| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 1 绪论 | 第11-16页 |
| ·本课题的研究背景及研究意义 | 第11-12页 |
| ·研究背景 | 第11-12页 |
| ·研究意义 | 第12页 |
| ·数据挖掘技术在保险的应用 | 第12-15页 |
| ·国外保险营销数据挖掘应用概述 | 第13页 |
| ·国内数据挖掘在保险营销的应用现状 | 第13-15页 |
| ·本论文研究内容 | 第15页 |
| ·本文的结构及所做的工作 | 第15-16页 |
| 2 保险行业概述 | 第16-20页 |
| ·保险概念与分类 | 第16-17页 |
| ·保险的定义 | 第16页 |
| ·保险的分类 | 第16-17页 |
| ·保险的作用 | 第17页 |
| ·保险的特点 | 第17页 |
| ·我国保险现状 | 第17-19页 |
| ·小结 | 第19-20页 |
| 3 数据挖掘技术及应用 | 第20-31页 |
| ·数据挖掘定义概述 | 第20-21页 |
| ·知识发现 | 第21-22页 |
| ·数据挖掘技术 | 第22-27页 |
| ·数据挖掘任务 | 第22页 |
| ·数据挖掘模式 | 第22-24页 |
| ·数据挖掘技术分类 | 第24-27页 |
| ·统计分析类 | 第24-25页 |
| ·知识发现类 | 第25-26页 |
| ·其他数据挖掘技术 | 第26-27页 |
| ·数据挖掘的一般过程 | 第27-28页 |
| ·数据挖掘的其他应用和发展趋势 | 第28-30页 |
| ·数据挖掘的其他应用 | 第28-29页 |
| ·数据挖掘与供应链管理 | 第28页 |
| ·产品质量的保证 | 第28-29页 |
| ·风险评估和欺诈检查 | 第29页 |
| ·犯罪活动的侦察 | 第29页 |
| ·数据挖掘的发展趋势 | 第29-30页 |
| ·小结 | 第30-31页 |
| 4 关联规则技术详述 | 第31-47页 |
| ·关联规则 | 第31-34页 |
| ·关联规则概述 | 第31页 |
| ·保险事务空间数学模型 | 第31-33页 |
| ·关联规则的分类 | 第33-34页 |
| ·Apriori 算法 | 第34-39页 |
| ·基本概念 | 第35页 |
| ·算法的基本思想 | 第35-37页 |
| ·连接 | 第36页 |
| ·剪枝 | 第36-37页 |
| ·核心算法 | 第37-38页 |
| ·算法性能的瓶颈 | 第38-39页 |
| ·Apriori 其他扩展算法 | 第39-42页 |
| ·AprioriTID 算法 | 第39-40页 |
| ·Partition 算法 | 第40页 |
| ·Sampling 算法 | 第40页 |
| ·DHP 算法 | 第40-41页 |
| ·DIC 算法 | 第41页 |
| ·并行挖掘算法 | 第41页 |
| ·增量式更新算法 | 第41-42页 |
| ·关联规则的 FP_growth 挖掘算法 | 第42-45页 |
| ·构建 FP_tree | 第42-44页 |
| ·FP_tree 的挖掘算法（FP_growth） | 第44-45页 |
| ·算法比较 | 第45-46页 |
| ·小结 | 第46-47页 |
| 5 关联规则挖掘在保险业营销的应用 | 第47-57页 |
| ·问题描述 | 第47页 |
| ·保险数据预处理 | 第47-49页 |
| ·预处理数据关联分析 | 第49-56页 |
| ·Apriori 算法与 FP_growth 算法比较应用 | 第50-56页 |
| ·Apriori 挖掘算法应用 | 第51-53页 |
| ·FP_growth 挖掘算法应用 | 第53-56页 |
| ·算法实现的性能比较和评估 | 第56页 |
| ·小结 | 第56-57页 |
| 6 FP_growth 算法实现及验证 | 第57-62页 |
| ·关联分析 | 第57-58页 |
| ·关联分析客户消费 | 第57页 |
| ·单维元素分析 | 第57页 |
| ·多维元素交叉关联分析 | 第57-58页 |
| ·数据仓库应用 | 第58-59页 |
| ·实现 FP_growth 算法 | 第59页 |
| ·基于B/S 的访问模式 | 第59-61页 |
| ·小结 | 第61-62页 |
| 7 总结与展望 | 第62-64页 |
| ·结论 | 第62页 |
| ·未来的研究方向 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 攻读硕士学位期间学术发表论文 | 第68页 |