| 摘要 | 第1-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第11-20页 |
| ·课题来源及意义 | 第11-12页 |
| ·数据挖掘技术及其在医保相关领域的应用 | 第12-18页 |
| ·数据挖掘定义和主要流程 | 第12-14页 |
| ·主要的数据挖掘算法 | 第14-17页 |
| ·数据挖掘技术在医保相关领域的应用 | 第17-18页 |
| ·本文主要工作 | 第18-19页 |
| ·论文概览 | 第19-20页 |
| 第二章 医保数据预处理及异常处方问题解决方法 | 第20-34页 |
| ·医保数据特点及预处理方法 | 第20-23页 |
| ·医保数据特点 | 第20-21页 |
| ·医保数据预处理方法 | 第21-23页 |
| ·医保数据中异常处方问题 | 第23-29页 |
| ·医疗保险基金及管理 | 第23-25页 |
| ·异常处方问题建模 | 第25-27页 |
| ·用药模式和异常处方 | 第27-29页 |
| ·医保数据中异常处方问题的解决方法 | 第29-33页 |
| ·解决异常处方问题的框架设计 | 第29-30页 |
| ·药品组合常用度阈值的选择方法 | 第30-31页 |
| ·条件属性的选择方法 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第三章 频繁项集挖掘算法在医保领域的应用 | 第34-47页 |
| ·频繁项集算法 | 第34-36页 |
| ·频繁项集常用概念 | 第34-35页 |
| ·频繁项集的主要性质 | 第35页 |
| ·频繁项集算法挖掘任务 | 第35-36页 |
| ·Apriori算法 | 第36-38页 |
| ·算法描述 | 第36-38页 |
| ·算法评价 | 第38页 |
| ·其他频繁项集挖掘算法 | 第38-41页 |
| ·基于划分的方法 | 第38-39页 |
| ·基于抽样的方法 | 第39页 |
| ·FP-Growth算法 | 第39-41页 |
| ·FP-growth算法在用药模式挖掘上的应用 | 第41-46页 |
| ·病种约束情况下挖掘结果及分析 | 第41-42页 |
| ·增加约束后挖掘结果及分析 | 第42-46页 |
| ·本章小结 | 第46-47页 |
| 第四章 自动确定最小支持度的增量式FP-growth算法 | 第47-56页 |
| ·增量式频繁项集算法 | 第47-49页 |
| ·IUA算法 | 第47-48页 |
| ·IUA的改进算法 | 第48-49页 |
| ·增量式FP-growth算法和自动确定最小支持度的方法 | 第49-53页 |
| ·增量式FP-gowth算法（IFA） | 第49-51页 |
| ·自动确定最小支持度的方法 | 第51-53页 |
| ·实验分析 | 第53-55页 |
| ·IFA算法的实验验证 | 第53-54页 |
| ·用药模式的自动确定最小支持度方法 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 粗糙集理论在用药模式约束集约简上的应用 | 第56-71页 |
| ·粗糙集基本理论 | 第56-62页 |
| ·基本概念 | 第56-59页 |
| ·知识的依赖性、属性的重要性 | 第59-60页 |
| ·属性约简与核 | 第60-62页 |
| ·属性约简算法 | 第62-66页 |
| ·基于可辨识矩阵算法 | 第63-64页 |
| ·基于属性依赖度的算法 | 第64页 |
| ·基于信息熵的算法 | 第64-66页 |
| ·扩展决策表约简及在用药模式约束集约简上的应用 | 第66-70页 |
| ·集合值决策属性转换方法 | 第66页 |
| ·扩展决策表及其决策属性特征值 | 第66-68页 |
| ·基于频繁项集的扩展决策表转换算法 | 第68-69页 |
| ·用药模式约束集约简的实验分析 | 第69-70页 |
| ·本章小结 | 第70-71页 |
| 结束语 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 作者在学期间取得的学术成果 | 第77页 |