09 第9章 数据挖掘在电子商务中的应用.pptx

第1页：第9章数据挖掘在电子商务中的应用封面

第9章数据挖掘在电子商务中的应用

第2页：第9章教学目标与要求

• 【教学目标与要求】
• 了解数据挖掘在电子商务中的发展现状
• 了解电子商务中应用数据挖掘的主要方向
• 掌握电子商务中数据挖掘的过程和方法

第3页：电子商务中数据挖掘的发展状况

• 9.1电子商务中数据挖掘的发展状况
• 电子商务的广泛应用，无疑为客户提供了便利的交易方式和广泛的选择，加速了社会经济电子化的进程，但同时也使得企业间的竞争变得愈加激烈。
• IT就业市场竞争已经相当激烈，而数据处理的核心技术——数据挖掘更是得到了前所未有的重视。数据挖掘和商业智能技术位于整个企业IT业务构架的金字塔塔尖，目前国内数据挖掘专业的人才培养体系尚不健全，人才市场上精通数据挖掘技术、商业智能的供应量极小，而另一方面企业、政府机构和和科研单位对此类人才的潜在需求量极大，供需缺口极大。

第4页：电子商务数据挖掘应用案例

• 例子
• 沃尔玛
• BankFinancial公司
• 惠普
• 阿里巴巴

第5页：电子商务中数据挖掘的特点

• 9.2电子商务中数据挖掘的特点
• 数据挖掘技术之所以可以服务电子商务，是因为它能够挖掘出活动过程中的潜在信息以指导电子商务营销活动。
• 电子商务网站可以了解用户的行为模式与喜好，网站的结构如何改进等信息，从而为顾客提供更有针对性的营销手段和服务，满足顾客的潜在需求。

第6页：电子商务中数据挖掘的作用

• (1)挖掘客户活动规律，针对性的在电子商务平台下以提供“个性化”的服务。
• (2)可以在浏览电子商务网站的访问者中挖掘出潜在的客户。
• (3)优化电子商务网站巾的信息导航，方便客户浏览。
• (4)通过电子商务访问者的活动信息的挖掘，可以更加深入的了解客户需求。

第7页：电子商务中数据挖掘的数据源

• 9.2.1电子商务中数据挖掘的数据源
• 1．服务器日志数据
• 2．查询数据
• 3．代理服务器端数据
• 4．Internet自身信息
• 5．客户登记信息

第8页：电子商务网站的页面组成

• 大家都知道，电子商务网站大多页面由以下这几种内容组成。
• (1)站点首页。
• (2)信誉与说服性质的页面。
• (3)产品详细信息和常见问题以及售后、配送信息页面。
• (4)购物车页面。
• (5)支付结账页面。

第9页：路径分析

路经分析

是电子商务中数据挖掘的常用方法，它通过对Web服务器的日志文件中客户访问站点访问次数的分析，挖掘出频繁访问路径。

• 9.2.2路径分析
• 如何进行路径分析？

第10页：访客访问路径的模拟

那么任何访客的访问路径就可以模拟为从以上五类页面进行引导，然后下一步或者上一步，或者其他点击，直到最后访客离开的页面，这样你就需要根据自己的产品、购物、付款等页面建立你自己站点的路径筛选机制，以便于在最后每周、每月或者更长时间的筛选报告中看到访客的访问路径，根据访问页面的比例来挖掘用户内容页面消费需求，进而设计合理的点击路径和用户选择信息流程，方便用户点击。

第11页：电子商务中数据挖掘的体系结构

电子商务

是数据挖掘技术最广泛的应用领域，这主要是因为电子商务可以很容易地满足数据挖掘所必需的因素：丰富的数据语言、自动收集可靠的数据并且可将挖掘的结果转化成商务行为。但是如果要真正发挥数据挖掘技术在电子商务中的效率，除了充分利用前面讲到的基本方法和合理选择前面讲到的常用工具外，数据挖掘技术必须将事务处理阶段的数据转存到数据仓库中，并与电子商务行为有机结合。

• 9.2.3电子商务中数据挖掘的体系结构

第12页：电子商务中的数据挖掘体系结构

电子商务中的数据挖掘的体系结构

第13页：数据挖掘的三层结构

数据挖掘部分

是一个独立的三层结构。最底层是数据层，主要是数据库和其他数据源。这些数据源是电子商务系统的关系数据库系统、专业知识和其它的数据源，它们是最原始的数据。中间层是挖掘层，主要是可挖掘的数据库(通常是多维数据库)和挖掘引擎，通过对数据预处理从数据层得到的数据，把从数据层得到的数据按照设计好的数据库模式载入可挖掘的数据库，然后利用挖掘引擎进行挖掘。最顶层是用户界面，主要与用户进行交互。

第14页：网站客户分群概述

• 9.3网站客户分群
• 电子商务中的数据挖掘在网站客户分群方面有着广泛的应用。与传统的销售方式不同，网上销售比较容易收集大量的交易过程数据，为客户分群提供了数据基础。由于客户的价值不同，客户需要区别对待，客户分群也是忠诚度营销中最重要的应用之一。对客户进行分群，再针对每一不同的客户群体设计最适合的营销方案和客户体验。

第15页：客户分群的商业理解

• 1．客户分群的商业理解
• 依据CRISP-DM流程首先要进行客户分群的“商业理解”，这一初始阶段集中在从商业角度理解项目的目标和要求，然后把理解转化为数据挖掘问题的定义和一个旨在实现目标的初步计划。我们必须明确项目的商业目标，这个目标应该是适于用基于聚类分析的客户分群方法去达到的。

第16页：客户分群的数据理解

• 2．客户分群的数据理解
• “巧妇难为无米之炊”，数据是挖掘的基础，在确定目标和方案后需要进行“数据理解”，以确定要支持我们的分析目标需要哪些方面的数据，数据基础是否已经具备，数据质量是否能满足要求，如果不能得到肯定的答复，我们建议推迟项目实施直至条件成熟，因为“进去的是垃圾出来的仍是垃圾”，错误的分析结果可能会给我们带来重大的损失。

第17页：客户分群的数据准备

• 3．客户分群的数据准备
• “数据准备”包括所有从原始的未加工的数据构造最终分析数据集的活动，是数据挖掘过程中最耗时的环节，甚至要占据整个数据挖掘项目一半以上的工作量。

第18页：客户分群的模型建立

• 4．客户分群的模型建立
• 在生成最终分析的数据集后，就可以建立模型进行聚类分析了。“模型建立”阶段主要是选择和应用各种建模技术，同时对它们的参数进行校准以达到最优值。通常对于同一个数据挖掘问题类型，会有多种模型技术，每一类技术又有多种实现算法。聚类分析常用的有k-means算法、Gaussian算法和Poisson算法，后两种算法对数据分布有所要求

第19页：客户分群的模型评估

• 5．客户分群的模型评估
• 在分群调优过程中我们已经需要对模型进行合理评估。在完成模型建立后，从数据分析的角度来看，模型似乎有很高的质量，然而在模型最后发布前仍有必要更为彻底地评估模型和检查建立模型的各个步骤，从而确保它真正地达到了商业目标。

第20页：客户分群的模型发布

模型的创建通常并不

是项目的结尾。即使建模的目的是增加对数据的了解，所获得的了解也需要进行组织并以一种客户能够使用的方式呈现出来。根据需要，发布过程可以简单到产生一个报告，也可以复杂到在整个企业中执行一个可重复的数据挖掘过程。客户分群的结果发布是通过客户群特征刻画和客户群属性分析来展现的。特征刻画是对单个客户群特征的详细描述，属性分析是对客户群之间的属性进行比较分析。

• 6．客户分群的模型发布

第21页：战术分群与目标市场营销

• 7．战术分群与目标市场营销
• 在获取了客户分群结果，了解了客户之后，应该针对所掌握的情况，有所行动。通过分群我们有了对客户的整体感觉：哪些是最有价值的，哪些是最需要关注的，哪些可能是对企业贡献度最低等等。通过客户分群，得到了的客户的不同贡献及不同的消费特征，进而得到的整体优先级考虑是进行下一步工作的基础和起点，也是客户分群最为重要的收获之一。

第22页：网站客户分群总结

• 8．总结
• 数据挖掘技术能够解决许多常规的数据分析方法不能解决的问题。数据挖掘技术可以同时考虑非常多的因素，人观察的维度就数十个维度，同时观察的维度不可能超过太多；另外数据挖掘可以考察非常大的数据量，也就是说对于大量的数据可以自动进行分析，并且可以帮助我们去学习新的潜在模式。因此能为我们揭示一些我们的经验没有发现的关系，或者对我们的经验给以数据证实，给我们带来一些有价值的意外收获。

第23页：优化网站结构

网站结构优化技术就

是通过考虑优化网站信息组织的超链体系结构来使所有的用户都能以更小的访问代价浏览Web站点，更有效地获取所需的信息。一方面可以减少Web服务器的请求事务次数，减轻服务器负担；另一方面可以使用户更有效地到达其访问的目标页面，节省用户访问时间，提高用户对站点的满意度。

• 9.4优化网站结构

第24页：网站结构优化手段

• 9.4.1网站结构优化手段
• 网站优化的目的有两个：一个是网站结构优化网站表面结构，方便浏览者快速浏览，提高网站结构界面的友好程度；另一个是优化网站代码，方便搜索引擎识别并收录到相关的关键词。

第25页：站点结构优化

• 1．站点结构优化
• 合理的网站结构可以让搜索引擎轻松搜索到你网站的大多内容，收录你大量的页面，更多的关注你这个网站。是排名很重要的一条因素。它不但关系到网站的易用性，而且还会影响到你网站在搜索引擎上的排名前后。

第26页：页面优化

• 2．页面优化
• 页面优化包括页面标签优化、布局整理，其中最重要的是页面的导航能力。这样会使访问者更容易找到所需的东西，而且有利于搜索引擎收录更多的页面以及在搜索引擎得到更高的PR（页面级别）。

第27页：代码优化

• 3．代码优化
• 精简代码，减少网页的体积。不但使得网页可以得到更快的下载，方便访问者更快打开页面，而且还影响到搜索引擎对该页面的收录及直接影响网站排名。优化网页标签，搜索引擎都喜欢通过一些标签来认识网页，判断网页。

第28页：页面间连通性与布局合理性

• 4．页面间连通性
• 如果出现死链接不但会降低网站的权威性，甚至会影响公司业务或产品的销售。
• 5．页面布局合理性
• 页面布局不但是一个网站能否吸引访问者的关键，而且还会直接影响是否会把此访问者转为业务量的重要保证。一个好的页面结构会给访问者带来一种随手可得的感觉。

第29页：网站结构优化模型

9.4.2网站结构优化模型

第30页：数据采集

• 1.数据采集
• 网站数据采集阶段主要分为四种形式。
• (1)Web服务器端数据采集。
• (2)客户端的数据采集。
• (3)应用服务器数据采集。
• (4)代理服务器端数据采集。

第31页：数据预处理

• 2.数据预处理
• 数据预处理阶段包括日志预处理、数据清理、识别用户和路径修补四个模块。日志预处理模块包括将日志导入数据库表中，数据库表中的字段根据日志格式中的字段进行选择定义；数据清理从Web日志文件中过滤无关的页面请求(如图形等)以及不成功的页面请求；识别用户采用IP+agent机制实现；路径修补将因缓冲而造成日志文件中丢失用户访问链接的记录根据站点结构补充完整，以便后续结构优化模块提供准确的用户访问记录。

第32页：模式发现

• 3.模式发现
• 模式发现阶段包括序列模式挖掘、关联规则挖掘技术和聚类分类分析三部分，这三部分都是数据挖掘领域的研究热点。

第33页：模式分析

• 4.模式分析
• 模式分析阶段包括频繁访问模式分析和序列模式分析两部分。频繁访问模式分析给出频繁访问的页面集合，展示页面的重要程度和访客来源分类；页面的访问情况、访客百分比、停留时间、离开百分比均以图表形式展现。序列模式分析任务是找到方便用户使用的搜索合理的页面链接组合。

第34页：智能搜索引擎概述

搜索引擎

是用户在访问互联网是不可缺少的辅助工具，可以帮助用户更快、更准确的找到所需信息。目前的搜索引擎存在的一个主要问题是智能化程度还不足以满足用户的精确度需求（语义难以理解）。用户在搜索信息时，经常会得到大量与所需信息无关的干扰信息，而且这些信息按照相关度从大到小的顺序排列，以致用户需要人工过滤搜索引擎的结果。这对于普通用户来说，需要耗费相当多的时间和精力。

• 9.5智能搜索引擎

第35页：传统搜索引擎的分类

• 9.5.1传统搜索引擎的特点
• 1．传统搜索引擎的分类
• 基于机器人Robot的搜索引擎
• 目录式Directory（Catalog）搜索引擎
• Meta元搜索引擎。

第36页：传统搜索技术的局限

• 2．传统搜索技术的局限
• 信息丢失
• 返回信息过多
• 造成上述信息检索困难的原因的实质在于传统的搜索引擎仅采用机械的关键词匹配来实现，缺乏知识处理能力和理解能力；也就是说搜索引擎无法处理在用户看来是非常普通的常识性知识，更不能处理随用户不同而变化的个性化知识、随地域不同而变化的区域性知识以及随领域不同而变化的专业性知识等等

第37页：智能搜索引擎的特点

智能搜索引擎

是结合了人工智能技术的新一代搜索引擎，由于它将信息检索从目前基于关键词层面提高到基于知识（或概念）层面，对知识有一定的理解与处理能力，能够实现分词技术、同义词技术、概念搜索、短语识别以及机器翻译技术等。这类搜索引擎的代表有：尤里卡、问一问、21ilink、孙悟空、悠游等；国外代表：Askjeeves、Google等。

• 9.5.2智能搜索引擎的特点

第38页：智能搜索引擎的技术

• 1．智能搜索引擎的技术
• 智能搜索引擎的研究主要有两大方向：一是基于自然语言理解技术，利用计算机实现自然语言之间的转变，用户可以使用母语搜索非母语的网页，并以母语浏览搜索结果；二是基于语义理解技术，通过搜索引擎技术与语言学的结合，开发检索词专业词典或是通过全文扫描和词间关系的分析，实现搜索引擎对搜索词在语义层次上的理解。

第39页：尤里卡搜索引擎技术实现

各个智能搜索引擎技术的实现各不相同、各有特点，但从实现智能搜索基本思路上是相通的。下面以尤里卡搜索引擎为例，简要说明一下技术实现。

第40页：知识库和信息库

知识库和信息库

是实现智能搜索的基础和核心，知识库就像人脑里存放的知识。知识库的形成与增长，就如同人脑知识的增长，也处于一种自增长自循环的状态，知识库的丰富程度也同样决定着检索能力的高低。

第41页：语义分析与知识检索

语义分析

是分析用户语言的具体含义。它应该实现以下几个功能：整句分词、处理同义词、根据知识库分析关键词明确概念和语义及一定程度地丰富知识库。知识管理主要实现知识库的自增长。

• 语义分析、知识管理和检索要做到智能搜索还必须做到知识库和信息库的结合。要做到两个核心库的有机结合要做到以下三点：语义分析、知识管理和知识检索。

第42页：智能搜索引擎的准确性优势

• 2．智能搜索引擎的优势
• 搜索结果的准确性：由于采取了知识库为基础的语义分析，在进行检索过程中，采用的不是关键词全文检索，而是基于概念的检索。

第43页：智能搜索与传统搜索的对比

比如说当你输入“北京天气怎么样？”，传统搜索引擎返回的结果连小说都检索出来，因为小说内容包括“北京天气怎么样？”这句话。而智能搜索引擎，由于采取语义分析的方法，分析出北京天气这个概念，直接给出北京的天气情况预报。

第44页：搜索结果的综合性与智能性

搜索结果的范围定位准确：由于采用知识（概念）检索技术，明确和缩小了搜索范围，减少对无用信息范围的检索。比如上面的例子，智能搜索引擎只在天气这个范围进行检索，从而提高了检索效率，减少了无用信息。智能搜索引擎是以搜索结果准确、范围小为特点的。

第45页：搜索结果的综合性

搜索结果的综合性：由于采用了知识库，搜索引擎将给用户提供更全面、更综合和更合理的知识框架。在这里，信息检索只是信息服务的一部分。比如说当你输入“在北京怎么找工作？”，给出的答案不仅仅是给出“北京地区的招聘信息”，而且还给出“北京地区的人才政策”、“求职技巧”等信息

第46页：搜索结果的智能性

搜索结果的智能性：以综合知识库作为背景，实施信息检索和导航服务。知识库中的知识有助于解决前面提到“表达差异”问题。例如，只要定义“计算机”、“电子计算机”、“电脑”是同义关系就可以消除用户由于使用不同的词表达同一概念而带来的检索困难。另一方面，知识库对用户的查询进行相关性联想，提供引导用户进行下一步查询的线索。

第47页：网络爬虫的概念

网络爬虫

是一种按照一定的规则，自动抓取万维网信息的程序或者脚本。很多站点，尤其是搜索引擎，都使用爬虫提供最新的数据。它主要用于提供它访问过页面的一个副本，然后，搜索引擎就可以对得到的页面进行索引，以提供快速的访问。

• 9.5.3网络爬虫

第48页：网络蜘蛛的工作方式

一个网络蜘蛛就

是一种机器人，或者软件代理。大体上，它从一组要访问的URL链接开始，可以称这些URL为种子。爬虫访问这些链接，它辨认出这些页面的所有超链接，然后添加到这个URL列表，可以称作检索前沿。这些URL按照一定的策略反复访问。

第49页：爬行策略的难点

• 1．爬行策略
• 下述的三种网络特征，造成了设计网页爬虫抓取策略变得很难：
• (1)它巨大的数据量。
• (2)它快速的更新频率。
• (3)动态页面的产生。

第50页：爬虫的四种行为策略

• 网页爬虫的行为通常是四种策略组合的结果。
• (1)选择策略，决定所要下载的页面；
• (2)重新访问策略，决定什么时候检查页面的更新变化；
• (3)平衡礼貌策略，指出怎样避免站点超载；
• (4)并行策略，指出怎么协同达到分布式抓取的效果；

第51页：网络爬虫体系结构

• 2．网络爬虫体系结构
• 一个爬虫不能像上面所说的，仅仅只有一个好的抓取策略，还需要有一个高度优化的结构。

第52页：爬虫身份识别

• 3．爬虫身份识别
• 网络爬虫通过使用http请求的用户代理字段来向网络服务器表明他们的身份。网络管理员则通过检查网络服务器的日志，使用用户代理字段来辨认哪一个爬虫曾经访问过以及它访问的频率。

第53页：智能搜索引擎的技术发展

• 9.5.4智能搜索引擎的技术与发展
• 基于知识库的智能搜索技术，知识库里的知识可以在使用中不断改进，数量上不断增加，质量上不断提高。这是一个对知识进行训练的过程，可以通过人机对话完成，也可以使用机器学习等手段来实现。下面将就目前几大新兴技术在搜索技术中的应用做展望，以设想更具完美的搜索技术的未来。

第54页：自然语言理解技术

• 1．自然语言理解技术
• 现在计算机的智能还远远没有达到能够像人一样理解自然语言的水平，而且在可预见的将来也难以达到这样的水平。现在，已经有越来越多的搜索引擎宣布支持自然语言搜索特性，但是要建立真正的基于自然语言理解的智能查询系统，还存在很多的技术难点。
• 目前，智能搜索引擎的研发主要有两大方向，其一是基于机器翻译技术，比如Google；其二是基于语义理解技术，国内有尤里卡、问一问，国外的主要代表是AskJeeves。

第55页：P2P对等网络

• 2．P2P对等网络
• 。P2P是Peer-to-Peer的缩写，意为对等网络。其在加强网络上人的交流、文件交换、分布计算等方面大有前途。P2P所包含的技术就是使联网电脑能够进行数据交换，但数据是存储在每台电脑里，而不是存储在既昂贵又容易受到攻击的服务器里。网络成员可以在网络数据库里自由搜索、更新、回答和传送数据。所有人都共享了他们认为最有价值的东西，这将使Internet上信息的价值得到极大的提升。

第56页：XML可扩展标记语言

XML可扩展标记语言

是Web数据使用的通用语言，具有结构化、规范性、可扩展性及简洁的特点，能让开发人员将来自各种应用程序的结构化数据传送给桌面以在本地计算和表示。

• 3．XML可扩展标记语言

第57页：更精确的搜索

搜索引擎技术本身一个最重要的发展方向

是提供更精确的搜索，要想大幅度地提高搜索引擎的效率和搜索结果准确度，应考虑这样几个方向：个性化搜索、结构化搜索、垂直化搜索、本土化搜索等。

• 4．更精确的搜索

第58页：客户关系管理概述

客户关系管理（CRM）的核心

是客户价值管理，它将客户价值分为既成价值、潜在价值和模型价值，通过一对一营销原则，满足不同价值客户的个性化需求，提高客户忠诚度和保有率，实现客户价值持续贡献，从而全面提升企业盈利能力。

• 9.6客户关系管理

第59页：粗糙集理论在CRM中的应用方向

• 9.6.1粗糙集理论在CRM中的应用
• 粗糙集理论可以应用到CRM的各个不同领域和阶段。具体来说，在CRM中，它可以应用在以下几个方面：

第60页：客户盈利能力分析

客户盈利能力

是指单位时间内，企业从某个客户身上获取盈利的数额。在市场经济中，客户是每个企业生存发展的基础。

• 1.客户盈利能力分析
• 客户的购买直接关系到企业的利润。用数据挖掘技术建立客户利润回报预测模型，我们可以将客户进行分类，高价值客户、低价值客户和无价值客户。对于低价值客户和无价值客户，是否可以采取一定措施使低价值客户或无价值客户转变为赢利的：企业可以把有限的精力和资源放在对企业赢利最有用的地方。企业对于高价值客户，可以采取不同的促销手段和优惠政策，保持客户对企业的忠诚度。

第61页：一对一营销

• 2.一对一营销
• 一对一营销（One-To-OneMarketing），亦称“121营销”、“1-2-1营销”或“1对1营销”等。是一种客户关系管理（CRM）战略，它为公司和个人间的互动沟通提供具有针对性的个性化方案。一对一营销的目标是提高短期商业推广活动及终身客户关系的投资回报率（ROI）。最终目标就是提升整体的客户忠诚度，并使客户的终生价值达到最大化。

第62页：一对一营销的优点

• 与传统的营销方式相比，一对一营销主要具有以下优点：
• （1）能极大地满足消费者的个性化需求，提高企业的竞争力。
• （2）以销定产，企业是根据顾客的实际订单来生产，真正实现了以需定产，因而几乎没有库存积压。
• （3）有利于促进企业的不断发展，创新是企业永保活力的重要因素。但创新必须与市场及顾客的需求相结合，否则将不利于企业的竞争与发展。

第63页：交叉销售

交叉销售（CrossSelling）

是一种发现顾客多种需求，并满足其多种需求的营销方式，从横向角度开发产品市场，是营销人员在完成本职工作以后，主动积极的向现有客户、市场等销售其他的、额外的产品或服务。交叉销售是在同一个客户身上挖掘、开拓更多的顾客需求，而不是只满足于客户某次的购买需求，横向的开拓市场，啤酒与尿布就是交叉销售的典型案例。

• 3.交叉销售

第64页：客户细分

• 4.客户细分
• 客户细分，是企业竞争优势的主要来源。通过客户细分，找到客户群较大的客户需求点，定位公司产品的特殊性，有利于企业进行大规模定制。

第65页：新客户的获取

新客户获取

是一个专业的过程，需要精心安排每一步。你可以结合有效的多渠道数据库营销工具，利用你所掌握的客户数据、产品信息，在市场需求的基础上，运用数据挖掘技术建立“客户行为反应”预测模型，对客户的未来行为进行预测，预测他们对你的销售努力的反应情况，可以分为“负反应”“无反应”“正反应”，据此分类选择正反应的群体进行推销。

• 5.新客户的获取

第66页：客户保持

留住客户

是整个企业生存发展的基础。根据80/20原则，80%的业务利润来自20%的回头客户。根据赖科海德和萨琴科学统计，如果企业客户流失率下降5%，利润将增加25%一50%。我们运用数据挖掘技术及时了解客户对服务的满意程度及其要求，及时分析客户的变动原因，尽快修正现有的服务质量，改进产品性能，防止客户群体大量的流失，减少损失。

• 6.客户保持

第67页：神经网络在CRM中的应用

• 9.6.2SOM神经网络在CRM中的应用
• 神经网络在CRM中有着十分广泛的应用，已被应用在CRM领域中的各个方面。如神经网络用于聚类分析、分类分析、发现孤立点等，可从中提取出客户的行为模式。数据挖掘的重要问题之一是决定哪些预测属性是与要建立的模型最相关、最重要的属性，以使模型能尽量正确地进行预测。这些预测属性可以单独、也可以与其他预测属性联合起来作为“特征”。神经网络用于信用卡欺诈检测、贷款拖欠、客户流失预测等，就是特征抽取的应用案例。

第68页：SOM自组织映射网络

SOM(Self-OrganizationMapping)是一种自组织和自学习的网络，由芬兰Kohonen教授提出，并得到了广泛的应用。利用SOM人工神经网络所具有的特点，将其用于客户资源分类，将有助于企业从大量、复杂的客户信息中科学地进行客户分类。

第69页：运输公司客户分类示例

以一个运输公司为例，它将客户分为“大型、中型、零星客户”，分别对应“A、B、C”三类。用于该项分类的指标主要有：年运输量、资信级别、年收入；资信级别则是通过权威机构对该客户的评价所得，用1－5分别代表“好、较好、一般、较差、差”五个级别；资金结算情况，用1－3来代表“优、良、差”三级。

第70页：客户分类指标的取值表

根据以上的

指标，对各项指标确定大致的取值范围，在这个取值范围中，通过随机数产生器产生20个随机数。例如对“年运输量”指标，将其取值范围定为10—150，并对生成的随机数取整处理，生成合适的数据样本。将生成的20个数据样本中的前15个样本作为神经网络的训练样本，后5个作为待分类数据。对于训练样本，根据其各项指标的属性来判断其客户属性。结果如表9-1所示，其中“客户类型1”对应第一种分类，“客户类型2”对应第二种分类。

源文件该页称样本分类结果「如表9-1所示」，但原表为图片未提取到文字，待人工对照原图补充。

第71页：

第72页：建立两个SOM神经网络

根据两种分类方法，相应地建立两个SOM神经网络S1、S2。则S1所对应n、m、P的分别为3、3、8；S2所对应的分别为2、3、8。利用样本训练集对两个SOM神经网络进行训练，调整其权值；经过训练的神经网络即可用来进行客户资源分类。

第73页：

第74页：训练网络进行客户分类

通过训练，就可将客户资源的类别情况存储于网络结构中，从而可利用该网络进行客户分类。由于SOM神经网络的输入是不相连的，所以对于不同的分类目的，应构造相应的网络结构来实现。

第75页：主动防御技术

• 9.7网络主动防御
• 1．主动防御技术
• 由于传统的基于病毒库扫描的反病毒软件都是很被动的，只能在新病毒出现之后才能有应付措施，一个病毒制造者所编写的病毒很有可能在被杀毒软件厂商截获并添加到产品病毒库之前进入用户电脑。此时，由于该病毒的特征码还未添加到杀毒软件病毒库中，杀毒软件会将病毒认为是正常文件而放过，使得用户电脑被病毒所感染。因此，业界将能够主动检测和拦截未知威胁的防御方法称为“主动防御”。

第76页：启发式查毒技术

• 2．启发式查毒技术
• 启发式查毒技术属于主动防御的一种，是当前对付未知病毒的主要手段，从工作原理上可分为静态启发和动态启发两种。启发式指“自我发现的能力”或“运用某种方式或方法去判定事物的知识和技能”，是杀毒软件能够分析文件代码的逻辑结构是否含有恶意程序特征、或者通过在一个虚拟的安全环境中前摄性的执行代码来判定其是否有恶意行为。前者被称为静态代码分析，后者被成为动态虚拟机。

第77页：静态启发技术

静态启发技术

指的是在静止状态下通过病毒的典型指令特征识别病毒的方法，是对传统特征码扫描的一种补充。由于病毒程序与正常的应用程序在启动时有很多区别，通常一个应用程序在最初的指令，是检查命令行输入有无参数项、清屏和保存原来屏幕显示等，而病毒程序则通常是最初的指令是直接写盘操作、解码指令，或搜索某路径下的可执行程序等相关操作指令序列。静态启发式就是通过简单的反编译，在不运行病毒程序的情况下，核对病毒头静态指令从而确定病毒的一种技术。

第78页：动态启发技术

而相比静态启发技术，动态启发技术要复杂和先进很多。动态启发式通过杀毒软件内置的虚拟机技术，给病毒构建一个仿真的运行环境，诱使病毒在杀毒软件的模拟缓冲区中运行，如在运行过程中检测到可疑的动作，则判定为危险程序并进行拦截。这种方法更有助于识别未知病毒，对加壳的病毒依然有效，但假如控制得不好，会出现较多误报的情况。动态启发因为考虑资源占用的问题，因此目前只能使用比较保守的虚拟机技术。尽管如此，由于动态启发式判定技术具有许多不可替代的优势，因此仍然是目前检测未知病毒最有效、最可靠的方法之一，并在各大杀软产品中得到了广泛的应用。