一、基于概率模型的个性化算法及其在证券业的应用（论文文献综述）
邓庆山[1]（2009）在《基于数据挖掘技术的上市公司会计信息失真识别研究》文中认为公司财务造假是一个历史悠久、影响极其恶劣的国际性难题。1720年的英国南海公司事件是世界上第一例上市公司财务造假案。南海公司事件直接导致了两个结果：一是股份公司近100年的关闭；二是以注册会计师为主体的民间审计的出现。尽管如此,公司财务造假现象一直没有消失,远的如1929年美国罗宾斯财务造假导致的美国股市的大崩溃,近的如2001年美国的安然公司事件都是典型的财务造假案例。而在我国,继琼民源、PT郑百文等财务造假丑闻之后,又暴露出了银广夏、ST黎明、蓝田股份等财务造假恶性案件。上市公司财务造假问题引起了社会各方面的关注。针对公司的财务造假问题,专家学者进行了大量的定性或者定量的研究,取得了一定的研究成果。本文从舞弊理论、舞弊特征、舞弊识别模型等三个角度充分分析了国内外研究现状,在此基础上,进行了以下几个方面的研究。（一）分析财务造假的原因和手段。本文从两个角度分析了财务造假的原因,一是客观原因,二是内在动因。客观原因包括：政府职能的问题、公司治理结构的缺陷、证券市场相关制度的不完善、不健全的监管机制等；内在动因有：公司为了取得股票发行资格、提高股票发行价格、取得配股资格、避免被“戴帽”或者争取“摘帽”、为维持和提高股票价格、为了获取信贷资金和商业信用、为了业绩考核、为了满足发行债券的条件、为了减少纳税而粉饰会计报表等。财务造假的手段主要是利用关联方交易、资产重组、选用不当会计政策、会计政策与会计估计变更、资产评估等手段进行利润调节。（二）分析确定舞弊识别变量和实验样本。我们将1999-2002年持续经营、未被取消上市资格的上市公司作为训练样本的选择基础,将2003-2006年上市公司作为选择测试样本的基础。我们将审计意见为“拒绝表示意见”或“否定意见”或“无法表示意见”作为选择虚假财务报告样本的基础；另外再根据中国证券市场的历史特点,按照一定的标准选择控制样本。参考前人的研究成果,从偿债能力及管理效率比率、利润-现金创造能力比率、费用配比合理性比率、公司增长潜力比率、公司发展协调性比率等几个角度分析确定了47个备选舞弊识别变量。（三）设计基于分类方法的虚假财务报告识别框架,并使用多种分类方法进行虚假财务报告识别研究,引入期望错误分类成本概念,对分类实验结果进行比较。首先根据大部分分类方法以及财务报表数据的特点,设计了基于分类方法的虚假财务报告的识别框架。并依据此框架,分别使用Logistic回归、神经网络、支持向量机、朴素贝叶斯等分类方法进行了实证分析。在进行实证分析时,使用按一定标准选择的训练样本和经过论证分析后选择确定的识别变量对这四种分类模型分析进行了训练,然后使用测试样本检验不同的分类模型的分类效果,并基于期望错误分类成本,对这四种分类模型的识别效果进行了综合比较分析,发现神经网络和朴素贝叶斯两种分类方法在识别准确率和稳定性方面要好于另外两种方法。（四）提出一种聚类方法进行虚假财务报告的聚类分析。在目前的审计环境下,单纯以公司财务报告的注册会计师审计结果来判断该财务报告的真假是有风险的（尤其是判断为真的时候）。所以有监督分类方法的学习结果可能使得分类存在一定的偏差。由于聚类是一种无监督学习的数据挖掘技术,无监督的学习与有监督的学习不同,它不要求学习样本带有类别的信息,或者说不需要有先验知识,所以聚类方法对纷繁复杂的、真假难辨的会计信息进行真假识别或许更有帮助。基于此,本文设计了一种基于聚类有效性测度的自组织映射和K均值聚类相结合的聚类模型V-KSOM。此模型继承了自组织映射自主学习的优点；将K均值聚类运用于训练完成后的自组织映射平面网格结点,可以有效地划分聚类边界,克服了自组织映射聚类边界不清晰的缺点；由于自组织映射受结点初始值（随机产生）及样本学习顺序（随机的）的影响,聚类结果不稳定,为了选择最佳的聚类结果,本模型引入一种有效性测度来评判每次聚类结果。使用该聚类模型对虚假财务报告进行聚类分析,实验结果表明该模型是行之有效的。
左军姿[2]（2009）在《基于客户分析的证券电子商务个性化信息服务研究》文中进行了进一步梳理证券行业的高度信息依赖性以及信息化的快速发展决定了信息服务的质量将成为证券公司赢得日趋激烈的竞争的关键。证券电子商务个性化信息服务是针对证券行业客户数据丰富、客户信息需求与投资偏好密切相关等特点,通过对客户特征的分析明确客户信息需求,为客户提供有针对性的个性化信息服务,目的在于帮助证券公司提高信息服务质量,从而提高客户满意度和竞争力。本文的研究基于国内外对个性化信息服务的研究成果和发展现状,结合我国证券行业的特点及信息服务现状,分析了在证券信息服务中引入个性化服务思想的依据,提出了基于客户分析的证券电子商务个性化信息服务模式。在此基础上本文分别展开研究了基于客户分析证券电子商务个性化信息服务的实现原理和实施方法,其中重点在于分析证券行业客户特征及其对客户信息需求的影响以及构建基于客户分析的证券个性化信息服务的实施框架、明确各个阶段的步骤及使用的方法。在理论研究的基础上,本文以某证券公司信息服务现状为背景,探讨了利用信息系统实现个性化信息服务的具体应用,并提出了相应的解决方案。最后,本文对进一步工作的方向进行了简要的讨论。
朱妙敏[3]（2008）在《基于客户分析的证券个性化信息服务研究》文中研究指明证券行业的高度信息依赖性以及信息化的快速发展决定了信息服务的质量将成为证券公司赢得日趋激烈的竞争的关键。基于客户分析的证券个性化信息服务是针对证券行业客户数据丰富、客户信息需求与投资偏好密切相关等特点,通过对客户特征的分析明确客户信息需求,为客户提供有针对性的个性化信息服务,目的在于帮助证券公司提高信息服务质量,从而提高客户满意度和竞争力。本文的研究基于国内外对个性化信息服务的研究成果和发展现状,结合我国证券行业的特点及信息服务现状,分析了在证券个性化信息服务中引入客户分析思想的依据,提出了基于客户分析的证券个性化信息服务模式。在此基础上本文分别展开研究了基于客户分析的证券个性化信息服务的实现原理和实施方法,其中重点在于分析证券行业客户特征及其对客户信息需求的影响以及构建基于客户分析的证券个性化信息服务的实施框架、明确各个阶段的步骤及使用的方法。在理论研究的基础上,本文以某证券公司信息服务现状为背景,探讨了利用信息系统实现基于客户分析的个性化信息服务的具体应用,并提出了相应的解决方案。最后,本文对进一步工作的方向进行了简要的讨论。
张旭娟[4]（2007）在《城市公安刑事案件的关联分析模型研究》文中认为“金盾工程”建设在全国进入全面推进的新阶段，城市公安信息化基础工作建设取得了巨大成绩，同时也存在一些问题，如公安各类信息资源没有得到充分挖掘和合理利用，不能以简便、灵活的应用手段为领导和一线民警开展工作提供综合信息和科学决策支持。近年来发展的数据挖掘技术能够发现数据中隐藏的规律，起到辅助决策的作用。本文研究的主要内容是数据挖掘技术在城市公安应用研究中一个重要部分——刑事案件的关联分析模型。本文首先提出了城市公安刑事案件关联分析模型的总体框架，然后研究了模型各步骤中使用的方法与算法，主要有以下几个方面：在数据预处理过程中，给出了适合公安数据提取与清理的策略，在此基础上，建立刑事案件多维数据模型，包括选取星型数据模式，使用分箱等方法对数据进行离散化与概念分层处理，建立数据立方体。然后进行多维关联规则挖掘，利用改进的Apriori算法寻找频繁谓词集，按照最小支持度与最小置信度的要求在频繁谓词集中产生强关联规则。在进行多层关联规则挖掘时，本文分析选取了层交叉单项过滤策略，通过修改多维频繁谓词集算法来发现不同概念层中的频繁谓词集，产生强关联规则，最后利用检验冗余规则原则去除冗余结果。在本文的最后，利用大连市公安局提供的刑事案件数据，按照模型的方法与步骤，选择了适当的工具，完成了大连市甘井子区刑事案件的关联分析，验证了模型的正确性与有效性。本文的研究为今后城市公安数据挖掘应用研究提供了参考，对辅助公安决策具有理论意义与现实意义。
冯瑶[5]（2006）在《基于零售业的数据挖掘技术和关联规则算法的改进研究》文中指出随着全球化进程的加速扩展,零售企业面临着来自世界范围内的巨大竞争压力,于是迫切需要利用有价值的商业信息和知识来应付日益激烈的市场挑战。如何有效地开发利用信息资源,成为所有零售企业信息工作的重点。数据挖掘帮助人们从数据的汪洋大海中挖掘出与企业决策相关联的信息,并在此基础上制定有效、针对顾客的销售方案,最终为企业带来更多的利润。数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中,提取隐含在其中、人们事先并不知道、但又是潜在有用的信息和知识的过程。论文首先分析了数据挖掘的研究与发展状况,在数据挖掘的发展历史、目前存在的问题以及发展方向等方面做了相应的研究和总结工作,并提出了一些自己的看法,为进一步对数据挖掘技术的研究奠定了基础。然后讨论了数据挖掘的基本技术和方法,尤其侧重于基于零售业的数据挖掘技术的分析,进而对其中的关联分析方法进行了详细的研究。在此基础上,以一个超市的销售数据为平台进行了数据挖掘研究,并对Apriori算法做出了相应的改进,取得了较好的效果。
许湘,黄林鹏[6]（2004）在《基于概率模型的个性化算法及其在证券业的应用》文中指出传统的信息检索技术满足了人们一定的需要,但由于其通用的性质,仍不能满足客户不同背景、不同目的和不同时期的查询要求。 该文提出了一种基于概率模型的个性化信息搜索算法以提高搜索的速度和精度,最大限度地满足了客户的需要。
二、基于概率模型的个性化算法及其在证券业的应用（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、基于概率模型的个性化算法及其在证券业的应用（论文提纲范文）
（1）基于数据挖掘技术的上市公司会计信息失真识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1. 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 相关概念界定 |
| 1.4 研究的技术路线与内容安排 |
| 1.4.1 技术路线 |
| 1.4.2 论文内容安排 |
| 2. 文献综述 |
| 2.1 国外财务舞弊研究综述 |
| 2.1.1 舞弊理论研究 |
| 2.1.2 舞弊特征研究 |
| 2.1.3 舞弊识别模型研究 |
| 2.2 国内财务舞弊研究综述 |
| 2.2.1 舞弊理论研究 |
| 2.2.2 舞弊特征研究 |
| 2.2.3 舞弊识别模型研究 |
| 2.3 数据挖掘技术及其应用现状 |
| 2.3.1 数据挖掘的含义与功能 |
| 2.3.2 数据挖掘在经济管理领域的典型应用 |
| 2.4 评述 |
| 3. 财务造假分析 |
| 3.1 造假原因分析 |
| 3.1.1 客观环境分析 |
| 3.1.2 内在动因分析 |
| 3.2 造假手段分析 |
| 3.2.1 关联方交易 |
| 3.2.2 资产重组 |
| 3.2.3 选用不当会计政策 |
| 3.2.4 会计政策、会计估计变更 |
| 3.2.5 资产评估 |
| 3.2.6 其他手段 |
| 4. 研究样本与变量选择 |
| 4.1 样本选择 |
| 4.2 变量选择 |
| 4.3 指标计算及其标准化 |
| 5. 基于分类方法的虚假财务报告识别研究 |
| 5.1 基于分类方法的虚假财务报告识别框架 |
| 5.2 Logistic回归分析及其应用 |
| 5.2.1 Logistic回归简介 |
| 5.2.2 实验过程与分析 |
| 5.3 神经网络及其应用 |
| 5.3.1 人工神经网络的特点 |
| 5.3.2 神经元及其特性 |
| 5.3.3 BP神经网络模型 |
| 5.3.4 基于神经网络的虚假财务报表的识别 |
| 5.4 支持向量机及其应用 |
| 5.4.1 支持向量机理论 |
| 5.4.2 基于支持向量机的会计信息失真的识别 |
| 5.5 贝叶斯分类及其应用 |
| 5.5.1 朴素贝叶斯分类简介 |
| 5.5.2 朴素贝叶斯分类的应用 |
| 5.6 几种分类方法实验结果的比较 |
| 6. 虚假财务报告的聚类研究 |
| 6.1 自组织映射 |
| 6.2 K均值聚类方法 |
| 6.3 聚类有效性 |
| 6.4 V-KSOM模型 |
| 6.5 V-KSOM模型的应用 |
| 6.5.1 实验样本选择 |
| 6.5.2 变量选择 |
| 6.5.3 实验过程与结果分析 |
| 7. 总结与展望 |
| 7.1 研究总结 |
| 7.2 本文创新之处 |
| 7.3 研究的局限和今后研究方向 |
| 参考文献 |
| 攻读博士期间取得的科研成果 |
| 致谢 |
| 附录1:分类训练样本中88家公司列表 |
| 附录2:分类测试样本中172家公司列表 |
| 附录3:聚类实验样本中100家公司列表 |
（2）基于客户分析的证券电子商务个性化信息服务研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 中国证券电子商务发展历程 |
| 1.1.2 证券行业对个性化信息服务的依赖 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究现状及评价 |
| 1.4 研究内容和框架 |
| 第二章 个性化信息服务基本理论及应用 |
| 2.1 信息服务模式及其发展趋势 |
| 2.2 个性化信息服务概述 |
| 2.2.1 个性化信息服务内涵 |
| 2.2.2 个性化信息服务的特点 |
| 2.3 个性化信息服务分类 |
| 2.3.1 基于人工建模的个性化信息服务 |
| 2.3.2 基于示例建模的个性化信息服务 |
| 2.3.3 基于自动建模的个性化信息服务 |
| 2.4 个性化信息服务的应用现状 |
| 2.4.1 个性化信息服务的主要应用领域 |
| 2.4.2 个性化信息服务在证券电子商务中的应用 |
| 2.4.3 客户分析基础上的证券电子商务个性化信息服务 |
| 第三章 证券客户分析与信息服务个性化 |
| 3.1 证券客户分析 |
| 3.1.1 证券客户信息 |
| 3.1.2 客户分析内容 |
| 3.1.3 客户分析指标与分类 |
| 3.2 证券信息个性化需求分析 |
| 3.3 客户特征对信息服务的影响 |
| 3.3.1 客户贡献度对信息服务的影响 |
| 3.3.2 客户行为偏好对信息服务的影响 |
| 3.3.3 客户反馈分析对信息服务的影响 |
| 第四章 基于客户分析的证券电子商务个性化信息服务的实施方法 |
| 4.1 基于于客户分析的证券电子商务个性化信息服务实施框架 |
| 4.2 用户模型构建 |
| 4.2.1 客户信息采集 |
| 4.2.2 客户特征分析 |
| 4.2.3 客户需求定义 |
| 4.3 信息资源推荐 |
| 4.3.1 信息资源采集 |
| 4.3.2 信息加工处理 |
| 4.3.3 个性化信息推荐 |
| 4.4 信息服务的评估与持续改进 |
| 第五章 基于客户分析的证券电子商务个性化信息服务案例分析 |
| 5.1 案例背景 |
| 5.1.1 证券行业网络信息服务简介 |
| 5.1.2 某证券公司网上信息服务现状 |
| 5.2 存在问题 |
| 5.3 基于客户分析的个性化信息服务的应用 |
| 5.3.1 系统设计思路 |
| 5.3.2 系统结构设计 |
| 5.3.3 数据获取与管理 |
| 5.3.4 数据分析与处理 |
| 5.3.5 系统功能说明 |
| 5.4 实施成效展望 |
| 第六章 结论与展望 |
| 6.1 全文回顾 |
| 6.2 进一步研究方向 |
| 参考文献 |
| 致谢 |
| 攻读学位期间主要的研究成果 |
（3）基于客户分析的证券个性化信息服务研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 证券行业信息依赖性 |
| 1.1.1 证券市场的信息依赖性 |
| 1.1.2 证券投资过程的信息依赖性 |
| 1.2 证券行业发展环境 |
| 1.2.1 证券行业竞争日趋激烈 |
| 1.2.2 证券行业信息化发展迅速 |
| 1.2.3 信息服务质量成为证券公司赢得竞争的关键 |
| 1.3 问题的提出 |
| 1.4 研究目的和意义 |
| 1.5 研究内容和框架 |
| 第2章 个性化信息服务理论与应用综述 |
| 2.1 信息服务模式及其发展趋势 |
| 2.2 个性化信息服务概述 |
| 2.2.1 个性化信息服务内涵 |
| 2.2.2 个性化信息服务的特点 |
| 2.2.3 个性化信息服务研究的国内外发展动态 |
| 2.3 个性化信息服务的分类 |
| 2.3.1 基于人工建模的个性化信息服务 |
| 2.3.2 基于示例建模的个性化信息服务 |
| 2.3.3 基于自动建模的个性化信息服务 |
| 2.4 个性化信息服务的应用现状 |
| 2.4.1 个性化信息服务的主要应用领域 |
| 2.4.2 个性化信息服务在我国证券行业中的应用 |
| 2.5 基于客户分析的个性化信息服务 |
| 2.6 本章小结 |
| 第3章 证券客户分析与信息服务个性化 |
| 3.1 证券客户分析 |
| 3.1.1 证券客户信息 |
| 3.1.2 客户分析需求 |
| 3.1.3 客户分析指标与分类 |
| 3.2 证券信息个性化需求分析 |
| 3.3 客户特征对信息服务的影响 |
| 3.3.1 客户贡献度对信息服务的影响 |
| 3.3.2 客户行为偏好对信息服务的影响 |
| 3.3.3 客户反馈分析对信息服务的影响 |
| 3.4 本章小结 |
| 第4章 基于客户分析的个性化信息服务的实施方法 |
| 4.1 基于客户分析的个性化信息服务实施框架 |
| 4.2 用户模型构建 |
| 4.2.1 客户信息采集 |
| 4.2.2 客户特征分析 |
| 4.2.3 客户需求定义 |
| 4.3 信息资源推荐 |
| 4.3.1 信息资源采集 |
| 4.3.2 信息加工处理 |
| 4.3.3 个性化信息推荐 |
| 4.4 信息服务的评估与持续改进 |
| 4.5 本章小结 |
| 第5章 基于客户分析的证券个性化信息服务案例分析 |
| 5.1 案例背景 |
| 5.1.1 证券行业网络信息服务简介 |
| 5.1.2 某证券公司网上信息服务现状 |
| 5.2 存在问题 |
| 5.3 基于客户分析的个性化信息服务的应用 |
| 5.3.1 系统设计思路 |
| 5.3.2 系统结构设计 |
| 5.3.3 数据获取与管理 |
| 5.3.4 数据分析与处理 |
| 5.3.5 系统功能说明 |
| 5.4 实施成效展望 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文回顾 |
| 6.2 进一步研究方向 |
| 致谢 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文与研究成果 |
（4）城市公安刑事案件的关联分析模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及技术路线 |
| 2 关联分析概述 |
| 2.1 数据挖掘 |
| 2.1.1 数据挖掘定义 |
| 2.1.2 数据挖掘功能 |
| 2.1.3 数据挖掘应用 |
| 2.2 关联分析 |
| 2.2.1 关联规则概念 |
| 2.2.2 关联规则分类 |
| 2.2.3 关联规则算法 |
| 2.2.4 关联规则方法 |
| 3 刑事案件关联分析模型的构建 |
| 3.1 刑事案件关联分析模型总体框架的提出 |
| 3.2 刑事案件多维数据模型的建立 |
| 3.2.1 数据提取与清理 |
| 3.2.2 选取多维数据模型 |
| 3.2.3 离散化与概念分层 |
| 3.2.4 建立刑事案件数据立方体 |
| 3.3 多维关联规则挖掘 |
| 3.3.1 Apriori算法 |
| 3.3.2 改进的Apriori算法 |
| 3.3.3 产生强关联规则 |
| 3.4 多层关联规则挖掘 |
| 3.4.1 多层频繁谓词集的产生 |
| 3.4.2 检查冗余的多层关联规则 |
| 4 模型实例验证及结果分析 |
| 4.1 甘井子区刑事案件关联分析 |
| 4.1.1 数据预处理 |
| 4.1.2 多维关联规则挖掘 |
| 4.1.3 多层关联规则挖掘 |
| 4.2 结果分析 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（5）基于零售业的数据挖掘技术和关联规则算法的改进研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| §1-1 课题的研究背景 |
| §1-2 课题的研究意义 |
| §1-3 课题的主要研究内容 |
| 第二章 数据挖掘的研究与发展分析 |
| §2-1 数据挖掘的发展历史及现状分析 |
| 2-1-1 国外数据挖掘的发展历史 |
| 2-1-2 我国数据挖掘的发展历史及现状 |
| 2-1-3 数据挖掘中所存在的问题 |
| §2-2 数据挖掘技术的应用与发展前景初探 |
| 2-2-1 数据挖掘技术的应用现状 |
| 2-2-2 数据挖掘技术的发展前景 |
| 2-2-3 数据挖掘技术近年的研究热点 |
| 2-2-4 数据挖掘技术的不足之处 |
| 第三章 基于零售业的数据挖掘技术研究 |
| §3-1 零售业的特征分析 |
| §3-2 对零售业数据挖掘过程与功能的分析 |
| 3-2-1 数据挖掘的过程 |
| 3-2-2 数据挖掘的功能 |
| §3-3 零售业数据挖掘的主要技术分析 |
| §3-4 针对零售业不同的数据挖掘任务选择不同的挖掘技术 |
| 3-4-1 概念描述 |
| 3-4-2 关联知识发现 |
| 3-4-3 分类知识发现 |
| 3-4-4 预测型知识发现 |
| 3-4-5 聚类知识发现 |
| 3-4-6 偏差型知识发现 |
| §3-5 零售业数据挖掘的开发工具分析 |
| 3-5-1 Microsoft SQL Server 2000 Analysis Services |
| 3-5-2 SPSS |
| 3-5-3 IntelligentMiner |
| 3-5-4 EnterpriseMiner |
| 3-5-5 对几种开发工具的评价 |
| §3-6 零售业数据挖掘的流程分析 |
| 3-6-1 数据预处理模块 |
| 3-6-2 数据挖掘模块 |
| 3-6-3 知识评价模块 |
| 第四章 用关联分析法进行数据挖掘及算法的改进 |
| §4-1 问题分析 |
| 4-1-1 问题背景 |
| 4-1-2 解决思路与系统模块 |
| §4-2 数据的准备 |
| §4-3 对数据进行预处理 |
| §4-4 用关联分析法进行数据挖掘 |
| 4-4-1 相关关联规则知识 |
| 4-4-2 数据挖掘过程 |
| §4-5 对挖掘结果进行知识评价 |
| §4-6 Apriori 算法及算法的改进 |
| 4-6-1 Apriori 算法 |
| 4-6-2 算法的改进 |
| 第五章 结论 |
| 参考文献 |
| 致谢 |
| 攻读学位期间所取得的相关科研成果 |
（6）基于概率模型的个性化算法及其在证券业的应用（论文提纲范文）
| 1 客户兴趣模型的建立 |
| 2 客户兴趣模型的表达 |
| 2.1 概率模型 |
| 2.2 相似性计算方法 |
| 2.3 个性搜索算法 |
| 3 个性化信息搜索算法实验系统 |
| 3.1 实验数据来源 |
| 3.2 实验评价标准 |
| 3.3 实验分析 |
| 4 总结与展望 |
四、基于概率模型的个性化算法及其在证券业的应用（论文参考文献）
- [1]基于数据挖掘技术的上市公司会计信息失真识别研究[D]. 邓庆山. 江西财经大学, 2009(05)
- [2]基于客户分析的证券电子商务个性化信息服务研究[D]. 左军姿. 中南大学, 2009(04)
- [3]基于客户分析的证券个性化信息服务研究[D]. 朱妙敏. 同济大学, 2008(07)
- [4]城市公安刑事案件的关联分析模型研究[D]. 张旭娟. 大连理工大学, 2007(02)
- [5]基于零售业的数据挖掘技术和关联规则算法的改进研究[D]. 冯瑶. 河北工业大学, 2006(06)
- [6]基于概率模型的个性化算法及其在证券业的应用[J]. 许湘,黄林鹏. 计算机工程, 2004(S1)