| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·研究背景及意义 | 第7-8页 |
| ·国内外研究现状 | 第8-11页 |
| ·国外研究现状 | 第8-10页 |
| ·国内研究现状 | 第10-11页 |
| ·本文研究内容 | 第11-12页 |
| ·论文结构安排 | 第12-13页 |
| 第二章 相关概念综述 | 第13-25页 |
| ·客户关系管理相关概念 | 第13-16页 |
| ·客户关系管理的定义 | 第13页 |
| ·客户关系管理的系统结构模型 | 第13-14页 |
| ·客户关系管理的功能特征 | 第14-15页 |
| ·客户关系管理方案的实施 | 第15-16页 |
| ·数据挖掘基本概念 | 第16-18页 |
| ·数据挖掘定义 | 第16-17页 |
| ·数据挖掘中的聚类分析 | 第17-18页 |
| ·地税行业客户关系管理系统 | 第18-20页 |
| ·地税行业客户关系管理系统发展的动力 | 第18-19页 |
| ·地税行业客户关系管理系统的现状与发展前景 | 第19-20页 |
| ·数据挖掘在客户关系管理的应用 | 第20-24页 |
| ·客户关系管理系统软件构成 | 第20-21页 |
| ·数据挖掘在地税客户关系管理系统中的应用 | 第21-22页 |
| ·数据挖掘在地税行业 CRM 的应用优势 | 第22-24页 |
| ·小结 | 第24-25页 |
| 第三章 地税行业数据特点及传统聚类算法不足 | 第25-41页 |
| ·数据挖掘基本流程 | 第25-27页 |
| ·地税行业数据特征 | 第27-30页 |
| ·地税行业数据特点 | 第27-28页 |
| ·数据预处理 | 第28-30页 |
| ·传统聚类算法及其不足 | 第30-40页 |
| ·K 均值算法 | 第30-33页 |
| ·基于密度的 DBSCAN 算法 | 第33-37页 |
| ·AP 聚类算法 | 第37-40页 |
| ·小结 | 第40-41页 |
| 第四章 基于 K 中心点和 DBSCAN 的混合聚类算法 | 第41-51页 |
| ·混合聚类算法的整体框架 | 第41-42页 |
| ·数据的精细预处理 | 第42-43页 |
| ·数据精细预处理的原因 | 第42页 |
| ·数据的精细预处理 | 第42-43页 |
| ·K 中心点聚类算法 | 第43-46页 |
| ·K 中心点聚类算法 | 第43-44页 |
| ·K 中心点聚类结果 | 第44-46页 |
| ·混合聚类算法 | 第46-49页 |
| ·混合聚类算法流程 | 第46-47页 |
| ·混合聚类算法在地税行业的应用 | 第47-49页 |
| ·混合聚类算法结果 | 第49页 |
| ·小结 | 第49-51页 |
| 第五章 实验结果与分析 | 第51-61页 |
| ·实验环境 | 第51页 |
| ·聚类算法的运算 | 第51-56页 |
| ·混合聚类算法与其它聚类算法的对比 | 第56-57页 |
| ·聚类技术在地税 CRM 应用前景 | 第57-59页 |
| ·小结 | 第59-61页 |
| 第六章 总结与展望 | 第61-63页 |
| ·工作总结 | 第61页 |
| ·展望 | 第61-63页 |
| 致谢 | 第63-65页 |
| 参考文献 | 第65-68页 |