关联规则算法在保险营销中的研究应用

论文摘要

据挖掘技术能够有效地处理大量数据信息的管理和利用的问题,并从中获得有关知识。由于保险行业的复杂性和重要性,开发保险业数据信息具有重要的学术价值和广阔的应用前景。数据挖掘技术作为分析处理数据的有效手段当前的发展已经日渐成熟并且已经应用到部分领域及部门。本论文以保险营销数据挖掘系统的分析、设计、研究与实现为主体,主要讨论基于保险营销数据仓库的数据挖掘技术的研究。以关联规则数据挖掘技术为基础,在关联规则众多算法中选择经典Apriori算法,从理论和样本数据应用两方面发现Apriori算法本身固有的候选集多、访问数据库效率低等一系列缺陷,采用FP_growth算法,并且说明针对Apriori的算法原理无法达到FP_growth算法性能和效率的优越。针对保险营销的具体数据情况和FP_growth的算法特点制定B/S结构的算法实现机制。最后总结了已经完成的工作和对未来研究工作的分析与展望。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 本课题的研究背景及研究意义
• 1.1.1 研究背景
• 1.1.2 研究意义
• 1.2 数据挖掘技术在保险的应用
• 1.2.1 国外保险营销数据挖掘应用概述
• 1.2.2 国内数据挖掘在保险营销的应用现状
• 1.3 本论文研究内容
• 1.4 本文的结构及所做的工作
• 2 保险行业概述
• 2.1 保险概念与分类
• 2.1.1 保险的定义
• 2.1.2 保险的分类
• 2.2 保险的作用
• 2.3 保险的特点
• 2.4 我国保险现状
• 2.5 小结
• 3 数据挖掘技术及应用
• 3.1 数据挖掘定义概述
• 3.2 知识发现
• 3.3 数据挖掘技术
• 3.3.1 数据挖掘任务
• 3.3.2 数据挖掘模式
• 3.3.3 数据挖掘技术分类
• 3.3.3.1 统计分析类
• 3.3.3.2 知识发现类
• 3.3.3.3 其他数据挖掘技术
• 3.4 数据挖掘的一般过程
• 3.5 数据挖掘的其他应用和发展趋势
• 3.5.1 数据挖掘的其他应用
• 3.5.1.1 数据挖掘与供应链管理
• 3.5.1.2 产品质量的保证
• 3.5.1.3 风险评估和欺诈检查
• 3.5.1.4 犯罪活动的侦察
• 3.5.2 数据挖掘的发展趋势
• 3.6 小结
• 4 关联规则技术详述
• 4.1 关联规则
• 4.1.1 关联规则概述
• 4.1.2 保险事务空间数学模型
• 4.1.3 关联规则的分类
• 4.2 Apriori 算法
• 4.2.1 基本概念
• 4.2.2 算法的基本思想
• 4.2.2.1 连接
• 4.2.2.2 剪枝
• 4.2.3 核心算法
• 4.2.4 算法性能的瓶颈
• 4.3 Apriori 其他扩展算法
• 4.3.1 AprioriTID 算法
• 4.3.2 Partition 算法
• 4.3.3 Sampling 算法
• 4.3.4 DHP 算法
• 4.3.5 DIC 算法
• 4.3.6 并行挖掘算法
• 4.3.7 增量式更新算法
• growth 挖掘算法'>4.4 关联规则的 FP_growth 挖掘算法
• tree'>4.4.1 构建 FP_tree
• tree 的挖掘算法（FP_growth）'>4.4.2 FP_tree 的挖掘算法（FP_growth）
• 4.5 算法比较
• 4.6 小结
• 5 关联规则挖掘在保险业营销的应用
• 5.1 问题描述
• 5.2 保险数据预处理
• 5.3 预处理数据关联分析
• growth 算法比较应用'>5.3.1 Apriori 算法与 FP_growth 算法比较应用
• 5.3.1.1 Apriori 挖掘算法应用
• growth 挖掘算法应用'>5.3.1.2 FP_growth 挖掘算法应用
• 5.3.2 算法实现的性能比较和评估
• 5.4 小结
• growth 算法实现及验证'>6 FP_growth 算法实现及验证
• 6.1 关联分析
• 6.1.1 关联分析客户消费
• 6.1.2 单维元素分析
• 6.1.3 多维元素交叉关联分析
• 6.2 数据仓库应用
• growth 算法'>6.3 实现 FP_growth 算法
• 6.4 基于B/S 的访问模式
• 6.5 小结
• 7 总结与展望
• 7.1 结论
• 7.2 未来的研究方向
• 致谢
• 参考文献
• 攻读硕士学位期间学术发表论文