数据挖掘在电子商务的应用.pdf

《数据挖掘在电子商务的应用.pdf》由会员分享，可在线阅读，更多相关《数据挖掘在电子商务的应用.pdf（12页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、数据挖掘在电子商务的应用调研分析报告摘 要 在信息爆炸的电子商务时代，处理海量信息的时候显得力不从心，数据挖掘技术的出现与发展很好地处理了这一难题，数据挖掘是一门交叉学科的技术，它有助于发现业务发展的趋势，帮助企业做出正确的决策，使企业处于更有利的竞争位置。数据挖掘中应用的技术包括经典的统计、近邻、聚类，也包括最新发展起来的决策树、神经网络和关联规则等一些较新的方法。当实际开发一个数据挖掘系统时，究竟应该选择哪种数据挖掘技术，往往是一件很困难的事情。本文结合数据挖掘技术在电子商务中的应用,提出选择数据挖掘技术的两个重要依据，其次通过对电子商务环境下Web 挖掘技术的论述，具体分析Web 内容挖

2、掘、Web 结构挖掘、Web 访问挖掘对于电子商务的作用，并对具体技术进行分析与评价。最后介绍国内外电子商务数据挖掘的主要研究内容。关键词 数据挖掘电子商务Web 挖掘关联分析分类聚类1.引言2.电子商务是一种借助于计算机网络技术，通过电子交易手段来完成金融、物资、服务和信息等价值交换，快速而有效地从事各种商务活动的新方法。随着网络技术和数据库技术的成熟，全球传统商务正经历一次重大变革，向电子商务全速挺进。这种商业电子化的趋势不仅为客户提供了便利的交易方式和广泛的选择，同时也为商家提供了更加深入地了解客户需求信息和购物行为特征的可能性。数据挖掘技术作为电子商务的重要应用技术之一，将为正确的商业

3、决策提供强有力的支持和可靠的保证，是电子商务不可缺少的重要工具。电子商务的发展促使公司内部收集了大量的数据，并且迫切需要将这些数据转换成有用的信息和知识，为公司创造更多潜在的利润，数据挖掘概念就是从这样的商业角度开发出来的。数据挖掘涉及的学科领域和方法很多，其核心技术历经了数十年的发展，其中包括统计、近邻、聚类、决策树、神经网络和规则等。今天，这些成熟的技术在电子商务中已进入了实用阶段，并取得了良好的效果。但数据挖掘作为一个新兴领域，在实际应用当中仍存在许多尚未解决的问题。其中最困难的往往在于决定什么时候采用哪种数据挖掘技术。2.1 数据挖掘的概念21.1 数据挖掘的概念数据挖掘（Data M

4、ining）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。数据挖掘是通过挖掘数据仓库中存储的大量数据，从中发现有意义的新的关联模式和趋势的过程。从商业的角度定义，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、分析和其它模型化处理，从中提取辅助商业决策的关键性数据。数据挖掘最吸引人的地方是它能建立预测模型而不是回顾型的模型。利用功能强大的数据挖掘技术，可以使企业把数据转化为有用的信息帮助决策，从而在市场竞争中获得优势地位。2.1.2 数据挖掘常见的提供的模型（1）

5、分类发现模型。分类的目的是学会一个分类函数（分类器），通过分类器把数据库中的数据项映射到给定类别中的某一个。分类器的构造方法有统计方法、机器学习方法、神经网络方法、粗糙集方法等。（2）聚类模型。聚类是把一组个体按照相似性归成若干类别，使得属于同一类别的个体之间的距离尽可能的小，而不同类别上的个体间的距离尽可能的大。聚类方法包括统计方法、机器学习方法、神经网络方法和面向数据库的方法。（3）关联规则模型。关联规则反映一个事件和其他事件之间依赖或关联的知识。如果两项或多项之间存在关联，那么其中一项的属性值就可以依据其他属性值进行预测。最为著名的关联规则发现方法是R.Agrawal 提出的 Aprio

6、ri 算法。（4）预测型知识模型。它是根据时间序列型数据，由历史的和当前的数据去推测未来的数据。时间序列预测方法有经典的统计方法、神经网络和机器学习等。（5）偏差型知识模型。它是对差异和极端特例的描述，揭示事物偏离常规的异常现象，如标准类外的特例，数据聚类外的离群值等。2.2 数据挖掘在电子商务中的应用由于数据挖掘能带来显著的经济效益，它在电子商务中（特别是金融业、零售业和电信业）应用也越来越广泛。在金融领域，管理者可以通过对客户偿还能力以及信用的分析，进行分类，评出等级。从而可减少放贷的麻木性，提高资金的使用效率。同时还可发现在偿还中起决定作用的主导因素，从而制定相应的金融政策。更值得一提的

7、是通过对数据的分析还可发现洗黑钱以及其它的犯罪活动。在零售业，数据挖掘可有助于识别顾客购买行为，发现顾客购买模式和趋势，改进服务质量，取得更好的顾客保持力和满意程度，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。电信业已经迅速地从单纯的提供市话和长话服务演变为综合电信服务，如语音、传真、寻呼、移动电话、图像、电子邮件、计算机和 WEB数据传输以及其它的数据通信服务。电信、计算机网络、因特网和各种其它方式的通信和计算的融合是目前的大势所趋。而且随着许多国家对电信业的开放和新型计算与通信技术的发展，电信市场正在迅速扩张并越发竞争激烈。因此，利用数据挖掘技术来帮助理解商业行为、确定电

8、信模式、捕捉盗用行为、更好的利用资源和提高服务质量是非常有必要的。分析人员可以对呼叫源、呼叫目标、呼叫量和每天使用模式等信息进行分析，还可以通过挖掘进行盗用模式分析和异常模式识别，从而可尽早发现盗用，为公司减少损失。2.2.1 数据挖掘的具体应用方面1 找到潜在客户在对 Web 的客户访问信息的挖掘中,利用分类技术可以在Internet 上找到未来的潜在客户。使用者可以先对已经存在的访问者根据其行为进行分类,并依此分析老客户的一些公共属性,决定他们分类的关键属性及相互间关系。对于一个新的访问者,通过在 Web 上的分类发现,识别出这个客户与已经分类的老客户的一些公共的描述,从而对这个新客户进行

9、正确的分类。然后从它的分类判断这个新客户是有利可图的客户群还是无利可图的客户群,决定是否要把这个新客户作为潜在的客户来对待。客户的类型确定后,可以对客户动态地展示Web 页面,页面的内容取决于客户与销售商提供的产品和服务之间的关联。若为潜在客户,就可以向这个客户展示一些特殊的、个性化的页面内容。2 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不存在,在 Internet 上,每一个销售商对于客户来说都是一样的,那么使客户在自己的销售站点上驻留更长的时间,对销售商来说则是一个挑战。为了使客户在自己的网站上驻留更长的时间,就应该全面掌握客户的浏览行为,知道客户的兴趣及需求所在,并根

10、据需求动态地向客户做页面推荐,调整 Web 页面,提供特有的一些商品信息和广告,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。3 改进站点的设计数据挖掘技术可提高站点的效率,Web设计者不再完全依靠专家的定性指导来设计网站,而是根据访问者的信息特征来修改和设计网站结构和外观。站点上页面内容的安排和连接就如超级市场中物品的货架摆布一样,把具有一定支持度和信任度的相关联的物品摆放在一起有助于销售。网站尽可能做到让客户轻易地访问到想访问的页面,给客户留下好的印象,增加下次访问的机率。4 进行市场预测通过 Web 数据挖掘,企业可以分析顾客的将来行为,容易评测市场投资回报率,得到可靠的市场反馈

11、信息。不仅大大降低公司的运营成本,而且便于经营决策的制定。2.2.2 面向电子商务的数据挖掘过程一般的数据挖掘的流程如下图面向电子商务的数据挖掘过程可以分为以下3 个步骤。(1)准备数据。进行数据挖掘的时候，一般并不是对原始的数据进行挖掘，而是先要对数据作一些预处理，包括合并数据，将多个文件或多个数据库中的数据进行合并处理；选择数据，提取出适合分析的数据集合；数据清洗、过滤，剔除一些无关记录，将文件、图形、图像及多媒体等文件转换成可便于数据挖掘的格式等。(2)发现模式。根据不同的挖掘目标，可以相应采用不同的挖掘方法，得到有意义的数据模式。数据挖掘的方法有很多种，主要包括 3 大类：统计分析、知

12、识发现、其他可视化方法。统计分析方法主要用于检查数据中的数据规律，然后利用统计模型和数学模型来解释这些规律，通常使用的统计方法有线性分析、非线性分析、线性回归、因子分析，单变量曲线和双变量统计以及时间序列分析等。知识发现方法源于人工智能和机器学习，利用数据搜寻过程，得到一个有意义的数据模式，从中可以发现规律。可视化方法可以给出多变量的图形分析，同时显示多变量间的关系，有助于分析以前挖掘的数据，进一步增强数据挖掘能力。(3)分析、解释模式。通过技术手段，对得到的模式进行数据分析，得出有意义的结论。常用的技术手段有：关联规则，揭示数据之间的内在的联系，发现用户与站点各页面的访问关系。分类，给出类的

13、公共属性描述，并将新的记录分配到预先定义好的类中去或分类新的项。聚类，分类的逆过程，按照“类内相似性最大，类间相似性最小”的原则，对数据进行类的聚集，多指客户群体聚类和Web 网页聚类。客户群体聚类将具有相似浏览模式的用户分在一组，而Web 网页聚类提供有针对性的网络服务应用。序列模式，侧重于挖掘出数据的前后时间顺序关系，分析是否存在一定趋势，以预测未来的访问模式。路径分析，可以发现一个Web 站点中最经常被访问的路径。2.2.3数据挖掘在应用中面临的问题1 数据挖掘分析变量的选择数据挖掘的基本问题就在于数据的数量和维数，数据结构显的非常复杂，数据分析变量即是在数据挖掘中技术应用中产生的，选择

14、合适的分析变量，将提高数据挖掘的效率，特别适用于电子商务中大量商品以及用户信息的处理。针对这一问题，我们完全可以用分类的方法，分析出不同信息的属性以及出现频率进而抽象出变量，运用到所选模型中，进行分析。2 数据抽取的方法的选择数据抽取的目的是对数据进行浓缩，给出它的紧凑描述，如求和值、平均值、方差值、等统计值、或者用直方图、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。数据泛化是一种把最原始、最基本的信息数据从低层次抽象到高层次上的过程。可采用多维数据分析方法和面向属性的归纳方法。在电子商务活动中，采用维数据分析方法进行数据抽取，他针对的是电子商务活动中的客户数据仓库。在数

15、据分析中经常要用到诸如求和、总计、平均、最大、最小等汇集操作，这类操作的计算量特别大，可把汇集操作结果预先计算并存储起来，以便用于决策支持系统使用3 数据趋势的预测数据是海量的，那么数据中就会隐含一定的变化趋势，在电子商务中对数据趋势的预测尤为重要，特别是对客户信息以及商品信息合理的预测，有利于企业有效的决策，获得更多地利润。但如何对这一趋势做出合理的预测，现在还没有统一标准可寻，而且在进行数据挖掘过程中大量数据形成文本后格式的非标准化，也给数据的有效挖掘带来了困难。针对这一问题的产生，我们在电子商务中可以应用聚类分析的方法，把具有相似浏览模式的用户集中起来，对其进行详细的分析，从而提供更适合

16、、更令用户满意的服务。聚类分析方法的优势在于便于用户在查看日志时对商品及客户信息有全面及清晰的掌控，便于开发和执行未来的市场战略，包括自动给一个特定的顾客聚类发送销售邮件，为一个顾客聚类动态地改变一个特殊的站点等，这无论对客户和销售商来说都是有意义。4 数据模型的可靠性数据模型包括概念数据模型、逻辑数据模型、物理模型。数据挖掘的模型目前也有多种，包括采集模型、处理模型及其他模型，但无论哪种模型都不是很成熟存在缺陷，对数据模型不同采用不同的方式应用。可能产生不同的结果，甚至差异很大，因此这就涉及到数据可靠性的问题。数据的可靠性对于电子商务来说尤为重要作用。针对这一问题，我们要保障数据在挖掘过程中

17、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达到最高，同时在应用模型过程中要尽量全面的分析问题，避免片面，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。5 数据挖掘涉及到数据的私有性和安全性大量的数据存在着私有性与安全性的问题，特别是电子商务中的各种信息，这就给数据挖掘造成了一定的阻碍，如何解决这一问题成为了技术在应用中的关键。为此相关人员在进行数据挖掘过程中一定要遵守职业道德，保障信息的机密性。6 数据挖掘结果的不确定性数据挖掘结果具有不确定性的特征，因为挖掘的目的不同所以最后挖掘的结果自然也会千差万别，以因此这就需要我们与所要挖掘的目的相结合，做出合理判

18、断，得出企业所需要的信息，便于企业的决策选择。进而达到提高企业经济效益，获得更多利润的目的。数据挖掘可以发现一些潜在的用户，对于电子商务来说是一个不可或缺的技术支持，数据挖掘的成功要求使用者对期望解决问题的领域有深刻的了解，数据挖掘技术在一定程度上解决了电子商务信息不能有效利用的问题，但它在运用过程中出现的问题也亟待人们去解决。相信数据挖掘技术的改进将推进电子商务的深入发展。（编选：中国B2B 研究中心勇全）3.Web 数据挖掘技术3.1 技术概述电子商务产生的数据具备异构、不确定性、无结构或半结构、动态性和海量性等特点，复杂程度已远远超出了人类目前已有的分析能力。基于 Web的数据挖掘与传统

19、的数据挖掘有许多不同之处。Web数据挖掘主要包括三种数据挖掘任务：3.1.1 对 Web内容的挖掘互联网电子商务数据呈指数形式飞速增长，然而当用户(无论买点、卖方或任何商业关联方)面对整个 Internet的海量数据时，却感觉很难找到对自己有用的商业数据。例如：当买方在互联网寻找适合自己的商品和服务、比较商品价格和交易条件时，需要尽可能搜集此商品的相关Web页面，即以商品作为Web页面聚类或者分类的依据，以此提高电子商务交易过程尤其是前期交易过程的效率。总的来说为方便客户，应该为他们提供一步到位的查询解决方案，Web页面的自动聚分类方法有助于压缩搜索空间，加快检索速度，提高查询精度，帮助客户快

20、速找到相关信息。3.1.2 对 Web结构的挖掘Web页面是半结构化的，在Web页面不仅有各种内容信息，而且存在特定的结构标记，其中最重要的标记就是超链接。Web页面所包含的知识不仅存在于各个页面的内容中，也存在于页面之间的相互链接中。对于电子商务而言，一个重要的问题是要找到对某个商业主题可以当作核心信息源的一些网站和网页。通过对Web电子商务进行数据挖掘时理解和利用超文本链接结构，可以此核心信息源为基础，优化供应链和虚拟企业产生和运作的效率，有助于网络电子商务社区的发现和利用。3.1.3 对 Web访问的挖掘对 Web访问的挖掘是目前研究最深入的Web数据挖掘技术。在Internet电子商务

21、中，电子时空下推拉互动的双向交互信息被记录在 Web服务器的日志文件中。Web日志一般可分为访问日志、代理日志和引用日志。对于拓扑结构已知的特定商务站点，尽管用户在不同时期可能有不同的浏览模式，但就长期而言用户行为是有一定的规律及趋势的。通过分析 Web日志文件，可以发现其中蕴涵的相似客户群体、相关 Web重要页面和有关客户访问模式。以频繁访问路径和相关 Web重要页面为依据优化商务站点结构，实现网站自适应；以客户分类为依据为客户提供个性化服务(如电子商品推荐系统)，以挖掘销售数据发现交易关联性为依据提高营销活动效率和强化广告宣传效应。这里部分理论是以市场营销学的市场细分原理为基础，基本假定是

22、“消费者过去的行为是其今后消费倾向的最好说明”。3.2 Web 挖掘技术与流程数据挖掘是通过挖掘数据仓库中存储的大量数据，从中发现有意义的新的关联模式和趋势的过程。从商业的角度定义，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。Web 挖掘指使用数据挖掘技术在WWW 数据中发现潜在的、有用的模式或信息。Web挖掘研究覆盖了多个研究领域，包括数据库技术、信息获取技术、统计学、人工智能中的机器学习和神经网络等。Web 挖掘可以在很多方面发挥作用,如对搜索引擎的结构进行挖掘,确定权威页面,Web 文

23、档分类,Web log 挖掘,智能查询,建立 MetaWeb 数据仓库等。一般,对 Web做如下定义:Web 数据挖掘是指Web 从文档结构和使用的集合C 中发现隐含的模式P。如果将 C 看作输入,P 看作输出,那么 Web 挖掘的过程就是从输入到输出的一个映射:与传统数据和数据仓库相比，Web 上的信息是非结构化或半结构化的、动态的、并且是容易造成混淆的，所以很难直接以Web 网页上的数据进行数据挖掘，而必须经过必要的数据处理。1.查找资源:任务是从目标Web 文档中得到数据，值得注意的是有时信息资源不仅限于在线Web 文档，还包括电子邮件、电子文档、新闻组，或者网站的日志数据甚至是通过We

24、b 形成的交易数据库中的数据。信息选择和预处理:任务是从取得的Web 资源中剔除无用信息和将信息进行必要的整理。例如从 Web 文档中自动去除广告连接、去除多余格式标记、自动识别段落或者字段并将数据组织成规整的逻辑形式甚至是关系表。模式发现:自动进行模式发现。可以在同一个站点内部或在多个站点之间进行。模式分析:验证、解释上一步骤产生的模式。可以是机器自动完成，也可以是与分析人员进行交互来完成。四、Web 数据挖掘技术在电子商务中的应用2.源数据的收集在 Web 挖掘中有一个很重要的步骤就是要为挖掘算法找到合适的数据。在Web 使用模式数据挖掘中,数据的来源主要有以下三个方面:(1)服务器端数据

25、的收集(Server Level Collection)。可以从 Web 服务器、代理服务器的Web log 文件中收集数据,此部分信息是最简单和最方便的数据来源,它记录了每一次网页请求信息。启动Web 服务器的日志记录功能后,每当浏览者通过浏览器请求一个网页时,这个请求被记录在访问日志中。代理服务器就把所记录的信息保存在文本文件中,通常以“.txt”或“.log”作为文件的扩展名。Web 日志文件是由一条条记录组成,一条记录就记录了购书者对Web 页面的一次访问。Web 服务器的日志记录格式如表所示：另外,Web 服务器还可以存储其他的Web 使用信息,比如 Cookie,以及购收者提交的查

26、询数据。Cookie 是由服务器产生的，用于记录购书者的状态或者访问路径。由于涉及到购书者的隐私问题，使用Cookie 需要客户的配合。(2)包监测技术(packet sniffing technology)。辅之于监视所有到达服务器的数据,提取其中的HTTP 请求信息。此部分数据主要来自购书者的点击流(Click_stream)，用于考察购书者的行为表现。网络底层信息监听过滤指监听整个网络的所有信息流量,并根据信息源主机、目标主机、服务协议端口等信息过滤掉不关心的垃圾数据，然后进行进一步的处理,如关键字的搜索等,最终将购书者感兴趣的数据发送到给定的数据接受程序,存储到数据库中进行分析统计。其

27、工作流程如图2 所示:(3)后台数据库里的原有数据。后台数据库存储了购书者、图书和订单这三个方面信息，主要有3 个数据表构成:第 1 个是 User（用户信息数据表），他用来存放登录在卓越网的用户信息;第 2 个是Book（图书数据表），用来记录图书的基本信息;第 3 个是 Orders（订单数据表），用来存放购买者在网上所下的订单情况。三个数据表的结构如图3 所下：数据的预处理。按照 Web 数据挖掘技术，将后台数据库与网络日志预处理后得到的数据相匹配建立数据挖掘库，即购书者特征数据仓库，将收集到的数据进行分门别类。依照此原理便可以将分布在不同功能模块中的信息抽取出来，然后清洗清数据。3.数

28、据挖掘阶段。我们把以上信息转化为多维数据模型中的星型模式来表示如下:我们将用户的一次订书看作1 个事务 T,采集到的多个订书记录T 组成事务数据库D,它由 N 个二维数组组成,数组的行集为所有BBS登录记录样本的集合,列集为特征集,事务的惟一标识符为 SrcIP。Web 数据挖掘技术实现的总体流程（1)确立目标样本，即由用户选择目标文本，作为提取用户的特征信息。（2)提取特征信息，即根据目标样本的词频分布，从统计词典中提取出挖掘目标的特征向量并计算出相应的权值。（3)网络信息获取，即先利用搜索引擎站点选择待采集站点，再利用Robot 程序采集静态 Web 页面，最后获取被访问站点网络数据库中的

29、动态信息，生成WWW 资源索引库。（4)信息特征匹配，即提取索引库中的源信息的特征向量,并与目标样本的特征向量进行匹配，将符合阈值条件的信息返回给用户。Web 数据挖掘还有待进一步的研究，尤其是近来对Web 内容挖掘方面集中在信息集成,如建立基于Web 的知识库或基于Web 的数据仓库的研究上,但这种访求同样存在很多的问题。但建立一个基于Web 数据仓库的数据挖掘系统仍是一种值得研究的方法。4 目前国内外主要研究内容4.1 Web 页面聚分类应用研究页面聚分类挖掘结果在电子商务各环节的应用问题；以Web内容挖掘为主结合Web 结构挖掘和 Web使用挖掘的多智能集成算法的 Web页面聚分类模型的

30、研究；如何改进文本聚分类挖掘算法以适合电子商务Web页面聚分类。4.2 客户群聚分类应用研究客户聚分类在电子商务各环节的应用问题，研究对营销机制的影响；以 Web访问挖掘为主的多智能集成算法的聚分类模型；电子商务推荐系统的研制与开发。4.3 客户频繁访问路径挖掘应用研究以客户频繁访问路径挖掘结果为基础分析用户访问站点的规律、改进网站的组织结构及其性能，实现网站自适应；客户频繁访问路径挖掘算法。4.4 交易关联性挖掘应用研究以交易关联性挖掘结果为基础研究对企业决策管理、协同商务管理、政府监管等方面的应用问题，研究影响识别交易关联性的关键或主要数据特征；基于多智能算法的交易关联性挖掘模型。4.5

31、异常客户与异常交易检测应用研究异常监测在电子商务中的基本应用框架，异常交易或者电子欺诈所具备的数据特征，异常交易或电子欺诈的识别算法。4.6 互联网下供应链关系挖掘研究互联网下供应链关系挖掘的研究范畴，电子供应链和虚拟企业形成效率等的关系，电子供应链关系挖掘的基本模型、算法和应用，如何解释和应用电子供应链挖掘结果以有效地优化电子商务供应链。4.7 电子商务数据挖掘的解释问题电子商务数据挖掘涉及管理学、经济学、计算机科学、智能科学、数学等多领域、跨学科的理论知识，因此需研究Web数据挖掘结果的管理理论解释问题和经济理论解释问题中模型的建立机制、步骤和对挖掘结果和解释理论本身的互动影响；主要涉及管

32、理学和经济学理论的选择；解释的立场问题；挖掘所获得新知识对解释理论本身的修正问题。4.8 商务数据挖掘过程改进商务数据挖掘须启动过程改进，当前国内外无成熟的商务数据挖掘的过程研究。研究商务数据挖掘或商务智能项目实施过程，定义企业在该领域的标准过程，研究如何通过企业过程的改进不断提高 ERP等商业数据系统的应用价值。4.9 电子商务数据集特征识别必须在 Web挖掘算法的挖掘前、挖掘中、挖掘后各阶段充分考虑电子商务数据集所独有的、区别于一般数据集的特征；根据识别出的商务数据特征设计新的数据挖掘算法或对原数据挖掘算法进行改进和优化，即特征结合问题。参考文献：1 吕廷杰徐华飞主编：中国电子商务发展研究

33、报告M.北京邮电大学出版社.北京,2003(5).2 郭大宁王磊陈成：数据挖掘在电子商务环境中的应用研究J.信息技术.2004(10)第28卷第 10期3 冯艳王坚强：数据挖掘技术在电子商务上的应用J.湖南商学院学报.2002(3)第9卷 第2期4 曾贞：数据挖掘在电于商务中的应用J.甘肃农业.2004(7)5 构件面向CRM 的数据挖掘 应用/（美）贝尔森，（美）史密斯，（美）西瑞林著；贺奇等译。人民邮电出版社，2001.8 6 数据挖掘概念与技术，机械 工业 出版社，2001.8 7.AGGR98R.Agrawal,J.Gehrke,D.Gunopulos,and P.Raghavan.A

34、utomatic subspace clustering of high dimensional data mining applications.In Proc.1998 ACM-SIGMOD Int.Conf.Management of Data(SIGMOD98),Pages94-105.Seattle,WA,June 1998.8.AAP00R.Agarwal,C.Aggarwal,and V.V.V Prasad.A tree projection algorithm for generation of frequent itemsets.In Journal of Parallel and Distributed Computing(Special issue on High Performance Data Mining),2005 9图书情报工作 2010 年 10 期 钱晓东