数据,将是当前和未来的研究热点与重点。
2数据挖掘的步骤2.1数据准备了解K DD 相关领域的有关情况,熟悉有关的背景知识,并弄清楚用户的要求。
2.2数据选择根据用户的要求从数据库中提取与K DD 相关的数据,K DD 将主要从这些数据中进行知识提取,在此过程中,会利用一些数据库操作对数据进行处理。
2.3数据预处理主要是对阶段2产生的数据进行再加工,检查数据的完整性及数据的一致性,对其中的噪音数据进行处理,对丢失的数据可以利用统计方法进行填补。
2.4数据转换对经过预处理的数据,根据知识发现的任务对数据进行再处理,使之转换为有效形式,以使数据挖掘更有效。
2.5数据挖掘根据知识发现任务的要求,选择合适的数据挖掘算法(包括选取合适的模型和参数),从数据中提取出用户感兴趣的知识。
2.6模式解释对发现的模式进行解释,在此过程中,为取得更为有效的知识,可能会返回到前面处理过程中的某些步骤以反复提取。
2.7知识评价将发现的知识以用户能理解的方式呈现给用户。
3数据挖掘的应用领域由于数据挖掘能够给企业带来显著的经济效益,为企业的竞争构筑信息与决策的优势,企业对其投入了极大的热情。
目前,数据挖掘的典型行业应用主要有:3.1银行和金融部门的应用在银行和金融业中,信用欺诈的建模与预测、风险评估、收益分析、客户关系优化以及股票价格等方面,有较好应用。
浅谈数据挖掘技术的概念
Ｓ ｃ 科 ｉ ｅ ｎ ｃ ｅ ＆ 技 Ｔ ｅ ｃ ｈ 视 ｎ ｏ ｌ ｏ ｇ ｙ 界 Ｖ ｉ ｓ ｉ ｏ ｎ
科技・探索・ 争源自 浅谈数据挖掘技术的概念
Ｏｎ ｔ ｈ ｅ Ｃｏ ｎ ｃ ｅ ｐ ｔ ｏ ｆ Ｄａ ｔ ａ Ｍｉ ｎ ｉ ｎ ｇ Ｔｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ
ａ ｇ ｅ ． Ｔｈ ｅ ｅ ｍｅ ｒ ｇ ｅ ｎ ｃ ｅ ｏ ｆ ｄ ａ ｔ ａ ｍｉ ｎ ｉ ｎ ｇ ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ｔ Ｏ ｍｅ ｅ ｔ ｔ ｈ ｅ ｎ ｅ ｅ ｄｓ ｆ ｏ ｔ ｈ ｅ ｐｅ ｏ ｐ ｌ ｅ ，ｂ ｙ ｔ ｈ ｅ ｖ ａ ｓ ｔ ａ ｍｏ ｕ ｎ ｔ ｓ ｏ ｆ ｄ ａ ｔ ａ ｉ ｆｏ ｎ ｍａ ｒ ｔ ｉ ｏ ｎ ｉ ｎ ｔ ｏ ｕ ｓ ｅ ｆ ｕ ｌ ｄ ａ ｔ ａ ｗａ ｒ ｅ ｈ ｏ ｕ ｓ ｅ ， ｄ ｅ ｃ ｉ ｓ ｉ ｏ ｎ ｓ ｕ ｐｐ ｏ ｒ ｔ ｆ ｏ ｒ ｔ ｈ ｅ ｄ ｅ ｖ ｅ ｌ ｏ ｐ ｍｅ ｎ ｔ ｆ ｏ ｌｌ ａ ｗ ａ ｌ ｋ ｓ ｆ ｏ ｌ ｉ ｆ ｅ ． Ｉ ｎ ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ， ｔ ｈ ｅ ｃ ｏ ｎ ｃ ｅ ｐ ｔ ｏ ｆ ｄ ａ ｔ ａ ｍｉ ｎ ｉ ｎ ｇ， ｔ ａ ｓ ｋ ｓ ，ｔ ｅ ｃ ｈ ｎ ｉ ｑ ｕ ｅ ｓ ａ ｎ ｄ ｐｒ ｏ ｃ ｅ ｓ ｓ ｅ ｓ ａ ｒ ｅ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｄ ａ ｎ ｄ ａ ｎ ａ ｌ ｙ ｚ ｅ ｄ ．
【 Ｋ ｅ ｙ ｗ ｏ ｒ ｄ ｓ ］ Ｄ ａ ｔ ａ Ｍ ｉ ｎ ｉ ｎ ｇ ； Ｋ Ｄ Ｄ ； Ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ０ ｎ
出真正有用的特征以减少 数据挖 掘时要考虑 的特征或变量个数 。 ３ ） 数据挖掘阶段 随着互联 网技术的普及应用 ． 信息化进入 了新 的发展 阶段 ． 大大 这一阶段进行 实际的挖掘工作 。首先是算法规划 ， 即决定采用何 提高了人 们的生产机及 生活水平 。 各 行各业逐步实现 了信息化 的发展 种 类型的数 据挖 掘方法 。 然后 。 针对该挖掘方法选择一种算法 。 完成 了 道路 。 大大提高了各行各业的管理水平 和经 济效益 。 然而 ， 随着 市场经 上述的准备工作后 ， 就可以运行数据挖掘算 法模块 了。这个阶段是数 济的发展 ． 各行各业 的信息化 系统积 累了大量的数据信息 。如何对这 据挖掘分 析者和相 关领域 专家最关心 的阶段 ． 也 可以称 之为真正意义 些 海量的数据信 息进行 统计 、 分析 、 利用 、 决 策已经成为当前各行各业 上 的数据挖 掘 迫切需要解 决的问题 。 与此同时 ， 出现 了海量数据挖掘技术 ， 被广泛地 ４ ） 结果解释 和评估 阶段 应用 于信息化管理 、 科 学研究 、 金融决 策 、 加工零 售业 、 医学 医药等方 根据最终用户 的决策 目的对提取的信息进行分析 ． 把 最有 价值的 面。正是 由于数据挖掘技术 以及数据仓库技术 的出现 ， 很好 的解决了 信息 提取 出来 对 于数据挖掘 阶段发现 的模式还要经过用户或机器的 海量数据 的有效利用 ． 进一 步促进 了信息化 的发展 。 评估 ． 对于存在冗余 或无关 的模式 要将其删除 ： 对 于不能满足 用户要 求 的模式 。 则需要退 回到上一 阶段 。 另外 ， 数据挖掘面对的最终用户是 １ 数 据挖掘 的概念 人． 因此要对发现 的模式 进行可视 化 ， 或者把结果 转换 为用户 易懂的 数据挖掘（ Ｄ ａ ｔ ａ Ｍ ｉ ｎ ｉ ｎ ｇ ） 是从大量的 、 不完全 的、 有噪声 的、 模糊 的 、 其他方式
浅析计算机数据挖掘技术在煤矿信息管理系统中的应用
的信息非常重要 ，而数据挖掘技术 出现 的原因就是为 了
解决这个问题 。
二 、数 据挖 掘 常用 的方法
２ ． １ 神经 网络 法 。神经 网络 能够模拟人类 的形象直 觉思维 ，在生物神经 网络研究的基础上 ，通过生物神经 元和神经 网络的因特 网 ，利用归纳、简化 ，从而提炼总
信息系统工程 ｆ ２ ０ １ ３ ． １ ０ ． ２ ０
８ ７
一
、
数 据挖 掘技 术的概 念
在煤矿企业的计算机系统中，为了使后期 的经营发展更
切合实际的预测结果 ，这就需要在调用数据挖掘的过程
数据挖掘作 为新 的信息处理技术 ，它主要的特点是
中 ，不断积累各类与煤矿企业相关的经营信息 ，并将信
息中的内容充分表达 。
对数据库 中大量的数据进行分析 、转换 、抽取和其他模
阅读 （ 教育版） ， ２ ０ １ ２ ， １ ２ （ １ ８ ） ： １ ２ ６ —１ ２挖 掘 技 术 在 煤 矿 信 息 管 理 系统 中的应 用分 析
３ ． １ 预测功 能在煤矿信 息管理 系统 中的应用 分析 。
（ 作者单位 ：重庆工业职 业技术学院 ）
ＴＥＣＨＮＯＬＯＧＹ
—
—
］ ： ￣
Ｊ Ｅ ｌ １ ］
＞ ＞
浅析计算机数据挖掘技术在煤矿信息管理系 统中 的应用
◆ 彭 丽蓉
摘要 ：数据挖掘技术作为计算机综合性应 用技术的最核心构成要素 ，它能够 带来非常显著的经济效益 ，不仅 能够为企业控制成本 ，而且也能够给企业带来许 多的效益 。在煤矿行业 中，数据挖掘技术也起到 了非常重要 的作用 ，下面我们 就 来探讨一下数据挖掘技术在煤矿信息管理 系统中的应用。 关键词 ：计算机数据挖掘技术 ；煤矿 ；信息管理 系统 ；应 用
浅谈数据挖掘与数据库知识发现
浅谈数据挖掘与数据库知识发现蔡鹏（北京交通大学北京100044）[摘要]数据挖掘是解决数据库中数据急剧增大与利用率低之间矛质的必然结果。
数据库知识发现（kdd）技术的应运而生使得人们在实际工作中消耗大量财力和物力的数据得以利用。
这也是数据库知识和人工智能技术发展的结果。
[关键词]模式数据库中的知识发现数据挖掘中图分类号：T P3文献标识码：A文章编号：1671－7597（2009）0920081－01一、引言1．准备。
了解K D D相关领域的有关情况，熟悉背景知识，并弄清楚用户的要求。
随着数据库技术的不断发展及数据库管理系统的广泛应用，数据库中2．数据选择。
根据用户的要求从数据库中提取与K D D相关的数据，存储的数据量急剧增大。
但目前数据库系统所能做到的只是对数据库中已K D D将主要从这些数据中进行知识提取，在此过程中，会利用一些数据库操有的数据进行存取，人们通过这些数据所获得的信息仅仅是整个数据库所作对数据进行处理。
包含的信息量的一部分。
也就是说传统的数据分析方法（例如：统计）只3．数据预处理。
主要是对阶段2产生的数据进行再加工，检查数据的能获得这些数据的表层信息，而不能获得数据属性的内在关系和隐含的信完整性及数据的一致性，对其中的噪音数据进行处理，对丢失的数据可以息，即不能获得重要的知识。
面对“堆积如山”的数据集合，无论在时间利用统计方法进行填补。
意义上还是空间意义上，传统的数据分析手段还是难以应付。
这样，快速的数据产生与搜集技术和拙劣的数据分析方法之间形成了鲜明的对照。
在数据技术飞速发展的同时，人工智能和机器学习的研究也取得了很大进展。
根据人类学习的不同模式人们提出了很多机器学习方法。
如：实例学习、观察和发现学习、神经网络和遗传算法等等，其中某些成熟的算法已被人们运用于应用系统及智能机的设计和实现中。
正是由于数据库技术和人工智能技术的发展，也是为了满足人们实际工作的需要：“智能地”和“自动地”分析数据，以使消耗大量财力和物力所收集与整理的宝贵资源——数据得以利用，数据库知识发现（K D D）技术应运而生。
四川省考研计算机应用技术复习资料数据挖掘与大数据分析知识点梳理
四川省考研计算机应用技术复习资料数据挖掘与大数据分析知识点梳理数据挖掘和大数据分析是计算机应用技术领域中的关键概念和技术。
随着大数据时代的到来，对数据的分析和挖掘能力成为企业和组织赖以生存和发展的重要利器。
本文将对四川省考研计算机应用技术复习资料中的数据挖掘与大数据分析知识点进行梳理，以帮助考生进行系统的复习和准备。
一、数据挖掘介绍数据挖掘是从大规模的数据集中发现隐藏的模式、关联和知识的过程。
它是将统计学、机器学习、数据库技术和人工智能相结合的跨学科领域。
数据挖掘的技术包括分类、聚类、关联规则挖掘、异常检测等。
1.1 数据挖掘的应用领域数据挖掘技术在多个领域有着广泛的应用。
例如，电子商务领域可以利用数据挖掘技术进行用户行为分析、个性化推荐等；金融领域可以通过数据挖掘技术进行信用评估、风险预测等；医疗领域可以利用数据挖掘技术进行疾病诊断、药物研发等。
1.2 数据挖掘的基本流程数据挖掘的基本流程包括问题定义、数据预处理、特征选择与数据变换、模型构建与评估等阶段。
每个阶段都有相应的技术和方法。
二、大数据分析介绍大数据分析是通过对大规模的数据进行分析，从中获取价值和洞察。
大数据分析是为了解决传统数据处理工具和方法无法适应大规模数据处理的需求而提出的。
2.1 大数据分析的关键技术大数据分析依赖于多种关键技术。
其中，数据存储技术包括分布式文件系统和NoSQL数据库；数据处理技术包括分布式计算和并行处理；数据分析技术包括数据挖掘、机器学习和深度学习等。
2.2 大数据分析的挑战和应用大数据分析面临着数据量大、处理速度快、模型复杂等挑战。
然而，大数据分析也具有广泛的应用前景。
如智能交通、智能城市、智能制造等领域都离不开大数据的支持和分析。
三、数据挖掘与大数据分析的关系数据挖掘和大数据分析是紧密相关的。
数据挖掘是从大数据中发现知识和模式的过程，而大数据分析侧重于对大数据进行统计和分析，并从中获得信息和洞察。
两者相辅相成，共同为实际应用提供支持。
本科数据挖掘课程教学经验浅谈
理 。 原始 数据 转换 为 有利 于 挖掘 的数 据形 式 ； 将 第二 步 算 法 。 １从是 否 需要 详 细讲 解 、 否 需要 程 序 实现 、 表 是 是 对 预 处 理后 的数 据 。利 用数 据 挖 掘 方法 如 聚类 、 分 是 否需 要实 践应用 三个 方 面对本 科数 据 挖掘课 程 中理 类 、 联分 析等 对处 理后 的数 据进 行建 模 ； 三步是 依 论 算法 部分 的讲解 进行 了详 细剖 析 。其 中详 细讲解 是 关 第 据 领域 知识 对 挖掘 出 的模 型进 行解 释 ．转 换 为对应 的 指 以具 体数 据集一 步一 步 的进行 详细 讲 解 阐释 。以让 学 生对算 法有 一个 完整 的直 观理解 。程 序实现 是指 对 领 域决 策知 识 。
２ １ 第 １期 ０ ２年福来自 建 电脑 ４ ３
本 科数 据挖 掘 课 程教 学 经验 浅 谈
李 霞
（广 东外语 外 贸 大学思科 信 息学 院 广 东 广 州 ５ ０ ０ １ ０ ６）
【 摘
要 】 结合 作 者 多年教 授数 据挖 掘课 程 的教 学经 验 ， ： 文章分 别从 理论 教 学 、 实验教 学和 实践教 学
三 个方 面探讨 了如 何 高效 率的 进行 数据 挖掘 课程 教 学 ， 如何 提 高学生 对该课程 的兴趣 ， 何激 发 学 生的创 如 造性 ， 其积 极主 动 的 学好 数 据挖掘课 程 。 使
【 关键词】 ：数据挖掘； 高等教 育； 本科教 学；
Ｏ、 言 引
算机 专业 的数 据挖 掘课程 为 例 ．我 们 的数 据挖 掘课 程 数 据挖 掘 技术 由于 能够 处 理 海量 的数 据 ．并 能 够 是 在计算 机 、软件 工程及 网络工 程三 个专 业 的大三 上
模式识别与数据挖掘
模式识别与数据挖掘摘要模式识别和数据挖掘是现代计算机科学中重要的研究领域。
它们可以帮助我们通过算法和技术，从大量的数据中发现有用的信息和模式。
本文将介绍模式识别和数据挖掘的基本概念、主要任务和应用领域，并讨论它们在实际应用中的意义和局限性。
1. 引言在当今信息时代，我们面临着大量的数据和信息。
这些数据包含着丰富的信息，但也隐藏着大量的“噪音”。
如何从海量数据中提取有用的信息和模式成为了一个重要的问题。
模式识别和数据挖掘就是应对这个问题的有效工具。
2. 模式识别模式识别是指通过计算机自动识别和分类数据中的模式或特征。
它是一个研究数据分析和人工智能的交叉学科。
模式识别技术可应用于多个领域，如图像识别、语音识别、生物信息学等。
在模式识别中，常用的算法包括支持向量机、人工神经网络、决策树等。
2.1 模式识别的基本概念模式识别的基本概念包括特征提取、特征选择、分类器训练和模型评估。
特征提取是指从原始数据中提取出有用的特征或属性。
特征选择是指从所有可选的特征中选择出最相关的特征。
分类器训练是指通过使用已标注的数据训练分类器模型。
模型评估是指评估训练好的模型的性能和准确度。
2.2 模式识别的主要任务模式识别的主要任务包括分类、聚类、关联规则挖掘和异常检测。
分类是将数据分为不同的类别或组别。
聚类是将数据划分为不同的簇或组。
关联规则挖掘用于发现数据中的关联性和相关性。
异常检测用于发现数据中的异常或离群点。
3. 数据挖掘数据挖掘是指从大量的数据中发现隐藏的模式、关联和知识。
它具有广泛的应用领域，如市场营销、金融分析、医疗诊断等。
数据挖掘的过程包括数据预处理、模式发现、模式评估和模式应用。
3.1 数据挖掘的基本步骤数据挖掘的基本步骤包括数据清洗、数据集成、数据转换、数据挖掘、模型评估和模型应用。
数据清洗是指处理数据中的噪音和缺失值。
数据集成是将多个数据源的数据集成到一个数据集中。
数据转换是将原始数据转换为适合挖掘的形式。
浅析计算机领域的数据挖掘技术
时 间等 ） 的数 据 挖掘 、 递增 式 数 据 挖 掘 、 多分 辨 率 及 多 层 次数 据 挖 掘、 并行 数 据挖 掘 、 感 图像 数据 库 的 数 据 挖 掘 、 遥 多媒 体 空 间数 据
库 的知 识 发 现 等 。
方 法 的 结合 ， 即尽 可 能利 用ＧＩ 提供 的功 能 ， 大 限度 的 减少 用 户 Ｓ 最 自行 开 发 的工 作 量 和难 度 ， 又可 以保持 外部 空 间数 据挖 掘 模 式 的 灵 活 性 。 用 空 间数 据 挖 掘 技术 可 以 从空 间数 据 库 中 发 现如 下 几 利 种主 要 类 型 的知 识 ： 遍 的 几 何知 识 、 间分 布 规律 、 间 关联 规 普 空 空 律 、 间聚 类 规 则 、 间特 征 规 则 、 间 区分规 则 ， 间演 变 规 则 、 空 空 空 空 面 向对 象 的知 识 。
式 的 可能 性 和待 解 决 问题 的维 数 都 很 大 ， 仅增 大 了 算法 的搜索 不 空 间 ， 增加 了盲 目搜 索 的 可 能性 。 也 （） ３ 没有 公认 的 标准 化 空 间数 据 挖 掘 查询 语 言 。 据 库技 术 飞 数 速 发 展 的 原 因 之 一 就 是 数 据 库 查 询 语 言 的 不 断完 善 和 发 展 ， 因
１、 间数 据 挖 掘 研 究 概 述 空
空 间数据 挖掘 （ ａｉｌＤ ｔ ｎｎ ， ｓ ｔ ａ ａ Ｍｉ ｉｇ 简称Ｓ Ｍ）是 指 从空 间 ｐ ａ Ｄ ， 数 据 库 中提 取 用 户 感 兴趣 的 空 间模 式 、 遍 关 系 、 据 特 征 的过 普 数 程 。 间 数 据 挖 掘 技 术综 合 数 据 挖 掘 技术 与 空 间 数 据 库 技 术 ， 空 可 用 于对 空 间 数据 的理 解 、 间 关系 和 空 间 与非 空 间关 系 的 发 现 、 空
对数据挖掘的认识
对数据挖掘的认识一、数据挖掘的理解数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据集中识别出有效的、新颖的、潜在有用的，以及最终可理解的知识的非平凡过程。
这个定义包括几层含义：数据源必须是真实的、大量的、含噪声的；发现的是用户感兴趣的知识；发现的知识要可接受、可理解、可运用；并不要求发现放之四海皆准的知识，仅支持特定的发现问题。
数据挖掘，简单地可理解为通过对环境数据的操作，从数据中发现有用的知识。
它是一门涉及面很广的交叉学科，包括机器学习、数理统计、神经网络、数据库、模式识别、粗糙集、模糊数学等相关技术。
就具体应用而言，数据挖掘是一个利用各种分析工具在海量数据中发现模型和数据间关系的过程，这些模型和关系可以用来做出预测。
从商业角度上看，数据挖掘是一种新的商业信息处理技术，其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取辅助商业决策的关键性数据。
数据挖掘与传统的数据分析(如查询、报表、联机应用分析)的本质区别是数据挖掘是在没有明确假设的前提下去挖掘信息、发现知识。
数据挖掘所得到的信息应具有先前未知，有效和可实用三个特征。
先前未知的信息是指该信息是预先未曾预料到的，既数据挖掘是要发现那些不能靠直觉发现的信息或知识，甚至是违背直觉的信息或知识，挖掘出的信息越是出乎意料，就可能越有价值。
二、数据挖掘的主要方法数据挖掘技术主要来源于四个领域： 统计分析、机器学习、神经网络和数据库。
所以，数据挖掘的主要方法可以粗分为：统计方法、机器学习方法、神经网络方法和数据库方法。
统计方法主要包括：回归分析（多元回归、自回归等）、判别分析（贝叶斯判别、费歇尔判别、非参数判别等）、聚类分析（系统聚类、动态聚类等）、探索性分析（主元分析法、相关分析法等）、以及模糊集、粗集、支持向量机等。
模糊集方法即利用模糊集合理论对实际问题进行模糊评判、模糊决策、模糊模式识别和模糊聚类分析。
系统的复杂性越高，模糊性越强，一般模糊集合理论是用隶属度来刻画模糊事物的亦此亦彼性的。
人工智能与数据挖掘
人工智能与数据挖掘人工智能（Artificial Intelligence，简称AI）是一门研究如何使计算机能够像人一样思量、学习和决策的科学。
数据挖掘（Data Mining）是从大量数据中发现实用的信息和模式的过程。
人工智能与数据挖掘的结合，可以匡助我们从海量的数据中提取有价值的信息，辅助决策和解决问题。
一、人工智能与数据挖掘的概念和原理1. 人工智能的概念和发展：人工智能是一门涉及计算机科学、认知心理学和哲学的交叉学科，旨在研究和开辟能够摹拟人类智能的计算机系统。
其发展经历了符号主义、连接主义和统计学习等不同阶段，如今已广泛应用于图象识别、自然语言处理、机器翻译等领域。
2. 数据挖掘的概念和过程：数据挖掘是从大量数据中发现潜在模式和知识的过程。
其主要过程包括数据预处理、特征选择、特征提取、模型构建和模型评估等步骤。
数据挖掘技术可以匡助我们发现隐藏在数据暗地里的规律和趋势，从而支持决策和预测。
3. 人工智能与数据挖掘的关系：人工智能与数据挖掘密切相关，数据挖掘为人工智能提供了大量的数据支持，而人工智能则为数据挖掘提供了更加智能化的算法和模型。
二者相互促进，共同推动了科学技术的发展和应用。
二、人工智能与数据挖掘的应用领域1. 金融领域：人工智能与数据挖掘在金融领域的应用非常广泛。
例如，利用数据挖掘技术可以对金融市场进行预测和分析，匡助投资者做出更明智的投资决策；利用人工智能技术可以开辟智能风控系统，识别和预防金融风险。
2. 医疗领域：人工智能与数据挖掘在医疗领域的应用可以辅助医生进行疾病诊断和治疗方案制定。
例如，利用人工智能技术可以对医学影像进行自动分析和识别，匡助医生快速准确地发现异常情况；利用数据挖掘技术可以对大量的医疗数据进行分析，发现疾病的潜在规律和风险因素。
3. 零售领域：人工智能与数据挖掘在零售领域的应用可以匡助企业进行市场营销和销售预测。
例如，利用人工智能技术可以根据消费者的购买历史和行为特征，进行个性化推荐和定制化营销；利用数据挖掘技术可以分析销售数据，发现产品的热销趋势和潜在的消费者群体。
计算机数据挖掘
浅谈计算机数据挖掘摘要：社会的发展进入了网络信息时代，随之产生了各种类型的数据海量。
在这些数据的背后隐藏着许多重要的信息，如何从这些数据中找出某种规律，发现有用信息，越来越受到人们的关注。
数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。
数据挖掘技术为应对信息爆炸，海量信息的处理提供了科学和有效的手段。
本文介绍了数据挖掘的概念、对象、任务、过程、方法、应用领域及其面临的挑战。
关键词：计算机；数据；挖掘技术中图分类号：tp391计算机数据挖掘技术的产生是社会的一种进步，了解计算机数据挖掘对我们来说非常的重要，计算机数据挖掘在网络信息时代的今天对于一个企业来说非常的重要，计算机数据挖掘甚至成为很多企业的核心竞争力，我们要充分认识数据挖掘的概念、对象、任务、过程、方法和应用领域，只有充分地认识数据挖掘的概念、对象、任务、过程、方法和应用领域，我们才能够更好地完善和发展它。
1 计算机数据挖掘的概念及对象1.1 计算机数据挖掘的概念计算机数据挖掘是在社会的发展进入了网络信息时代之后产生的网络衍生产品，计算机数据挖掘主要是通过一定的手段对企业内部进行数据挖掘，然后通过一定的分析，对那些通过数据挖掘得到的数据进行整理，进而分析企业的市场以及企业的发展等等问题。
计算机数据挖掘对处于网络信息时代之中的企业来说非常重要，它是处于网络信息时代之中的企业长远发展的助推器，作为处于信息时代的企业要抓住这个促进自己发展的大好契机。
1.2 计算机数据挖掘的对象计算机数据挖掘具有一定的针对性，计算机数据挖掘的对象（目标数据）并不是所有的数据，它是具有选择性的，计算机数据挖掘的对象主要是指企业中能够揭示一些未发现的隐藏信息和企业中比较有意义和研究价值的数据，明确这一点非常的重要，计算机数据挖掘的对象的选择性是影响计算机数据挖掘效率的主要因素，对于一个没有充分认识计算机数据挖掘对象的选择性的企业来说，它的计算机数据挖掘的效率会比成熟的计算机数据挖掘的企业或者是充分认识到计算机数据挖掘的对象的选择性的企业要低得多。
计算机科学专业文献研究人工智能与数据挖掘
计算机科学专业文献研究人工智能与数据挖掘一、引言计算机科学作为一门快速发展的学科，涵盖了众多领域，其中人工智能（Artificial Intelligence，AI）和数据挖掘（Data Mining）作为两大热门方向备受关注。
本文将重点探讨人工智能与数据挖掘在计算机科学专业文献研究中的应用和发展。
二、人工智能在文献研究中的应用人工智能作为计算机科学领域的一个重要分支，在文献研究中发挥着重要作用。
首先，人工智能技术可以帮助研究者更高效地进行文献检索和分析。
通过自然语言处理技术，可以实现对海量文献的智能搜索和筛选，帮助研究者快速找到所需信息。
其次，人工智能还可以应用于文献内容的自动分类和标注，提高文献管理的效率和准确性。
此外，基于机器学习和深度学习的方法，还可以帮助发现文献之间的关联性和新知识，推动学术研究的进展。
三、数据挖掘在文献研究中的应用数据挖掘作为从大规模数据中发现潜在模式和知识的过程，在文献研究中也有着广泛的应用。
首先，数据挖掘技术可以帮助研究者从海量文献中挖掘出隐藏在其中的规律和趋势，为学术研究提供有力支持。
其次，通过对文献引用网络和作者合作关系的分析，可以揭示学术界的结构和动态变化，帮助评估文献的影响力和学术贡献。
此外，数据挖掘还可以应用于文献相似性分析和知识图谱构建，为跨学科研究和知识管理提供新思路。
四、人工智能与数据挖掘的结合应用人工智能与数据挖掘作为两大前沿技术，在文献研究中的结合应用也呈现出巨大潜力。
通过将自然语言处理、机器学习和网络分析等技术相结合，可以实现对文献内容的深度理解和全面分析。
例如，利用深度学习模型对文本进行情感分析和主题建模，可以帮助快速把握文献蕴含的信息和观点。
同时，基于图神经网络等技术对文献引用网络进行建模和预测，可以揭示学术界的演化规律和未来趋势。
五、结语综上所述，人工智能与数据挖掘在计算机科学专业文献研究中发挥着重要作用，并呈现出日益密切的融合趋势。
随着技术的不断进步和应用场景的不断拓展，相信它们将为学术界带来更多创新和突破，推动科学知识的传播与交流。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
术。 人工智能技术是近些年来新兴的计算机数据挖掘的技术 ， 它在数据挖掘中
的应 用 比较广 ， 它 可以对 数据进 行推 断和 智能 代理 ， 是 计算 机数据 挖 掘 的重要 技术 ， 第三， 决策树 方法 。 决策树 方法 是代 表决 策集合 的 单杆结 构 ， 它 具有一 定 的分 类规 则 ， 有 一定 的预 测作用 ， 是计 算机 数据 挖 掘的 主要 技术 之一 。 ３ ． ２ 计算 机数 据挖 掘 的方法
类型分为三类： 记录数据， 给予图形的数据和有序的数据 。
２数据 挖掘 的 价值 实现 难 点分 析 数据 挖掘 是数据 库 中的知 识 发现 ， 从知识 发 现到知识 应 用、 再到价 值评 估 是一条 数据 挖掘 价值 变现 的过程 ， 虽然 数据挖 掘重 要性 毋庸置 疑 Ｉ 但 事实上 其 转变 商业 价值 之路 仍有 较多 困难 。
随着近些年数据挖掘技术的广泛使用， 数据挖掘的方法也在不断的进步和 完善 ， 现阶段主流的数据挖掘的方法有分类、 关联规则、 聚类分析等。 分类是找
出一组 数据对 象的共 同特点 并按 照既定 的分类模 式将其 划分 为不 同的类别 。 关 联分析 是描述 数据 之间所存 在的 关联规则 ， 即根据一个 事务 中某些 项 的出现 可 导 出另一 些项 在 同一事务 中也出现 ， 即隐藏 在数据 间 的关联 或相 互关 系 。 聚 类 分析 是把一 组数据按 照相似 性和 差异性分 为几个 类别 ， 使得 属于 同一类 别的数 据 间的相 似 性尽 可能 大 。 。 ３ ． ３ 计算机 数据 挖掘 的应用 领域
数据挖掘（ Ｄ ａ ｔ ａ Ｍｉ ｎ ｉ ｎ ｇ ） 是指基于一定业务 目标下从海量数据 中挖取潜
在 的、 合 理 的并能 被 人理 解 的模式 的高 级处 理过程 。 与传统 的数 据分 析最 大本 质 区别是 数据 分析所 得 到的信 息具 有先 前未 知、 有效 和实 用三个 特征 ， 即数据
计算机 数据 挖掘技 术的产生 是社 会的一种 进步 ， 了解计 算机数 据挖掘对 我 们来说 非常 的重要 ， 计算机 数据 挖掘在 网络信 息时代 的今天对 于任何 一个 企业 来说都 是非常 的重要 ， 我们 要 充分认识 数据 挖掘 的概念 、 对象 、 任务、 过程、 方法 和应用 领域 ， 只有 充分ＵＰ， 识数 据挖掘 的概 念 、 对象、 任务 、 过程 、 方法 和应 用领 域， 我们 才 能够 更好地 完 善和 发展 它 。
清 晰的 界定 ， 数 据挖掘 的存 在价 值都 会大 打折 扣。 曾经有 个 笑话 ， “ 通过 我们 海
量 数据 发现 ， 中国 的１ ５ － ２ ０ ￣ 的男性 网 民最 喜欢使 用Ｑ Ｑ即时通讯工 具 ” ， 这样 的
知 识 发现虽 然是个 笑话 ， 但在 现实行 业里 是个 不争 的事 实 。 数据挖 掘 的价值 应
这一点非常的重要， 计算机数据挖掘的对象的选择性是影响计算机数据挖掘效 率的主要因素， 对于一个没有充分认识计算机数据挖掘对象的选择性的 企业来
说， 它 的计算机数 据挖 掘的效 率会 比成熟的 计算机 数据挖 掘的企 业或者 是充分 认 识到计 算 机数据 挖掘 的对 象 的选择性 的企 业要 低得 多 。 同时 ， 明确 目标数 据 的 类型 也非 常重要 ， 它直接 决 定了要 使用 的数据 挖掘 技 术和方 法 ， 大体 上数据
３ ． １计算机数据挖掘的技术 计算机数据挖掘有很多的专业技术， 我们来简单介绍一下主要的计算机数
据 挖掘 的技术 ： 第一 ， 计 算机数据 挖掘 的统计 技术 。 统计是 计算 机数据 挖掘 必不 可少 的技术 ， 在 数据 清理 过程 中 ， 统计提 供数 据发 现极 端值 。 第二， 人工 智 能技
挖掘 出来 的信 息越 出乎 意料 越 有价值 。
１ ． ２ 计 算机数 据挖 掘 的对 象
计算机数据挖掘具有一定的针对性， 计算机数据挖掘的对象（ 目标数据） 并
不是 所有 的数 据 ， 它是 具有 选择性 的 ， 计算 机 数据挖 掘 的对象 主要 是指企 业 中
能够揭示一些未发现的隐藏信息和企业中比较有意义和研究价值的数据， 明确
当是显 现 的、 直 观 的、 令 人信 服的 ， 不在 于挖 掘 的技术 多么 高深 ， 而 在于 整个 体
系的搭建和成果的展现 ， 做的再好， 看不到效果 ， 等于无效。
３计算 机数 据挖 掘的 技 术方 法 ． 应 用领 域疑 挑战
１计算机数据挖掘的概念及对象
１ ． １ 计 算机数 据挖 掘 的概念
科 学 论 坛
ቤተ መጻሕፍቲ ባይዱ
ｌ ■
Ｃ ｈ ｉ ｎ ａ ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ Ｒ ｅ ｖ ｉ ｅ ｗ
浅 谈 计 算 机 数 据 挖 掘
李艳 阳
（ 同济 大学 ） ［ 摘 要］ 目前 ， 随着社 会 经济 的快 速 发展 ， 人类 已经 进入 了网 络信 息 时代 ， 随之 产生 了各 种 类型 的数 据 海量 。 在 这 些数 据 的背后 隐藏着 许 多重 要 的信 息 ， 如 何 从这 些数据 中找出某 种规律 ， 发现有 用信 息 ， 越来 越受到 人们 的重 视 。 数据挖 掘就 是从 大量 的 、 不完全 的 、 有噪 声的 、 模糊 的 、 随机 的实 际应 用数据 中 。 提取 隐含 在 其中的、 事先不知道的、 但又是潜在有用的信息和知识的过程。 数据挖掘技术为海量信息的处理提供了科学和有效的手段。 本文介绍了数据挖掘的概念 、 对象、 任务、 过程、 方法、 应 用领 域及 其面 临的 挑 战 。 ［ 关键 词］ 计算机； 数据， 挖掘 技 术 中图分 类号 ： Ｇ６ ３ ３ ． ６ ７ 文 献标 识鹂 ： Ａ 文 章编 号 ： １ ０ ０ ９ － ９ ｌ ４ ｘ（ ２ ０ １ ４ ） ４ ２ — ０ １ ３ ４ － ０ １