跳到主要內容

臺灣博碩士論文加值系統

(54.173.214.227) 您好!臺灣時間:2022/01/29 15:09
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:姚吉峰
研究生(外文):Jyi-Feng Yao
論文名稱:以關聯分析及模糊分割法建構分類規則應用於CRM資料分類
指導教授:黃宇翔黃宇翔引用關係
指導教授(外文):Y. S. Huang
學位類別:碩士
校院名稱:國立成功大學
系所名稱:資訊管理研究所
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2002
畢業學年度:90
語文別:中文
論文頁數:50
中文關鍵詞:模糊分割關聯法則知識發掘多執行緒顧客關係管理
外文關鍵詞:multi-threadCRMfuzzy partitionassociation ruleKDD
相關次數:
  • 被引用被引用:3
  • 點閱點閱:696
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:3
近年來資料快速的膨脹及資料缺乏結構性,使得這些原始的資料在資料庫中愈顯雜亂無章,企業組織的決策單位因而無法有效利用現有的資訊,而導致決策行為偏差與錯誤。而「資料庫知識發掘技術」可以幫助我們歸納分析出有用的知識,目前研究知識發掘的方法主要有統計、人工智慧、類神經網路、歸納學習法、遺傳演算法及模糊推論等方法,然而目前遇到問題主要包含了資料分類的正確性及資料運算時間等問題。為了能有效應付大量的計算、找出有效的方法及高正確率的分類知識,我們將採用區段方式進行資料分類,而區段分類的資料是在追求資料處理的效率,採用多執行緒處理分類資料表,提高處理的效率,以節省許多的時間成本。另外,模糊分析部份,以探討分割維度的粗細以及類別的種類數目對分類的正確率的影響。因此本研究主要的方法包含了採用以類別取出局部資料,使用多執行緒處理明確項目資料的關聯分析,以取得關聯分類規則。模糊分割主要處理模糊語意的資料,針對關聯規則所沒有產生規則的交易資料進行處理,透過分割法產生規則,最後則分析分類結果,歸納出類別數目與分割維度對資料分類結果的影響。
摘 要 I
誌 謝 II
表 目 錄 IV
圖 目 錄 V
第一章 緒論 1
第一節 研究背景 1
第二節 研究動機 2
第三節 研究目標 3
第二章 文獻探討 5
第一節 知識發掘與資料探勘 5
第二節 資料關聯法(Data Association) 8
第三節 資料分類法(Data Classification) 10
第四節 模糊推論(Fuzzy Inference) 14
第五節 模糊規則 16
第六節 顧客關係管理(Customer Relationship Management) 21
第三章 研究方法 24
第一節 問題描述 24
第二節 研究架構 25
第三節 演算法分析 27
3.3.1 產生關聯規則 27
3.3.2 產生模糊規則 31
第四章 系統實作分析 36
第一節 模擬CRM交易資料 36
第二節 產生測試規則 37
第三節 實驗結果 39
第四節 分析與討論 43
第五章 結論與建議 45
參考文獻 47
中文部份
林文修, “Data Mining的探索(上)、(下)”經營決策論壇 第13、14期,民89
林信成, “基於XML之分散式模糊知識管理系統” 教育資料與圖書館學 第三十七卷 第四期, 民89
陳昆賢, “應用模糊法則歸納法探採分類知識” 碩士論文 國立中山大學資管系, 民88
張志豪, “從數值資料產生模糊規則之新方法” 碩士論文 國立台灣科技大學電子工程研究所, 民89

英文部份
Agrawal, R. and Srikant, R.(1994) “Fast Algorithms for Mining Association Rules.” Proc. 20th Int. Conf. Very Large Data Bases, VLDB,
Agrawal, R., Imielinski, T. and Swami, A. (1993) “Mining association rules between sets of items in large databases.” In Proc. of the ACM SIGMOD Conference on Management of Data, Washington, D.C., pp. 207-216.
Ali, K., Manganaris, S. and Srikant, R. (1997) “Partial classification using association rules.” In Proc. of the 3rd International Conference on Knowledge Discovery and Data Mining, (KDD-97), pp. 115-118.
Bayardo, R. J. (1997) “Brute-force mining of high confidence classification rules.” In Proc. of the 3rd International Conference on Knowledge Discovery and Data Mining, (KDD-97), pp. 123-126.
Berry M. J.A. and Linoff G. (2000) Mastering Data Mining, The art & science of customer relationship management, John Wiley and Sons, New York.
Casillas, J., Cordón, O., Del Jesus, M.J. and Herrera, F. (2001) “Genetic feature selection in a fuzzy rule-based classification system learning process for high-dimensional problems.” Information Sciences, Vol. 136, pp. 135-157.
Chen, M. S., Han, J. and Yu, P. S. (1996) “Data Mining: An Overview from a Database Perspective.” IEEE Transactions on Knowledge and Data Engineering, Vol. 8, No. 6, pp. 866-883.
Fayyad, U. M., Piatetsky-Shapiro, G. and Smyth, P. (1996) “From data mining to knowledge discovery: An overview.” In Usama M. Fayyad, Gregory Piatetsky-Shapiro, Padhraic Smyth, and Ramasamy Uthurusamy, editors, Advances in Knowledge Discovery and Data Mining, AAAI Press, Menlo Park, California, USA, pp 1-34.
Han, J. and Kamber, M. (2001) Data Mining concepts and techniques, Morgan Kaufmann, San Francisco.
Han, J., Pei, J. and Yin, Y. (1999) “Mining frequent patterns without candidate generation.” Computing Science Technical Report, Technical Report TR-99-12, Simon Fraser University.
Ishibuchi, H. and Nakashima, T. (1999) "Voting in fuzzy rule-based systems for pattern classification problems." Fuzzy Sets and Systems, Vol. 103, pp. 223-238.
Kasabov, N. K., (1996) “Learning fuzzy and approximate reasoning in fuzzy neural network and hybrid systems.” Fuzzy Sets and Systems, Vol. 82, pp. 135-149.
Kruse, R., Gebhardt, J. and Klawonn, F. (1994) “Foundations of fuzzy data.” John Wiley & Sons, Chichester.
Li, W., Han, J. and Pei, J. (2001) “CMAR: Accurate and Efficient Classification Based on Multiple Class-Association Rules.” Proc. 2001 Int. Conf. on Data Mining (ICDM'01), San Jose, California.
Liu, B., Hsu, W. and Ma, Y. M. (1998) “Integrating classification and association rule mining.” In Proc. of the 4th International Conference on Knowledge Discovery and Data Mining (KDD-98), pp.80-86.
Mannila, H., Toivonen, H. and Verkamo, I. (1994.) “Efficient algorithms for discovering association rules.” Knowledge Discovery in Databases, In AAAI Wkshp.
Nauch, D. and Kruse, R. (1997) “A neuro-fuzzy method to learn fuzzy classification rules from data.” Fuzzy Sets and Systems, Vol.89, pp. 277-288.
Park, J. S., Chen, M. and Yu, P. S. (1995) “An effective hash based algorithm for mining association rules.” In ACM SIGMOD Intl. Conf. Management of Data, pp. 175-186.
Passino, K. M. and Yurkovich, S. (1998) Fuzzy Control. Addison Wesley, New York.
Pedrycz, W.(1998) “Fuzzy Set Technology in Knowledge Discovery.” Fuzzy Sets and Systems, Vol. 98, pp.279-290.
Piatetsky-Shapiro, G., Frawley, W. J. and Matheus, C. J. (1991) “Knowledge discovery in databases: An overview.” Knowledge Discovery in Databases, AAAI/MIT Press, pp. 1-27.
Quinlan, J. R. (1993). C4.5: Programs for machine learning. Morgan Kaufmann, California.
Srikant, R. and Agrawal, R. (1995) “Mining Generalized Association Rules.” In Proc. of the 21st Int'l Conference on Very Large Databases, Zurich, Switzerland.
Yen, J. (1999) “Fuzzy Logic-A Modern Perspective.” IEEE Trans. on Knowledge and Data Engineering. Vol. 11, pp. 153-165.
Yuan, Y. and Zhuang, H. (1996) “A genetic algorithm for generating fuzzy classification rules.” Fuzzy Sets and Systems, Vol. 84, pp.1-19.
連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top