| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 第一章 引言 | 第7-10页 |
| ·选题现实背景和意义 | 第7页 |
| ·面向医保基金风险防控数据挖掘的主要问题 | 第7-8页 |
| ·本文的主要内容 | 第8-10页 |
| 第二章 预备知识及相关工作 | 第10-16页 |
| ·特异群组挖掘核心技术 | 第10-11页 |
| ·行为挖掘 | 第10-11页 |
| ·序列模式挖掘 | 第11页 |
| ·相关工作 | 第11-16页 |
| ·迭代模式的挖掘 | 第12页 |
| ·异常模式的挖掘和异常群组 | 第12-13页 |
| ·基于共同行为模式的挖掘 | 第13-14页 |
| ·异常数据挖掘 | 第14-16页 |
| 第三章 day-by-day行为数据集 | 第16-30页 |
| ·数据集的特性和种类 | 第17-23页 |
| ·数据集的一般特性 | 第17-18页 |
| ·数据集的种类 | 第18-23页 |
| ·day-by-day行为数据集的基本概念 | 第23-24页 |
| ·day-by-day行为数据集的分析 | 第24-26页 |
| ·day-by-day行为数据集的扩展 | 第26-27页 |
| ·day-by-day行为数据集的总结和展望 | 第27-30页 |
| 第四章 基于迭代行为模式的特异群组挖掘算法 | 第30-40页 |
| ·应用背景 | 第30-31页 |
| ·股票市场的应用场景 | 第30-31页 |
| ·医保基金的应用场景 | 第31页 |
| ·问题的定义 | 第31-32页 |
| ·lbpPGM挖掘算法 | 第32-36页 |
| ·lbpPGM算法涉及的相似性度量 | 第36-38页 |
| ·行为模式相似性度量 | 第36-37页 |
| ·对象相似性度量 | 第37页 |
| ·群组间相似性度量 | 第37-38页 |
| ·可伸缩的特异群组挖掘算法系统框架 | 第38-40页 |
| 第五章 算法实验及lbpPGM挖掘工具的设计和实现 | 第40-46页 |
| ·lbpPGM挖掘算法实验过程和结果 | 第40-46页 |
| ·lbpPGM挖掘算法数据集和实验环境 | 第40页 |
| ·lbpPGM挖掘算法实验结果 | 第40-46页 |
| 第六章 结论 | 第46-48页 |
| ·总结 | 第46页 |
| ·展望 | 第46-48页 |
| 参考文献 | 第48-50页 |
| 致谢 | 第50-51页 |
| 硕士期间发表的论文 | 第51-52页 |
| 参与的科研项目 | 第52-53页 |