多层次技术的XML数据挖掘研究论文
“mikon”通过精心收集，向本站投稿了9篇多层次技术的XML数据挖掘研究论文，下面就是小编给大家带来的多层次技术的XML数据挖掘研究论文，希望大家喜欢阅读!
篇1：多层次技术的XML数据挖掘研究论文
多层次技术的XML数据挖掘研究论文
摘要：随着互联网的广泛使用，Web的数据挖掘技术成为现阶段数据挖掘技术研究的重点，但由于其数据挖掘控制的复杂，对人们的数据挖掘和使用带来了困难。而XML数据挖掘的出现弥补了Web数据挖掘的缺陷，为其带来了方便。
关键词：多层次技术；XML数据挖掘；Web数据挖掘；研究
0引言
数据挖掘就是从大量的信息数据中发现潜在的规律性内容，进而对数据应用的质量问题进行解决，实现对数据的充分利用。在互联网发展支持下的数据挖掘技术得到了快速的发展，特别是以结构化数据为主的数据挖掘技术。数据挖掘技术被广泛地应用到各个领域，并获得了好的效果。但这种结构化的数据挖掘技术无法对Web数据挖掘的特性进行处理，Web上的HTML文档格式也不规范，导致没有充分挖掘和利用有价值的知识。由此，如何优化传统数据挖掘技术，实现其和Web的结合成为数据挖掘技术研究领域关注的热点。而XML的出现，弥补了Web的不足，成为现阶段互联网数据组织和交换的标准，并逐渐出现在Web上。文章对基于多层次技术的XML数据挖掘进行研究。
1Web数据挖掘的难点
第一，异构数据库的环境。因特网上的信息可以说就是一种数据路，具有大量的数据资源，每个站点的数据源都是异构的，因此，每个站点之间的信息和组织结构不一样，形成了一种异构数据库环境。想要获得和利用这些数据资源需要进行数据挖掘，这种数据挖掘需要对站点的异构数据集成进行研究，同时还要对因特网上的数据查询问题进行解决。第二，半结构化的数据结构。传统的数据库具有数据模型，能够通过这种模型来对特定的数据进行描述。但因特网上的数据较为复杂，没有统一的模型让人进行描述，且自身具有独立性、动态性的特点，存在自述层次，因而是一种半结构化数据。
2XML数据挖掘技术
2.1XML技术概述
XML是由万维网协会设计的一种中介标示性语言，主要被应用在Web中。XML类似于HTML，主要被设计用来描述数据的语言，为数据挖掘提供了一种独立的运行程序，能够实现对数据的共享，并利用计算机通讯将信息传递到多个领域。
2.2XML和HTML的比较
HTML是Web的重要技术要素之一，简单易学，被很多计算机专业人员应用于创建自己的、具有超文本特定的多媒体主页，能够实现网络和普通人的联系，创造出丰富的网页。但其在因特网的应用存在以下几点缺陷：第一，只是对信息的显示方式进行描述，没有对信息内容本身进行描述；第二，需要因特网服务器帮其处理任务工作，加重了网络的负担，降低了网络运行的效率。根据上文对XML技术的概述，可以看出，XML不是一种单纯的标记语言，而是一种定义语言，能够根据需要设定不同的标记语言，突破了HTML固定标记的限制，能够更好地推动Web的发展。
3基于XML数据挖掘框架设计
3.1设计的特点
第一，具有自然、性能良好、个性化设计的系统用户界面；第二，主要应用元搜索引擎页面。这种页面设计的'主要思想是首先对用户的查询请求进行预处理，之后向各个搜索引擎发送查询的请求，最后，在经过处理之后向用户反馈检索结果。第三，Web页面的设计充分应用了HITS的算法。第四，利用XML技术对检索的数据进行预处理。主要表现为将数据库中的所有文档形式转化为XML文档形式，之后在数据仓库的应用下实现各种文档的集成。
3.2系统设计的结构
XML数据挖掘系统的结构主要包含用户界面模块、数据预处理模块和数据挖掘模块。第一，用户界面模块主要作为用户和系统交接的端口存在，用户通过这个界面来实现对数据挖掘系统的使用。在这个模块中，用户能够在对数据挖掘之前设定挖掘的参数，之后提出请求、对挖掘成果分析，实现个性化的数据挖掘。第二，数据预处理模块主要是指在对数据检索之后，应用XML技术对检索的数据进行预处理。第三，数据挖掘模块主要是对数据预处理后的模块信息进行挖掘，并将成果展示给用户。
4基于XML技术的Web数据挖掘
4.1数据挖掘方案的选取
基于XML技术的Web数据挖掘主要分为内容上的挖掘和形式上的挖掘两种，其中，内容挖掘主要是针对文档标记的开始和结束之间的文本部分，即对标记值的一种挖掘。具体的内容挖掘方案主要有三种：第一，利用专门的XML数据、半结构数据开发查询的语言，充分开发其查询功能，并将这种语言渗透在应用程序中，从而实现对数据的有限挖掘。这种挖掘方案能够将XML技术和数据挖掘技术进行有效的结合，且具有操作简单的特点。第二，实现对XML文档数据的结构化处理。在处理之后将其映射到现有的关系对象模型中，从而实现对数据的挖掘。第三，将XML文档视为一种文本，采用传统的数据挖局处理技术对数据进行挖掘。
4.2XML技术数据挖掘实现
XML技术的挖掘实现主要利用XQuery实现关联挖掘来进行数据挖掘，且不需要对其文档进行预处理和挖掘后处理，具有操作简单的优势。主要采用两种方式来执行XQuery。第一，使用XhiveNodeIf对象的executeXQuery进行语句的执行，使得集合的每个元素都是对应的对象，并将对象转换成DOM的节点来进行数据的挖掘。第二，利用XhiveXQueryQueryIf对象调用execute进行语句的执行。在这个过程中会涉及对外部参数的使用。
5结语
XML数据挖掘能够有效解决因特网数据挖掘难的问题，实现数据挖掘的简单化操作。XML数据挖掘将不同结构、不容易兼容的数据进行结合，并利用自身的灵活性和延展性将各种应用软件中的数据进行不同描述，从而方便因特网中数据的收集和记录。同时，基于XML数据是自我描述性的，不需要内部的描述处理就能实现数据的交换，为其对数据的处理和应用提供了便利的支持。因此，技术XML技术的数据挖掘成为当今因特网数据挖掘的研究重点，需要有关人员引起足够的重视，进而不断促进该技术对数据挖掘的应用。
参考文献：
[1]卢珊.基于XML技术的Web数据自动挖掘新方法[J].信息技术与信息化,,12:141-143
[2]王雅轩,顼聪.基于XML的Web数据挖掘模型的设计研究[J].电子技术与软件工程,,03:213-214
[3]周晓梅,王潜平,苏琳.基于XML的Web数据挖掘模型的设计[J].计算机工程与设计,,02:272-274+277
[4]唐明灯.基于数据库技术的数据挖掘分析与研究[J].信息与电脑(理论版),,02:138-139
篇2：数据挖掘技术的研究论文
摘要“:互联网+”战略的实施促进了我国信息技术的快速发展,数据挖掘技术能够实现对海量信息的统计、分析以及利用等,因此数据挖掘技术在生活实践中得到了广泛的应用。因此本文希望通过对数据挖掘技术的分析,分析数据挖掘技术在实践中具体应用的策略,以此更好的促进数据挖掘技术在实践中的应用。
关键词:数据挖掘;应用;发展
篇3：数据挖掘技术的研究论文
数据挖掘是通过对各种数据信息进行有选择的统计、归类以及分析等挖掘隐含的有用的信息,从而为实践应用提出有用的决策信息的过程。通俗的说数据挖掘就是一种借助于多种数据分析工具在海量的数据信息中挖掘模数据信息和模型之间关系的技术总裁,通过对这种模型进行认识和理解,分析它们的对应关系,以此来指导各行各业的生产和发展,提供重大决策上的支持。数据挖掘技术是对海量数据信息的统计、分析等因此数据挖掘技术呈现以下特点:一是数据挖掘技术主要是借助各种其它专业学科的知识,从而建立挖掘模型,设计相应的模型算法,从而找出其中的潜在规律等,揭示其中的内在联系性;二是数据挖掘主要是处理各行数据库中的信息,因此这些信息是经过预处理的;三是以构建数据模型的方式服务于实践应用。当然数据挖掘并不是以发现数据理论为目的,而是为了在各行各业的信息中找出有用的数据信息,满足用户的需求。
2数据挖掘的功能
结合数据挖掘技术的概述,数据挖掘主要具体以下功能:一是自动预测趋势和行为。数据挖掘主要是在复杂的数据库中寻找自己有用的信息,以往的信息搜索需要采取手工分析的方式,如今通过数据挖掘可以快速的将符合数据本身的数据找出来;二是关联分析。关联性就是事物之间存在某种的联系性,这种事物必须要在两种以上,数据关联是在复杂的数据中存在一类重要的可被发现的`知识;三是概念描述。概念描述分为特征性描述和区别性描述;四是偏差检测。
3数据挖掘技术的步骤分析
3.1处理过程
数据挖掘虽然能够实现在复杂的数据库中寻求自己的数据资源,但是其需要建立人工模型,根据人工模型实现对数据的统计、分析以及利用等。
3.2关键技术
由于数据挖掘涉及到很多专业学科,因此相对来说,数据挖掘技术融合多门专业技术学科的知识,结合实践,数据挖掘技术主要应用到以下算法和模型:一是传统统计方法。采取传统的统计方法主要有抽样技术,也就是采取相应的策略对数据进行合理的抽样。多元化统计和统计预测方法;二是可视化技术,可视化技术是数据挖掘技术的热点,它是采取可视化技术与数据挖掘过程的结合,以直观的图形等使人们更好地进行数据挖掘技术;三是决策树。决策树需要对数据库进行几遍的扫描之后,才能完成,因此其在具体的处理过程中可能会包括很多的预测变量情况;四是4)聚类分析方法。聚类分析方法是一种非参数分析方法,主要用于分析样本分组中多维数据点间的差异和联系。判别分析法需要预先设定一个指针变量,假设总体为正太分布,必须严格遵守数理依据。而聚类分析则没有这些假设和原则,只需要通过搜集数据和转换成相似矩阵两个步骤,就能完成聚类分析的全过程。聚类分析主要用于获取数据的分布情况,能够简单方便的发现全局的分布模式,识别出密集和系数区域;此外,对于单个类的分析也有很强的处理能力,能深入分析每个类的特征,并找出变量和类之间的内在联系。基于距离、层次、密度和网络的方法是最常用的聚类分析方法。
4数据挖掘技术的实践应用
数据挖掘技术虽然在我国发展的时间还不长,但是其在实践中的应用已经非常的广泛,因为数据挖掘技术在实践中的应用价值是非常大的,其可以提取隐藏在数据背后的有用信息,具体来看,其主要应用在:(1)在医学上的应用。人体的奥秘是无穷无尽的,人类遗传密码的信息、人类疾病史和治疗方法等,都隐含了大量数据信息。采用数据挖掘来解决这些问题,将给相关工作者的工作带来很大方便。此外,医院内部医药器具的管理、病人档案资料的整理、医院内部结构的管理等,也是庞大的数据库。将数据挖掘技术应用于医学领域,深入分析人类疾病间的内在联系和规律,帮助医生进行诊断和治疗,能够有效提高医生诊断的准确率,对人类的健康和医疗事业的发展有十分重要的作用。(2)在电信业中的应用。随着三网融合技术的不断发展,传统的电信业务已经不能满足当前社会发展的需求,而是侧重通信、图像以及网络等业务的融合,而实现“三网融合”的关键技术是实现对数据的分析与统计,因为三网融合会带来更多的数据,这些数据都需要充分的挖掘,以此实现“三网融合”战略的实现。将数据挖掘技术与电信业务有效的结合起来,能够提高资源利用率,更深入的了解用户的行为,促进电信业务的推广,帮助各行各业获取更大的经济效益。(3)在高校贫困生管理的应用。贫困生管理分析系统主要应用了数据仓库技术以及数据挖掘技术,其主要是将高校贫困生的各种信息统一纳入到高校信息管理平台中,然后根据具体的贫困生划分标准,建立模型,进而对学生的信息进行统计与分析,实现对贫困生信息的科学管理,便于高校管理者及时了解学生的信息。
5结语
总之数据挖掘技术在实践中的广泛应用,为我国互联网+战略提供了关键技术支撑,但是由于数据挖掘技术在实践中还存在某些技术问题,比如各种模型和技术难于集成、缺少与数据库系统耦合的通用API或挖掘系统仅提供孤立的知识发现功能,难于嵌入大型应用等问题导致挖掘技术在实践中的应用还存在缺陷,因此需要我们加大对数据挖掘技术的进一步研究,以此更好地实现“互联网+”战略。
作者:陈建伟 李丽坤 单位:安阳职业技术学院
参考文献
[1]舒正渝.浅谈数据挖掘技术及其应用[J].中国西部科技,(02).
[2]谌章俊,蒋智刚.基于数据挖掘技术的知识发现系统[J].现代情报,(05).
篇4：数据挖掘技术下数字化油气藏研究论文
数据挖掘技术下数字化油气藏研究论文
摘要：油气藏在勘探开发及其研究与决策过程中，形成巨量的成果及数据。为了更加科学开发与管理油气藏，充分运用和发挥好这些巨量数据的信息作用成为关键，数据挖掘作为一种有效的信息处理技术，可以在海量数据中快速找出有用信息，为研究与决策提供强有力的数据支持。长庆油田在油气藏研究与决策支持系统（RDMS）建设中充分利用各专业数据库及多种数据挖掘方法，构建了一个满足勘探、开发、储量管理、评价等综合应用的数据管理、数据操作及可视化展示的一体化平台，为油气藏研究与决策人员提供全方位的数据处理与可靠决策，极大地提升了油气藏的研究效率和决策质量。
关键词：数字化油气藏；研究与决策；数据挖掘
油气藏研究包含了从地质勘查到石油产品最终用户的复杂工艺流程，传统的油气藏研究方法存在工作效率低、准确性不高、过度依赖人工经验等问题。决策者需要从海量的数据中找出有用的关键信息；论证现场中研究人员携带和使用的各类图件无法充分展示其研究成果，也不能在论证现场短时间内消化大量资料并做出正确的决策，更不能使信息资源的共享和成果的交互上得到充分实现。信息落后的信息处理方法与单一的研究手段不但花费大量的精力与时间，更是造成大量宝贵的研究成果无法应用与共享。近年信息技术的快速发展，催生了数字化油藏，促进了数字油田的发展产，数据挖掘等信息技术与油气勘探开发数据资源的融合不断加深，能够提供更智能化的数据分析功能，更好地支持油气藏勘探开发决策，开创了一种全新的油气藏研究工作模式，降低了决策风险，提升开发决策水平。长庆油田针对具有数量庞大的、结构不完整的`、内容不清晰且含有干扰信息的油气藏研究工作数据，开发了包括特征提取、规则划分分类分析、关联规则挖掘、聚类分析、模式分析及生成趋势分析等［1－2］系列数据挖掘技术，从中提取出包含在内部的、不被人们知晓的、却又含有有用的、重要的信息和知识［3－4］，为长庆油田的高效开发、快速发展提供了有效的数据信息支持。
一、油气藏研究与决策支持系统
通过借鉴国内外著名油气公司在油气勘探计算机软件研发方面的经验［5－6］，依托长庆油田丰富的数据资源，利用先进的软件研发技术，长庆油田研发出了一套数字化油气藏研究（RDMS）系统。它以油气藏研究为主线，业务驱动，数据链为手段，由协同工作平台、数据整合平台、数据可视化平台等组成的一体化多学科协同工作环境。数字化油气藏研究系统从功能架构上可划分为数据服务、基础工作、协同研究、决策支持和云软件五大平台。基础工作平台是以油气藏数据链技术为基础建立的系统底层框架，为各应用场景的协同工作提供基础环境；协同研究平台面向科研人员，通过对不同业务岗位定制不同工作场景和工作内容，为研究人员提供便捷的数据组织、共享和知识应用平台；决策支持平台面向技术主管和普通技术人员，为一体化技术交流及方案决策提供环境，并实现远程异地协同决策；云软件平台基于虚拟存储技术将勘探开发主流软件统一部署在云中心服务器，实现专业软件接口统一升级、许可动态调度和集中维护管理。目前，基础工作平台、研究工作平台（29个研究主题）和决策支持平台（16个决策主题）已基本开发完成，在勘探开发研究院、油气工艺研究院、采油（气）厂已推广运行。图1展示了数字化油气藏研究与决策支持系统功能模块的细分情况。
二、数字化油气藏的数据挖掘技术
长庆油田建设的数字化油气藏研究与决策支持系统，为油田生产的勘探部署、产能建设等决策提供辅助。在决策支持系统的建设中采用了数据挖掘技术，在数据分类的过程中使用了神经网络技术，在数据关联过程中使用了决策树方法，在预测过程中使用了回归分析和贝叶斯网络。由勘探井的数据结合模型库系统和数据仓库系统，为井位部署、产能预测、生产方法等决策提供支持。在图2的结构中有一个模型库系统，它由模型库、方法库、数据库、格式库、衍生数据库及其管理系统组成。该系统可被抽象为六元结构，即S={ModelD，methodD，FormD，ParaD，D，DeriveD}。其中，ModelD={model1，model2，…，modeln}，它是模型库，用于集成各种模型。模型库为整个系统提供支撑。它有包含模型库管理子系统（MDBMS）对模型库进行统一的管理，具有对模型定义、建立、存储、查询等功能。模型库是系统的核心结构。用于油气藏研究的各种数据库在模型库中统一管理、调用；MethodD={method1，method2，…，methodn}，它是方法库，集成各模型计算的参数获取方法。方法库系统为系统提供算法模型支撑，它包含方法库管理子系统（ADBMS）对方法库进行统一的管理；FormD为数据格式库，定义了每个数据的数据类型，数据格式；ParaD为参数库，用于存放各种油气藏分析程序运转的各种参数；D为数据库，用于存放计算数学模型所需的各种数据；DevriveD为衍生数据库，存放油气藏研究过程中产生的新数据。
三、油气藏数据挖掘技术的实现
1．建立数据仓库建立数据仓库是实现数据挖掘的基础。本系统中使用的是原型法，快速的实现数据仓，并根据反馈信息修改油气藏决策步骤中不合理的需求分析和主题情况，为后面的决策工作提供技术基础和经验积累。本系统主题是油田勘探井位布置位置、测井实时数据、产能分析、储量管理等主题。在对油气藏决策系统进行分析之后，根据油气藏决策系统中包含的油气藏数据、决策内容进行逻辑分类。针对各个的分析主题，在油气藏数据仓库中建立关系表，用来描述与决策结果相关的各种信息，关系表主要从油气藏系统数据库中的流程表中提取数据，包括地质图、地理图、地震数据等。在数据仓库的建设过程中，对油田的盆地、各级构造、圈闭、地震工区、勘探沉积相、各级储量区块、油田各类开发生产单元、井等勘探开发图形对象的转换、加载入库，建立完成地质信息库。
2．油气藏研究工作数据抽象和总结技术数据总结的最终结果是对油气藏研究数据进行抽象模型化，给出油气藏研究决策工作流程的总体综合描述。通过对油气藏数据的归纳抽象，数据挖掘方法能够将数据库中的所有数据从较低的个体层次抽象总结到较高的总体层次上，从而实现对原始基本数据的总体把握。在本系统中使用的数据总结方法是目前最为成熟的数学方法，也就是利用数学方法计算出数据库的各个数据项的统计学特征，如总和、方差、最大值、平均、最小值等；或者通过利用数学中的统计图形工具，对数据制作统计图形，如直方图、饼状图等。长庆油田的数字化油气藏研究系统中利用了OLAP技术实现对油田井位的地质图、地理图、地震数据的多维查询，分析了多种数据的统计特征，同时用多个统计图形描述了数据间的联系。最后对多个数据进行归纳，提取统计信息。
3．数据分类数据挖掘中的分类是建立需要的分类函数或分类模型。通过这个分类模型可以将数据划分到不同的组中。它的实现步骤一般是：首先分析工作数据的各种特征，并找出或者建立出工作数据的属性模型，确定数据的归属组别，然后利用这些模型来分析工作数据，最后预测后面的工作数据可能会属的分组。分类应用的实例很多，本系统的采油井中，将油田井位出油量分为好、一般和较差三种类型，以此分析这三种类型井位的各种属性，特别是位置、地质等属性，并决定它们分类的关键属性及相互间关系。此后就可以根据这些关键属性对每一个预期的井位进行分析，以便决定预期井位属于哪一种类型。
4．关联分析原始数据库中各个工作数据都存在相互关联、相互影响的联系。两个或多个工作数据的取值之间存在某种逻辑联系。这种关联关系主要有简单关联和时间关联两种。比如油田井位中的地质环境、地震数据和出油量存在关联。关联分析的目的是找出工作数据中隐藏的关联网，描述众多数据项目的密切度或关联关系。由于事先往往并不知道工作数据的关联是否存在，或者是否可以用精确的关联函数描述。因此，关联分析生成的规则通常都带有置信度，置信度级别描述了关联规则的强度。
5．聚类与分析油藏工作数据往往缺少比较详细的描述信息，甚至是无法组织成任何分类模式时，通常可以采用聚类分析。通过聚类分析，按照约定的相近程度度量方法或者其他的标准，将工作数据分成许多有意义的子集合；每一个集合中的数据特征相近甚至相同，不同数据集合之间的数据性质差异较大，容易区分。长庆油田的数字化油气藏研究在实现过程中，使用了Fayyad过程模型，如图3所示。在数据挖掘的过程中，系统执行一个循环迭代过程。在每一步的执行中，从油田的盆地、各级构造、圈闭、地震工区、勘探沉积相、各级储量区块、油田各类开发生产单元等数据中，分析出勘探井位的位置信息，如果发现某个阶段产生的结果和预想的内容有出入。则重复前面阶段步骤。
四、结束语
长庆油田针对油气藏研究数据量大、信息隐晦的技术现状，建立了油气藏研究与决策支持系统［7－10］，并在其中开发和应用了系列数据挖掘技术，取得了较大进展：
（1）与众多学科及技术相融合，形成了包括人工智能、统计学、数据仓库、在线分析处理、专家系统、数据可视化、高性能计算等数据挖掘技术，将原始数据库转化为有用的研究知识，为油气藏决策了有力支持。
（2）海量数据及其挖掘技术的开发为油气藏研究与决策支持系统的高效应用打下了基础，极大地提高了油气藏的研究与决策水平，为长庆油田快速发展提供了强有力的技术支持。
参考文献
［1］郭萌，王珏．数据挖掘与数据库知识发现：综述［J］．模式识别与人工智能，，11（03）：292－299．
［2］胡侃，夏绍玮．基于大型数据仓库的数据采掘：研究综述［J］．软件学报，1998（01）：54－64．
［3］GrossmanR，KasifS，MooreR，etal．Dataminingresearch：Op—portunitiesandchallenges［C］．AreportofthreeNSFworkshopsonmininglarge，massive，anddistributeddata，．
［4］Deogu*JS，RaghavanVV，SarkarA，etal．Datamining：Re—searchtrends，challenges，andapplications［J］．RoughsSetsandDataMining：AnalysisofImpreciseData，：9－45．
［5］王宏琳．油气勘探计算机软件：平台体系结构框架［J］．石油工业计算机应用，（02）：3－8．
［6］（美）HohmannL著．蓝莉，曾永和译．超越软件架构创建和维护优秀解决方案［M］．北京：中国电力出版社，．
［7］石玉江．数字油田中的勘探井位快速部署技术［J］．石油工业计算机应用，（12）：11－16．
［8］王娟．数字油气藏数据中心建设的关键技术［J］．石油工业计算机应用，2016（1）：16－18．
［9］付金华，石玉江，王娟，等．长庆油田勘探开发服务型共享数据中心构建研究［J］．中国石油勘探，，22（6）：1－8．
［10］王娟，姚卫华，石玉江，等．基于云架构的油气藏数据智能管理技术［J］．天然气工业，，34（3）：137－141．
篇5：大学图书馆数据挖掘技术应用研究论文
大学图书馆数据挖掘技术应用研究论文
摘要：本文简述如何将数据挖掘技术应用于图书馆各部门管理中，帮助图书馆管理者依据数据挖掘技术更好地为读者提供科学化和人性化的服务，促进图书馆事业的创新与发展。
关键词：高校图书馆；数据挖掘；创新；发展。
随着网络技术、计算机技术的快速发展，高校图书馆事业也顺应时变，不断向高科技、高水平领域进展，尤其是当今处于数字信息发展的时代。如果利用图书馆现有以及收集的数据资源，通过数据挖掘技术来分析、筛选对图书馆有用的数据信息，依据提炼的数据资源来指导、推进图书馆事业的创新与发展，是当今信息时代图书馆亟待研究、探讨的一个问题。本文将简述如何将数据挖掘技术应用于图书馆各部门管理之中，帮助图书馆管理者依据数据挖掘技术更好地为读者提供科学化和人性化的服务，促进图书馆的事业创新与发展。
一、数据挖掘技术综述。
数据挖掘定义。数据挖掘（Data Mining，DM）是一种新的信息处理技术，其主要特点是对单位、企业数据库中的大量业务数据进行抽取、转换分析和其他模型化处理，以从中提取辅助管理决策的关键性数据。数据挖掘就是从大量的、不完全的、有噪声的、模糊的和随机的数据中，提取隐含在其中的、人们事先不知道的但又是潜在有用的信息和知识的过程。换句话说，数据挖掘技术就是从收集的大量、繁杂的数据中挖掘出其隐含的、未知的、对决策有潜在价值的关系、模式和趋势，并用这些知识和规则建立用于决策支持的模型，提供预测性决策支持的方法、工具和过程。
数据挖掘的意义。在当今的竞争时代社会中，随着计算机的飞速发展，计算机强大的数据处理能力、内存储存容量和网络宽带等价格的持续快速下降，因此大型的数据分析、提取技术不再是一个障碍。面对图书馆每天接收的庞大数据源，管理者必须学会从所拥有的大量数据信息源中提取并利用隐含在这些数据中的有用价值以及有用新信息，从而获取对图书馆事业研究领域的本质认知和未来认知，帮助图书馆管理者从传统的经验管理、主观管理提升为理性管理和科学管理。
数据挖掘的应用分类。目前较常用的一般有分类与回归、关联规则、聚类分析、时序模式等。
二、数据挖掘技术对图书馆事业创新与发展的影响。
面对大量数据，如何去存储和收集数据，如何利用数据挖掘技术将图书馆海量信息数据中提取供管理者决策的有价值的数据，提取并利用隐藏在这些数据中的有用知识的能力变得越来越重要。运用数据挖掘技术从数据中获得有用的知识，这在图书馆管理方面显得尤为重要，本文将简述如何将数据挖掘技术应用于图书馆各部门工作，为今后各部门的创新与发展提供策略分析。
流通部门。流通部门作为图书馆的一线服务岗位，对图书馆功能的发挥起着举足轻重的作用。作为窗口形象岗位，直接体现了图书馆的整体工作状态。
要实现从以往的经验管理、主观管理提升为科学管理和理性管理，数据挖掘技术将利用现代技术展现其独天得厚的优势。图书馆每天都会产生大量的图书流通数据，这些数据包含进、出馆读者人数，借、还书数量，检索查询次数以及网上咨询等大量繁杂的数据。在流通部门最为常用的数据就是借书、还书量，通过借书、还书数据的统计，可获取读者信息行为、借阅书兴趣导向，充分利用数据挖掘技术如关联规则、分类、聚类、时间序列分析等，对图书馆蕴含的大量丰富的用户行为进行建模，从而挖掘出有用的或有兴趣的信息和知识。如可利用这些有价值的信息，借鉴“啤酒与尿布”的'经典商业案例，尝试在流通部开辟一块试验田地DD搭档书架，即通过借、还书数据挖掘，将读者感兴趣、组合搭档频率高的书籍挑选出来，开辟一块搭档书架，方便读者在借用专业书籍的同时顺便也借阅自己感兴趣的图书，既学习了自己的专业知识，同时也顺便阅读了自己感兴趣的书籍，充分实现了图书馆“第二课堂”的育人价值。
采编部门。传统的采编部门在采集书籍时大多数情况是依据采集经验或是依据各院系、读者反馈的需求书籍进行征订。大部分购买的图书还是比较适合读者所用的，但也会存在一些盲目性，有时会造成采集的偏差，这是采编部门一直比较困惑的问题。如何既将购书经费合理利用好，同时又能满足读者借阅所需，是采编部门长期探索、研究的问题。如果将数据挖掘技术运用到采编部门，通过一线的文献借阅数据，分析、挖掘、提炼读者借、还书的信息量，且一直追踪这些信息数源的变化，即可获得可被部门利用的有价值数据，并汇总出读者借、还书的规律。依据这些一线信息数源的价值，加之网上荐购及读者书面荐购等信息，汇总出哪些是读者专业常用书籍，哪些是读者感兴趣的书籍，哪些又是常年被冷落的书籍，从中提炼出书籍采集的方向；合理化的采集方案继续延用，不合理的采集要进行科学化的数据分析，及时理清思路，尽可能做到书籍采集的合理化、科学化。
技术部门。在信息飞速发展的时代，作为图书馆负责信息网络技术的部门，其肩上的重量显得格外沉重。技术部门不但肩负着网络技术的责任，当今也要肩负起图书馆所有数据的收集、存储、挖掘及分析技术。数据挖掘及分析技术在技术部十分重要，技术部应将图书馆各部门所产生的相关数据进行长期性、系统性的收集和科学分析，并将研究数据的挖掘及分析作为当前和今后技术部研究及发展的方向，承担起“数据监护员”的角色，通过实践为图书馆提供数据监护操作技能及策略。注意将可获得的数据及时进行收集，并通过收集数据使用案例，分析并总结用户需求及使用规律，为数据监护提供基础资料。
学科部门。学科部门作为一个新兴的部门，目前已在全国各高校图书馆广泛推广运用。学科馆员的主要任务是派专人与对口院系或学科专业搭建合作、交流平台，并利用图书馆信息检索的技术优势，为研究者开展长期追踪、收集、传递文献信息的科技服务。当前大部分学科馆员关注的是如何为院系教学提供良好的信息传递帮助，而忽略了在当前信息飞速发展的时代，科研与教学走向数字化的趋势。学者所做的所有工作，包括教案、论文、实验、毕业设计等等工作，基本上都是以电子信息的方式进行编辑、存储的。虽然极大地方便了学者们的工作，但同时也面临这些电子数据的丢失风险，一旦电子数据丢失，其损失的学术价值是不可估量的。为尽量避免这些事件的发生，学科部门可依托技术部门的支撑，利用数据挖掘技术，开展学者数据监护服务，保存这些非纸质信息。这样学科部门不仅为学者提供了科研信息的前沿追踪，同时也提供了科学数据保存平台；既为学者科研开辟道路，也为学者预防丢失科研数据提供保障，可谓双保险。数据挖掘技术还可以帮助学科部通过数据挖掘、分析出读者关注以及咨询较多的问题，从中归纳出重点并分门别类，作为图书馆工作的重要依据。
三、结语。
数据挖掘技术在当今大数据时代，已成为一个相对成熟的学科，融入到社会的各行各业。利用数据挖掘技术对图书馆数据库进行数据挖掘已经成为图书馆需要开展的一项重要工作。图书馆事业已全部进入电子信息化，由此产生的大量业务数据和信息资源是图书馆行业的一笔宝贵财富，它较真实地反映了读者对图书馆事业运作以及提供的服务是否到位。因此，通过数据挖掘分析，能够帮助图书馆管理者分析并发现现有管理的不足之处，通过已知的现象预测未来的发展趋势。数据挖掘技术已成为今后图书馆事业保持竞争力的必备法宝。
参考文献：
【1】顾倩.数据挖掘应用于高校图书馆个性化服务的探讨[J].图书馆杂志,,8:63-65.。
【2】王伟.基于数据挖掘的图书馆用户行为分析与偏好研究情报科学,,30(3):391-394.。
【3】杨海燕.大数据时代的图书馆服务浅析[J].图书与情报。
【4】程莲娟.美国高校图书馆数据监护的实践及其启示[J].图书馆杂志,2012,1(31):76-78.。
篇6：大数据时代数据挖掘技术教学研究论文
数据挖掘的过程实际就是对数据进行分析和处理，所以其基础就在于数据的分析方法。要想确保分析方法的科学性，就必须确保所采用算法的科学性和可靠性，获取数据潜在规律，并采取多元化的分析方法促进问题的解决和优化。以下就几种常见的数据分析教学方法做出简要的说明。一是归类法，主要是将没有指向和不确定且抽象的数据信息予以集中，并对集中后的数据实施分类整理和编辑处理，从而确保所形成的数据源具有特征一致、表现相同的特点，从而为加强对其的研究提供便利。所以这一分析方法能有效的满足各种数据信息处理。二是关联法，由于不同数据间存在的关联性较为隐蔽，采取人力往往难以找出其信息特征，所以需要预先结合信息关联的表现，对数据关联管理方案进行制定，从而完成基于某种目的的前提下对信息进行处理，所以其主要是在一些信息处理要求高和任务较为复杂的信息处理工作之中。三是特征法，由于数据资源的应用范围较广，所以需要对其特征进行挖掘。也就是采用某一种技术，将具有相同特征的数据进行集中。例如采用人工神经网络技术时，主要是对大批量复杂的数据分析，对非常复杂的模式进行抽取或者对其趋势进行分析。而采取遗传算法，则主要是对其他评估算法的适合度进行评估，并结合生物进化的原理，对信息数据的成长过程进行虚拟和假设，从而组建出半虚拟、半真实的信息资源。再如可视化技术则是为数据挖掘提供辅助，采取多种方式对数据的挖掘进行指导和表达[1]。
篇7：大数据时代数据挖掘技术教学研究论文
2.1数据挖掘技术流程分析
在数据挖掘教学过程中，其流程主要是以下几点：首先做好数据准备工作，主要是在挖掘数据之前，就引导学生对目标数据进行准确的定位，在寻找和挖掘数据之前，必须知道所需数据类型，才能避免数据挖掘的盲目性。在数据准备时，应根据系统的提示进行操作，在数据库中输入检索条件和目标，对数据信息资源进行分类和清理，以及编辑和预处理。其次是在数据挖掘过程中，由于目标数据信息已经被预处理，所以就需要在挖掘处理过程中将其高效正确的应用到管理机制之中，因而数据挖掘的过程十分重要，所以必须加强对其的处理。例如在数据挖掘中，引导学生结合数据挖掘目标要求，针对性的选取科学而又合适的计算和分析方法，对数据信息特征与应用价值等进行寻找和归纳。当然，也可以结合程序应用的需要，对数据区域进行固定，并在固定的数据区域内分类的挖掘数据，从而得到更具深度和内涵以及价值的数据信息资源，并就挖掘到的数据结果进行分析和解释，从结果中将具有使用价值和意义的规律进行提取，并还原成便于理解的数据语言。最后是切实加强管理和计算等专业知识的应用，将数据挖掘技术实施中进行的总结和提取所获得的数据信息与评估结果在现实之中应用，从而对某个思想、决策是否正确和科学进行判断，最终体现出数据挖掘及时的应用价值，在激发学生学习兴趣的同时促进教学成效的提升。
2.2挖掘后的数据信息资源分析
数据信息资源在挖掘后，其自身的职能作用将变得更加丰富，所以在信息技术环节下的数据挖掘技术随着限定条件的变化，而将数据挖掘信息应用于技术管理和决策管理之中，从而更好地彰显数据在经济活动中的物质性质与价值变化趋势，并结合数据变化特点和具体的表现规律，从而将数据信息的基本要素、质量特点、管理要求等展示出来，所以其表现的形式十分丰富。因而在数据挖掘之后的信息在职能范围和表现形式方式均得到了丰富和拓展，而这也在一定程度上体现了网络拟定目标服务具有较强的完整性，且属于特殊的个体物品，同时也是对传统数据挖掘技术的创新和发展，从而更好地满足当前大数据时代对信息进行数据化的处理，并对不同种类业务进行整合和优化，从而促进数据挖掘技术服务的一体化水平。
2.3大数据背景下的数据挖掘技术的应用必须注重信息失真的控制
数据挖掘技术的信息主要是源于大数据和社会，所以在当前数据挖掘技术需求不断加大的今天，为了更好地促进所挖掘数据信息的真实性，促进其个性化职能的发挥，必须在大数据背景下注重信息失真的控制，切实做好数据挖掘技术管理的各项工作。这就需要引导学生考虑如何确保数据挖掘技术在大数据背景下的职能得到有效的发挥，尽可能地促进数据挖掘技术信息资源的升级和转型，以大数据背景为载体，促进整个业务和技术操作流程的一体化，从而更好地将所有数据资源的消耗和变化以及管理的科学性和有效性，这样我们就能及时的找到资源的消耗源头，从而更好地对数据资源的消耗效益进行评价，最终促进业务流程的优化，并结合大数据背景对数据挖掘技术的职能进行拓展，促进其外部信息与内部信息的合作，对数据挖掘技术信息的职能进行有效的控制，才能更好地促进信息失真的控制[2]。
3数据挖掘技术在不同行业中的应用实践
学习的最终目的是为了更好的.应用，随着时代的发展，数据挖掘技术将在越来越多的行业中得以应用。这就需要高校教师引导学生结合实际需要强化对其的应用。例如在市场营销行业中数据挖掘技术的应用这主要是因为数据挖掘能有效的解析消费者的消费行为和消费习惯，从而利用其将销售方式改进和优化，最终促进产品销量的提升。与此同时，通过对购物消费行为的分析，掌握客户的忠诚度和消费意识等，从而针对性的改变营销策略，同时还能找到更多潜在的客户。再如在制造业中数据挖掘技术的应用，其目的就在于对产品质量进行检验。引导学生深入某企业实际，对所制造产品的数据进行研究，从而找出其存在的规则，并对其生产流程进行分析之后，对其生产的过程进行分析，从而更好地对生产质量的影响因素进行分析，并促进其效率的提升。换言之，主要就是对各种生产数据进行筛选，从而得出有用的数据和知识，再采取决策树算法进行统计决策，并从中选取正确决策，从而更好地对产品在市场中的流行程度，决定生产和转型的方向。再如在教育行业中数据挖掘技术的应用，主要是为了更好地对学习情况、教学评估和心里动向等数据进行分类和筛选，从而为学校的教学改革提供参考和支持。比如为了更好地对教学质量进行评估，就需要对教学质量有关项目进行整合与存储，从而更好地促进其对教学质量的评估，而这一过程中，就需要采取数据挖掘技术对有关教学项目中的数据进行挖掘和处理，促进其应用成效的提升[3]。
4结语
综上所述，在大数据背景下，数据挖掘技术已经在各行各业中得到了广泛的应用，所以为了更好地满足应用的需要，在实际教学工作中，我们必须引导学生切实加强对其特点的分析，并结合实际需要，切实注重数据挖掘技术的应用，才能促进其应用成效的提升，最终达到学以致用的目的。
参考文献：
[1]李平荣.大数据时代的数据挖掘技术与应用[J].重庆三峡学院学报,,03:45-47.
[2]欧阳柏成.大数据时代的数据挖掘技术探究[J].电脑知识与技术,,15:3-4+9.
[3]孔志文.大数据时代的数据挖掘技术与应用[J].电子技术与软件工程,2015,23:195.
篇8：科研数据挖掘技术论文
一、数据挖掘相关概念
数据挖掘技术是近些年发展起来的一门新兴学科，它涉及到数据库和人工智能等多个领域。随着计算机技术的普及数据库产生大量数据，能够从这些大量数据中抽取出有价值信息的技术称之为数据挖掘技术。数据挖掘方法有统计学方法、关联规则挖掘、决策树方法、聚类方法等八种方法，关联规则是其中最常用的研究方法。关联规则算法是1993年由R.Atal,Inipusqi,Sqtm三人提出的Apriori算法，是指从海量数据中挖掘出有价值的能够揭示实体和数据项间某些隐藏的联系的有关知识，其中描述关联规则的两个重要概念分别是Suppor（t支持度）和Confi-dence（可信度）。只有当Support和Confidence两者都较高的关联规则才是有效的、需要进一步进行分析和应用的规则。
二、使用Weka进行关联挖掘
Weka的全名是怀卡托智能分析环境（WaikatoEnviron-mentforKnowledgeAnalysis），是一款免费的、非商业化的、基于JAVA环境下开源的机器学习以及数据挖掘软件[2]。它包含了许多数据挖掘的算法，是目前最完备的数据挖掘软件之一。Weka软件提供了Explorer、Experimenter、Knowledge-Flow、SimpleCLI四种模块[2]。其中Explorer是用来探索数据环境的，Experimenter是对各种实验计划进行数据测试，KnowledgeFlow和Explorer类似，但该模块通过其特殊的接口可以让使用者通过拖动的形式去创建实验方案，Simple-CLI为简单的命令行界面。以下数据挖掘任务主要用Ex-plorer模块来进行。
（一）数据预处理
数据挖掘所需要的所有数据可以由系统排序模块生成并进行下载。这里我们下载近两年的教师科研信息。为了使论文总分、学术著作总分、科研获奖总分、科研立项总分、科研总得分更有利于数据挖掘计算，在这里我们将以上得分分别确定分类属性值。
（二）数据载入
点击Explorer进入后有四种载入数据的方式，这里采用第一种Openfile形式。由于Weka所支持的标准数据格式为ARFF，我们将处理好的xls格式另存为csv，在weka中找到这个文件并重新保存为arff文件格式来实现数据的载入。由于所载入的数据噪声比较多，这里应根据数据挖掘任务对数据表中与本次数据任务不相关的属性进行移除，只将学历、职称、论文等级、学术著作等级、科研获奖等级、科研立项等级、科研总分等级留下。
（三）关联挖掘与结果分析
WeakExplorer界面中提供了数据挖掘多种算法，在这里我们选择“Associate”标签下的Apriori算法。之后将“lowerBoundMinSupprot”（最小支持度）参数值设为0.1，将“upperBoundMinSupprot”（最大支持度）参数值设为1，在“metiricType”的参数值选项中选择lift选项，将“minMetric”参数值设为1.1，将“numRules”（数据集数）参数值设为10，其它选项保存默认值，这样就可以挖掘出支持度在10%到100%之间并且lift值超过1.1且排名前10名的关联规则。其挖掘参数信息和关联挖掘的部分结果。
三、挖掘结果与应用
以上是针对教师基本情况和科研各项总分进行的反复的数据挖掘工作，从挖掘结果中找到最佳模式进行汇总。以下列出了几项作为参考的关联数据挖掘结果。
1、科研立项得分与论文、科研总得分关联度高，即科研立项为A级的论文也一定是A。这与实际也是相符的，因为科研立项得A的教师应该是主持了省级或是国家级的立项的同时也参与了其他教师的科研立项，在课题研究的过程中一定会有国家级论文或者省级论文进行发表来支撑立项，所以这类教师的论文得分也会很高。针对这样的结果，在今后的科研工作中，科研处要鼓励和帮助教师搞科研，为教师的科研工作提供精神上的支持和物质上的帮助，这样在很大程度上能够带动整个学校科研工作的进展。
2、副教授类的教师科研立项得分很高，而讲师类教师和助教类教师的科研立项得分很低，这样符合实际情况。因为副教授类的`教师有一定的教学经验，并且很多副教授类的教师还想晋职称，所以大多数副教授类教师都会申请一些课题。而对于讲师类和助教类的教师，由于教学经验不足很少能进行省级以上的课题研究，因此这两类教师的科研立项分数不高。针对这样的结果，在今后的科研工作中，科研处可以采用一帮一、结对子的形式来帮助年轻教师，这样可以使青年教师参与到老教师的科研课题研究工作中去，在课题研究工程中提高科研能力和教学能力。
3、讲师类教师的论文等级不高。从论文得分能够推断出讲师类教师所发表论文的级别不高。为了鼓励这类教师的论文发表，在今后的科研量化工作中对省级、国家级的论文级别进行细化，并且降低一般论文的得分权重，加大高级论文的得分权重。并且鼓励讲师类教师参加假期培训，提高自身的科研和教学水平。
篇9：数据挖掘教学方法研究论文
数据挖掘教学方法研究论文
摘要：在本科高年级学生中开设符合学术研究和工业应用热点的进阶课程是十分必要的。以数据挖掘课程为例，本科高年级学生了解并掌握数据挖掘的相关技术，对于其今后的工作、学习不无裨益。着重阐述数据挖掘等进阶课程在本科高年级学生中的教学方法，基于本科高年级学生的实际情况，以及进阶课程的知识体系特点，提出有针对性的教学方法参考，从而提高进阶课程的教学效果。
关键词：数据挖掘；进阶课程；教学方法研究；本科高年级
学生在本科高年级学生中开设数据挖掘等进阶课程是十分必要的，以大数据、数据挖掘为例，其相关技术不仅是当前学术界的研究热点，也是各家企事业单位招聘中重要岗位的要求之一。对于即将攻读硕士或博士学位的学生，对于即将走上工作岗位的学生，了解并掌握一些大数据相关技术，尤其是数据挖掘技术，都是不无裨益的。在目前本科教学中，对于数据挖掘等课程的教学，由于前序课程的要求，往往是放在本科四年级进行。如何激发本科四年级学生在考研，找工作等繁杂事务中的学习兴趣，从而更好地掌握数据挖掘的相关技术是本课程面临的主要挑战，也是所有本科进阶课程所面临的难题之一。
1数据挖掘等进阶课程所面临的问题
1.1进阶课程知识体系的综合性
进阶课程由于其理论与技术的先进性，往往是学术研究的前沿，工业应用的热点，是综合多方面知识的课程。以数据挖掘课程为例，其中包括数据库、机器学习、模式识别、统计、可视化、高性能技术，算法等多方面的知识内容。虽然学生在前期的本科学习中已经掌握了部分相关内容，如数据库、统计、算法等，但对于其他内容如机器学习、人工智能、模式识别、可视化等，有的是与数据挖掘课程同时开设的进阶课程，有的已经是研究生的教学内容。对于进阶课程繁杂的知识体系，应该如何把握广度和深度的关系尤为重要。
1.2进阶课程的教学的目的要求
进阶课程的知识体系的综合性体现在知识点过多、技术特征复杂。从教学效益的角度出发，进阶课程的教学目的是在有限的课时内最大化学生的知识收获。从教学结果的可测度出发，进阶课程的教学需要能够有效验证学生掌握重点知识的.学习成果。1.3本科高年级学生的实际情况本科高年级学生需要处理考研复习，找工作等繁杂事务，往往对于剩余本科阶段的学习不重视，存在得过且过的心态。进阶课程往往是专业选修课程，部分学分已经修满的学生往往放弃这部分课程的学习，一来没有时间，二来怕拖累学分。
2数据挖掘等进阶课程的具体教学方法
进阶课程的教学理念是在有限的课时内，尽可能地提高课程的广度，增加介绍性内容，在授课中着重讲解1~2个关键技术，如在数据挖掘课程中，着重讲解分类中的决策树算法，聚类中的K-Means算法等复杂度一般，应用广泛的重要知识点，并利用实践来检验学习成果。
2.1进阶课程的课堂教学
数据挖掘等进阶课程所涉及的知识点众多，在课堂上则采用演示和讲授相结合的方法，对大部分知识点做广度介绍，而对需要重点掌握知识点具体讲授，结合实践案例及板书。在介绍工业实践案例的过程中，对于具体数据挖掘任务的来龙去脉解释清楚，尤其是对于问题的归纳，数据的处理，算法的选择等步骤，并在不同的知识点的教学中重复介绍和总结数据挖掘的一般性流程，可以加深学生对于数据挖掘的深入理解。对于一些需要记忆的知识点，在课堂上采用随机问答的方式，必要的时候可以在每堂课的开始重复提问，提高学习的效果。
2.2进阶课程的课后教学
对于由于时间限制无法在课上深入讨论的知识点，只能依靠学生在课后自学掌握。本科高年级学生的课后自学的动力不像低年级学生那么充足，可以布置需要动手实践并涵盖相关知识点的课后实践，但尽量降低作业的工程量。鼓励学生利用开源软件和框架，基于提供的数据集，实际解决一些简单的数据挖掘任务，让学生掌握相关算法技术的使用，并对算法有一定的了解。利用学院与大数据相关企业建立的合作关系，在课后通过参观，了解大数据技术在当前企业实践中是如何应用的，激发学生的学习兴趣。
2.3进阶课程的教学效果考察进阶课程的考察不宜采取考试的形式，可以采用大作业的形式。从具体的数据挖掘实践中检验教学的成果，力求是学生在上完本课程后可以解决一些简单的数据挖掘任务，将较复杂的数据挖掘技术的学习留给学生自己。
3结语
数据挖掘是来源于实践的科学，学习完本课程的学生需要真正理解，掌握相关的数据挖掘技术，并能够在实际数据挖掘任务中应用相关算法解决问题。这也对教师的教学水平提出了挑战，并直接与教师的科研水平相关。在具体的教学过程中，发现往往是在讲授实际科研中遇到的问题时，学生的兴趣较大，对于书本上的例子则反映一般。进阶课程在注重教学方法的基础上，对于教师的科研水平提出了新的要求，这也是对于教师科研的反哺，使教学过程变成了教学相长的过程。
参考文献：
[1]孙宇，梁俊斌，钟淑瑛．面向工程的《数据挖掘》课程教学方法探讨[J]．现代计算机，2014（13）.
[2]蒋盛益，李霞，郑琪．研究性学习和研究性教学的实证研究———以数据挖掘课程为例[J]．计算机教育，2014（24）.
[3]张晓芳，王芬，黄晓．国内外大数据课程体系与专业建设调查研究[C]．2ndInternationalConferenceonEducation,ManagementandSocialScience（ICEMSS2014），2014.
[4]郝洁．《无线传感器网络》课程特点、挑战和解决方案[J]．现代计算机，2016（35）.
[5]王永红．计算机类专业剖析中课程分析探讨[J]．现代计算机，2011（04）.
【多层次技术的XML数据挖掘研究论文】相关文章：
10.研究技术报告
文档为doc格式
