| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-14页 |
| ·研究背景 | 第10-11页 |
| ·课题来源 | 第11页 |
| ·研究的主要内容 | 第11-12页 |
| ·本文的结构 | 第12-14页 |
| 第二章 数据仓库与数据挖掘 | 第14-28页 |
| ·数据仓库技术 | 第14-20页 |
| ·数据仓库概念与特点 | 第15-16页 |
| ·数据仓库体系结构 | 第16-18页 |
| ·数据仓库实现策略 | 第18-20页 |
| ·数据挖掘技术 | 第20-26页 |
| ·数据挖掘的概念 | 第20页 |
| ·数据挖掘的过程 | 第20-22页 |
| ·数据挖掘的功能 | 第22-23页 |
| ·数据挖掘的分类 | 第23-26页 |
| ·数据仓库与数据挖掘的关系 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 企业数据仓库 | 第28-34页 |
| ·企业级数据仓库 | 第28-29页 |
| ·EDW的分析主题 | 第29-30页 |
| ·业务量分析 | 第29页 |
| ·客户收入分析 | 第29页 |
| ·客户行为分析 | 第29-30页 |
| ·客户预警 | 第30页 |
| ·EDW数据仓库模型的设计 | 第30-31页 |
| ·EDW中数据挖掘模块的设计 | 第31-32页 |
| ·EDW数据仓库软硬件结构 | 第32页 |
| ·本章小结 | 第32-34页 |
| 第四章 客户呼叫模式的关联分析 | 第34-49页 |
| ·客户呼叫模式挖掘分析 | 第34页 |
| ·问题背景 | 第34页 |
| ·分析的数据及其目的 | 第34页 |
| ·关联规则研究 | 第34-43页 |
| ·基本概念 | 第35-36页 |
| ·核心算法 | 第36-39页 |
| ·提高频繁项集的有效性 | 第39-40页 |
| ·Hash Partition Algorithm(HPA)算法 | 第40-43页 |
| ·HPA算法在EDW数据仓库上的实现 | 第43-48页 |
| ·数据清理与集成 | 第43页 |
| ·数据选择 | 第43-45页 |
| ·数据变换 | 第45-46页 |
| ·基于 HPA算法的模式分析 | 第46-48页 |
| ·本章小节 | 第48-49页 |
| 第五章 大客户特征的聚类识别 | 第49-62页 |
| ·问题描述 | 第49页 |
| ·问题背景 | 第49页 |
| ·分析的数据 | 第49页 |
| ·K-means聚类 | 第49-52页 |
| ·K-means算法简介 | 第49-51页 |
| ·K-means算法的不足 | 第51-52页 |
| ·遗传算法介绍 | 第52-55页 |
| ·遗传算法(Genetic Algorithm)基本流程 | 第53-54页 |
| ·遗传算法(Genetic Algorithm)的特点 | 第54-55页 |
| ·基于 K-means算法的遗传算法在EDW中的实现 | 第55-61页 |
| ·基干 K-means的遗传算法流程 | 第55-56页 |
| ·算法定义 | 第56-57页 |
| ·选择操作 | 第57-59页 |
| ·变异操作 | 第59-61页 |
| ·K-means与遗传算法的映射 | 第61页 |
| ·本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| ·总结 | 第62-63页 |
| ·问题与展望 | 第63-64页 |
| 参考文献 | 第64-66页 |
| 攻读学位期间发表的学术论文 | 第66-67页 |
| 致谢 | 第67页 |
