数据挖掘(Data Mining)指的是，在大量的、不规则的、随机的、复杂的、有噪声的实际应用数据中，获得一些信息和知识，能够对用户祈祷潜在作用的效果的过程。下面是小编搜集整理的相关内容的论文，欢迎大家阅读参考。
摘要：网络经济的关键在于能够为商品的供应商及其合作者之间提供一个交流的平台，但是即便是最权威的搜索引擎也只能够搜索到三分之一的web网页，并且这些Web都是没有结构的、动态的、复杂的形式出现。人们要从各种各样的文本网站中寻找自己想要的信息进而变得更加困难。网络数据挖掘技术就是用来解决这一问题的好办法，利用数据挖掘技术能够有效发现在web网页中隐藏着的对用户有力的数据信息，在对数据的分析中总结出规律。如何实现用户对于Web上的有效数据的深度挖掘，使其成为工商管理领域中的重要应用，成为了当代许多网络工作者所关注的话题。
一、数据挖掘概述
(一)数据挖掘
数据挖掘(DataMining)指的是，在大量的、不规则的、随机的、复杂的、有噪声的实际应用数据中，获得一些信息和知识，能够对用户祈祷潜在作用的效果的过程。将数据挖掘用通俗的话来描述就是在数据库中发现潜在有用的知识发现(KDDKnowledgeDiscoveryinDatabase)。在这个定义中主要包含了以下几方面的含义：首先数据源的特性是大量、随机、不规则、噪声;信息是客户所感兴趣的对象;选取的知识必须是在可接受、可理解、可运用的范围内的，并不是全部符合要求的都可以，对于问题要有一定的针对性。也就是说对于所发现的知识的筛选是有一定的约束和限制条件的，同时也要符合用户的理解和学习能力，最好还能够用通俗的语言来表达最终的结果。
(二)Web数据挖掘
Web数据挖掘实际上是属于数据挖掘的范畴的。概括的来说，Web数据挖掘的数据库特定的就是Web服务器上的数据文件，从中发现用户感兴趣并有所应用潜能的知识。Web数据挖掘主要针对的就是页面内容、页面之间的结构、用户访问信息、电子商务等内在信息，通过数据挖掘技术来获得有价值的信息。Web数据和传统数据库存在着很大的差异，传统的数据库都是在一定的数学模型范围之内的，通过模型来描述其中的数据;但是web数据库相对来讲就要复杂许多，没有通用的模型来描述数据，每个网页都有其独特的数据描述方式，丙炔数据自身都是可变的、动态的。因而，Web数据虽然具有一定的结构性，不能用架构化的形式来表达，也可以称其为半结构化的数据。Web数据的最大特点就是半结构化，加上Web数据的信息量极大，导致整一个数据库成为一个巨大的异构数据库。
二、网络数据挖掘的类型
(一)网络内容挖掘
网络内容挖掘的对象是网页的内容、数据、文档,这通常也是网页在急性搜索的时候需要考察的访问对象。由于网络信息繁多，按照信息源的不同可以划分为Gopher、FTP、Usenet等已经隐藏到WWW形式之后的资源,我们称之为WWW信息资源,存储于数据库管理信息系统中的数据,以及不能直接访问的私人数据。按照网络资源的形式又可以划分为文本、图像、音频、视频等数据。
(二)网络结构挖掘
网络结构挖掘的对象就是Web潜在的链接结构模式。这种类型最早出现在引文分析,在建立web自身的链接结构模型的时候借鉴了网页链接和被链接数量以及对象。在网页归类的时候往往会采用这种模式,还能够得到不同网页间相似度及关联度的相关数据。网络结构挖掘能够帮助用户在相关领域中找到最有分量的网站。
(三)网络用法挖掘
网络用法挖掘的目的在于掌握用户的一系列网络行为数据。网络内容挖掘、网络结构挖掘针对的都是网上的原始数据,而网络用法挖掘针对的是用户在上网过程中的人机交互的第二手数据,主要有用户的网页游览记录、代理服务器日志记录、网页维护信息、用户简介、注册信息、聊天记录、交易信息等等。
三、网络经济环境下数据挖掘在工商管理中的运用步骤
(一)识别网站访问者的特征信息
企业对电子商务网站的数据进行挖掘的第一步，就是要明确访问者的特点，找出访问者使用的条款特征。访问者特征主要有入口统计、心理状态和技术手段等要素。人口统计并不是一成不变的，比如家庭地址、收入、购买力等因素都会不断改变。心理状态指的是在心理调研中展现出的个性类型，比如对商品的选择去世、价格优惠心理、技术兴趣等。随着访问者数量的增加，相关数据也会不断累积。条款的交互信息主要包括购买历史、广告历史和优选信息。网站统计信息是指每次会话的相关要素。公司信息主要包括访问者对接的服务器所包含的一系列要素信息。
(二)制定目标
开展网上交易的最大优势在于企业对于访问者的反应有着更好的前瞻性。当厂商的目标是明确且具象的时候，就能够通过数据挖掘技术得到较好的效果。企业通常可以设定以下的目标:网页访问者的增加量;类此网页访问的浏览时间增加;每次结账的平均利润;退换货的减少;品牌知名度效应;回头客的数量等等。
(三)问题描述
开展电子商务的企业最关键要面对的一个问题就是如何进行商品的传播，要实现网页的个性化又要将商品的信息完整的展现给顾客，就需要了解同一类访问者的共有特征、估计货物丢失的数据并预测未来行为。所有这一切都涉及寻找并支持各种不同的隐含模式。
(四)关联分析
对顾客大量的交易数据进行关联规则分析，能够发现顾客购买组合商品的趋势。关联分析指的是在一次浏览或者会话中所涉及到的商品，也叫做市场分析。若电子商务网站能够将这些商品放在同一个网页中，就能够提高顾客同时购买这些商品的概率。如果在关联的一组商品中有某一项商品正在进行促销，就能够带动其他组合产品的销量。关联也能够用在静态的网站目录网页。在这种情况下，网站排序的主要依据是厂商选择的且是网站所要查看的第一页内容，将其以及其相关的商品信息放在网页的首页。
(五)聚类
聚类指的是将具有相同特征的商品归为一类，将特征平均，以形成一个特征矢量。聚类技术能够确定一组数据有多少类，并用其中一个聚类来表示其余大多数数据。通常在企业分析访问者类型的时候使用聚类技术。
(六)决策树
决策树描绘的是都想决定在做出的一系列过程中的问题或数据点。比如做出购买电视机这一决定就要经历对于电视机的需求、电视机的品牌、尺寸等等问题，最终确定好买哪一台电视机为止。决策树能够较一个决策过程进行系统的排序，以便选出最优的路径来尽可能减少决策的步骤，提高决定的质量和速度。许多企业将决策树体系添加到自己的产品选择系统中，能够帮助访问者解决特定问题。
(七)估计和预测
估计是对未知量的判断，预测是根据当前的趋势做出将来的判断。估计和预测使用的算法类似。估计能够对客户空白的项目做到预判。如果网站想知道某个访问者的收入，就可以通过与收入密切相关的量估计得到，最后通过与其有相同特征的访问者的收入来衡量这个访问者的收入和信用值。预测是对未来事项的判断。尤其是在某些个性化网页中显得尤为重要。企业通过数据的汇总增进对客户的了解。即使是对以往事件的分析中也可以得到有效的信息。预测能够对访问者的特征作出总结和汇总，以便企业能够找出更有针对性的组合商品来满足客户的需求。Web数据和传统数据库存在着很大的差异，最大特点就是半结构化，加上Web数据的信息量极大，导致整一个数据库成为一个巨大的异构数据库。能够帮助用户在特性是大量、随机、不规则、噪声的信息中发现感兴趣的对象。
