高維數(shù)據(jù)挖掘技術(shù)研究

1 緒論
　1.1 研究背景
　　1.1.1 數(shù)據(jù)挖掘技術(shù)的產(chǎn)生和發(fā)展
　　1.1.2 高維數(shù)據(jù)挖掘的概念
　1.2 高維數(shù)據(jù)挖掘所遇到的困難
　　1.2.1 高維數(shù)據(jù)的特點
　　1.2.2 維災(zāi)(the curse of dimensionality)
　　1.2.3 高維對數(shù)據(jù)挖掘的影響
　1.3 高維數(shù)據(jù)挖掘的主要研究方向
　　1.3.1 高維空間中的距離函數(shù)或相似性度量函數(shù)
　　1.3.2 高效的高維數(shù)據(jù)相似性搜索算法
　　1.3.3 高效的高維數(shù)據(jù)挖掘算法
　　1.3.4 在高維空間中對失效的問題的處理
　　1.3.5 選維和降維
　1.4 術(shù)語和符號約定
　　1.4.1 基本術(shù)語
　　1.4.2 符號約定
　1.5 本書結(jié)
2 高維數(shù)據(jù)的相似性查詢處理
　2.1 相似性查詢
　2.2 維歸約
　　2.2.1 選維
　　2.2.2 降維
　2.3 高維索引結(jié)構(gòu)
　2.4 相似性查詢方法
　　2.4.1 RKV算法
　　2.4.2 HS算法
　　2.4.3 其他高維數(shù)據(jù)的相似性搜索算法
　2.5 高維數(shù)據(jù)相似性搜索方法的討論
　　2.5.1 維歸約技術(shù)的局限
　　2.5.2 高維索引結(jié)構(gòu)在性能上的局限
　2.6 本章小結(jié)
3 一種新的高維數(shù)據(jù)相似性度量函數(shù)Hsim()
　3.1 最近鄰查詢的不穩(wěn)定性
　3.2 高維空間中的最近鄰特性
　3.3 高維空間中的Lk-范數(shù)特性的深入探討
　3.4 高維空間距離函數(shù)的重新設(shè)計
　3.5 Hsim()函數(shù)的討論
　　3.5.1 Hsim()函數(shù)的推廣
　　3.5.2 數(shù)據(jù)的規(guī)范化
　　3.5.3 對高維數(shù)據(jù)中空值的處理
　3.6 Hsim()與其他相似性度量方法的比較
　　3.6.1 由距離度量轉(zhuǎn)換來的相似性度量
　　3.6.2 Cosine度量
　　3.6.3 PearSOEl相關(guān)系數(shù)
　　3.6.4 Jaccard系數(shù)
　3.7 本章小結(jié)
4 量化交易數(shù)據(jù)的相似性搜索
　4.1 量化交易數(shù)據(jù)
　4.2 量化交易數(shù)據(jù)的相似性度量
　4.3 索引結(jié)構(gòu)的建立
　　4.3.1 特征表
　　4.3.2 特征劃分
　4.4 相似性搜索算法
　4.5 舉例
　4.6 性能分析
　4.7 本章小結(jié)
5 一種基于評分的協(xié)同過濾算法
　5.1 相關(guān)研究工作
　　5.1.1 基于用戶的推薦算法
　　5.1.2 基于項的推薦算法
　　5.1.3 兩種推薦算法的比較
　　5.1.4 維歸約技術(shù)
　5.2 基于特征表的評分數(shù)據(jù)協(xié)同過濾算法[Yzs03]
　　5.2.1 相似性度量
　　5.2.2 基于特征表的協(xié)同過濾算法
　5.3 實驗評價
　　5.3.1 數(shù)據(jù)集
　　5.3.2 評價指標
　　5.3.3 實驗結(jié)果
　5.4 本章小結(jié)
6 高維數(shù)據(jù)聚類算法分析
　6.1 一般聚類算法概述
　　6.1.1 分層法
　　6.1.2 劃分法
　　6.1.3 基于密度的方法
　　6.1.4 基于網(wǎng)格的方法
　6.2 高維對聚類算法的影響及高維數(shù)據(jù)聚類方法
　　6.2.1 高維對聚類算法效率的影響
　　6.2.2 高維可能導致傳統(tǒng)的聚類概念失去意義
　　6.2.3 高維數(shù)據(jù)聚類方法
　6.3 子空間聚類
　　6.3.1 重疊劃分子空間聚類算法
　　6.3.2 無重疊劃分子空間聚類算法
　　6.3.3 最優(yōu)投影聚類算法
　　6.3.4 子空間聚類算法的推廣
　6.4 優(yōu)化的網(wǎng)格分割聚類方法
　　6.4.1 優(yōu)化的網(wǎng)格分割
　　6.4.2 優(yōu)化的網(wǎng)格分割算法
　　6.4.3 優(yōu)化的網(wǎng)格分割算法性能的改進
　6.5 高維類別數(shù)據(jù)聚類算法
　6.6 基于對象相似性的高維數(shù)據(jù)聚類算法
　　6.6.1 基于對象相似性的聚類算法框架
　　6.6.2 基于SL樹的圖分割算法
　　6.6.3 HETIS算法
　　6.6.4 應(yīng)用分析
　6.7 本章小結(jié)
7 高維數(shù)據(jù)異常檢測
　7.1 異常檢測算法分析
　　7.1.1 基于統(tǒng)計的算法
　　7.1.2 基于深度的算法
　　7.1.3 基于偏差的算法
　　7.1.4 基于距離的算法
　　7.1.5 基于密度的算法
　7.2 高維對異常檢測算法的影響　
　　7.2.1 高維對基于統(tǒng)計算法的影響
　　7.2.2 高維對基于深度算法的影響
　　7.2.3 高維對基于距離算法的影響
　　7.2.4 高維對基于密度算法的影響
　　7.2.5 高維異常檢測的問題與出路
　7.3 投影異常的概念及其檢測算法
　　7.3.1 投影異常的定義
　　7.3.2 蠻力搜索算法
　　7.3.3 遺傳算法
　7.4 動態(tài)環(huán)境下局部異常的增量挖掘算法IncLOF
　　7.4.1 受影響對象
　　7.4.2 數(shù)據(jù)插入
　　7.4.3 數(shù)據(jù)刪除
　　7.4.4 IncLOF的算法復雜度分析
　　7.4.5 性能分析
　7.5 本章小結(jié)
8 高維數(shù)據(jù)的頻繁模式挖掘
　8.1 頻繁模式挖掘問題
　　8.1.1 關(guān)聯(lián)規(guī)則挖掘問題的提出
　　8.1.2 頻繁模式和頻繁封閉模式挖掘
　8.2 定義和術(shù)語
　8.3 基于特征計數(shù)的頻繁封閉模式挖掘算法
　8.4 基于行計數(shù)的頻繁封閉模式挖掘算法
　　8.4.1 自底向上深度優(yōu)先搜索算法
　　8.4.2 自頂向下深度優(yōu)先搜索算法
　8.5 基于行計數(shù)和特征計數(shù)的混合計數(shù)頻繁封閉模式挖掘算法
　　8.5.1 動態(tài)計數(shù)樹
　　8.5.2 算法[PTCX04]
　　8.5.3 轉(zhuǎn)換條件
　8.6 本章小結(jié)
參考文獻