王善勤，孟龍梅，王小林

(1.滁州職業(yè)技術(shù)學(xué)院信息工程系，安徽滁州239000;2.安徽工業(yè)大學(xué)計(jì)算機(jī)學(xué)院，安徽馬鞍山243032)

隨著信息技術(shù)的發(fā)展和大學(xué)生職業(yè)類(lèi)型選擇相關(guān)數(shù)據(jù)量的增長(zhǎng)，聯(lián)機(jī)事物處理技術(shù)已無(wú)法同時(shí)滿(mǎn)足高效作業(yè)和決策支持的需求，造成了海量數(shù)據(jù)與信息“孤島”的并存［1］.近年來(lái)，對(duì)職業(yè)生涯領(lǐng)域的研究工作，國(guó)外已經(jīng)比較深入全面［2］，對(duì)職業(yè)、職業(yè)類(lèi)型選擇及職業(yè)價(jià)值觀等方面做了深入地研究，國(guó)內(nèi)在此方面的研究相對(duì)較淺、單一.國(guó)內(nèi)外專(zhuān)家學(xué)者對(duì)OLAP技術(shù)在各行各業(yè)進(jìn)行應(yīng)用研究，但對(duì)國(guó)內(nèi)大學(xué)生首次職業(yè)類(lèi)型選擇的應(yīng)用研究還是空白.目前，安徽工業(yè)大學(xué)的王善勤、王小林、陳業(yè)斌已對(duì)高職學(xué)生職業(yè)類(lèi)型選擇數(shù)據(jù)倉(cāng)庫(kù)進(jìn)行了研究與構(gòu)建.鑒于此，以安徽工業(yè)大學(xué)、滁州學(xué)院、滁州職業(yè)技術(shù)學(xué)院近三年畢業(yè)生首次選擇的職業(yè)類(lèi)型與個(gè)人先天因素作為數(shù)據(jù)源來(lái)構(gòu)建的數(shù)據(jù)倉(cāng)庫(kù)為基礎(chǔ)，以O(shè)LAP技術(shù)為手段，建立了大學(xué)生首次職業(yè)類(lèi)型選擇預(yù)測(cè)模型，對(duì)大學(xué)畢業(yè)生首次職業(yè)類(lèi)型選擇進(jìn)行預(yù)測(cè)與指導(dǎo)，能夠更好地為職業(yè)規(guī)劃指導(dǎo)師做好學(xué)生職業(yè)類(lèi)型選擇指導(dǎo)工作提供依據(jù)參考.

1 OLAP介紹

聯(lián)機(jī)分析處理(OLAP)的概念最早是由關(guān)系數(shù)據(jù)庫(kù)之父 E.F.codd于1993年提出的:OLAP是使分析人員、管理人員或執(zhí)行人員能夠從多角度對(duì)信息進(jìn)行快速、一致、交互地存取，從而獲得對(duì)數(shù)據(jù)的更深入了解的一類(lèi)軟件技術(shù)［3］.OLAP主要是用來(lái)對(duì)用戶(hù)當(dāng)前的及歷史的數(shù)據(jù)進(jìn)行分析，完成大量的查詢(xún)操作，對(duì)時(shí)間的要求相對(duì)不高.OLAP的步驟如圖1所示.

圖1 OLAP的步驟

2 數(shù)據(jù)預(yù)處理

如果數(shù)據(jù)倉(cāng)庫(kù)中存在臟數(shù)據(jù)，決策分析系統(tǒng)也就失去根基.由于現(xiàn)實(shí)世界數(shù)據(jù)常存在含有噪聲、不完全的和不一致的現(xiàn)象，提高數(shù)據(jù)的質(zhì)量是非常重要的［4］.因此數(shù)據(jù)預(yù)處理是整個(gè)OLAP過(guò)程中一個(gè)非常重要的步驟.此文研究分析的數(shù)據(jù)來(lái)源于已構(gòu)建好的數(shù)據(jù)倉(cāng)庫(kù)，對(duì)數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)集市數(shù)據(jù)進(jìn)行進(jìn)一步清洗，根據(jù)業(yè)務(wù)需要進(jìn)行數(shù)據(jù)轉(zhuǎn)換.由于人的氣質(zhì)、興趣、性格、職業(yè)類(lèi)型做個(gè)絕對(duì)區(qū)分是一件比較復(fù)雜的事，所以在對(duì)數(shù)據(jù)進(jìn)行OLAP之前必須針對(duì)先天因素影響下大學(xué)生職業(yè)類(lèi)型選擇的主題進(jìn)行數(shù)據(jù)的預(yù)處理.

2.1 數(shù)據(jù)清洗

(1)數(shù)據(jù)通常存在的問(wèn)題.噪聲數(shù)據(jù)是指數(shù)據(jù)中存在著錯(cuò)誤或異常的數(shù)據(jù)［5］.比如，被測(cè)試人在心情最低谷或最高漲的時(shí)候，進(jìn)行測(cè)試，數(shù)據(jù)可能存在一定波動(dòng)，當(dāng)情緒正常時(shí)，沒(méi)有參加測(cè)試，導(dǎo)致數(shù)據(jù)特別低(高).不完整數(shù)據(jù)是指感興趣的屬性沒(méi)有值［6］.例如，有的工作人員在就業(yè)質(zhì)量跟蹤調(diào)查時(shí)，沒(méi)有詳細(xì)統(tǒng)計(jì)就業(yè)崗位、在其崗位發(fā)展情況及綜合滿(mǎn)意度等.

(2)數(shù)據(jù)清理處理方法有平滑噪聲數(shù)據(jù)、填補(bǔ)遺漏的數(shù)據(jù)、識(shí)別或去除異常值及解決不一致問(wèn)題幾種.例如存在問(wèn)題的數(shù)據(jù)會(huì)給整個(gè)OLAP的過(guò)程注入無(wú)色無(wú)味的“毒藥”，會(huì)導(dǎo)致數(shù)據(jù)模型出現(xiàn)“畸形”，雖然OLAP過(guò)程大都能處理噪聲數(shù)據(jù)，但挖掘分析工作的重點(diǎn)常放在怎么避免結(jié)果過(guò)分逼近實(shí)驗(yàn)數(shù)據(jù)上.

2.2 數(shù)據(jù)轉(zhuǎn)換

數(shù)據(jù)轉(zhuǎn)換是把一種格式的數(shù)據(jù)轉(zhuǎn)換為另一種格式的數(shù)據(jù)，并進(jìn)行規(guī)范化，構(gòu)成一個(gè)適合聯(lián)機(jī)分析處理的描述形式.此研究中數(shù)據(jù)轉(zhuǎn)換主要包括以下幾點(diǎn):

(1)合計(jì)處理:對(duì)數(shù)據(jù)進(jìn)行總結(jié)或合計(jì)操作，如學(xué)生氣質(zhì)分值進(jìn)行合計(jì)測(cè)試操作得到最后平均分值.

(2)規(guī)格化:有關(guān)屬性按比例進(jìn)行縮放，將其定格在特定的小區(qū)域中.

2.3 數(shù)據(jù)屬性的選擇及預(yù)處理后數(shù)據(jù)

選擇數(shù)據(jù)的屬性，是在已有屬性集的基礎(chǔ)上構(gòu)建新的屬性.屬性選取標(biāo)準(zhǔn)在決策樹(shù)領(lǐng)域可分屬性間相互獨(dú)立的選擇方法、屬性之間相互關(guān)聯(lián)的選擇方法兩類(lèi).文中使用屬性間相互獨(dú)立的選擇方法來(lái)確定關(guān)于大學(xué)生先天因素及首次選擇職業(yè)類(lèi)型情況的數(shù)據(jù)表屬性，共有1個(gè)ID屬性，5個(gè)普通屬性，其中序號(hào)表示ID屬性，性別屬性表示學(xué)生的性別、氣質(zhì)表示學(xué)生的氣質(zhì)類(lèi)別、性格表示學(xué)生的性格類(lèi)別、興趣表示學(xué)生興趣類(lèi)別、職業(yè)類(lèi)型表示大學(xué)生首次選擇的職業(yè)類(lèi)型.

對(duì)先天因素影響下大學(xué)生首次職業(yè)類(lèi)型選擇為主題的數(shù)據(jù)信息進(jìn)行預(yù)處理后，選取89條典型的樣本記錄.為了便于描述，序號(hào)字段屬性改為自動(dòng)編號(hào)，種子值為1，增量值為1.如圖2所示.

圖2 “先天”條件下首次職業(yè)類(lèi)型選擇信息

3 分析工具提供的算法在職業(yè)類(lèi)型選擇中的應(yīng)用

從目前企業(yè)的應(yīng)用上來(lái)看，OLAP分析大多是通過(guò)使用OLAP工具來(lái)實(shí)現(xiàn)的，目前國(guó)內(nèi)流行的OLAP工具主要有下列產(chǎn)品:Cognos(Powerplay)、Hyperion(Essbase)、微軟(Analysis Service)、MicroStrategy.綜合考慮大學(xué)生職業(yè)類(lèi)型選擇需求和研究團(tuán)隊(duì)的現(xiàn)狀，選用了微軟(Analysis Service)作為聯(lián)機(jī)處理分析工具.

3.1 分析工具提供的決策樹(shù)算法在首次職業(yè)類(lèi)型選擇中的應(yīng)用

微軟數(shù)據(jù)分析工具提供的決策樹(shù)算法是一種混合算法，它綜合了多種不同的創(chuàng)建樹(shù)的方法，并支持多種分析任務(wù).本文使用Microsoft工具提供的決策樹(shù)算法在學(xué)生先天因素中找出性別、性格、氣質(zhì)、興趣四個(gè)方面對(duì)首次職業(yè)類(lèi)型選擇影響度情況，并能挖掘分析出相應(yīng)規(guī)則.

3.1.1創(chuàng)建“先天”職業(yè)類(lèi)型選擇模式的 OLAP模型

在Analysis Manager樹(shù)視圖的“挖掘結(jié)構(gòu)”中建立挖掘結(jié)構(gòu);通過(guò)挖掘結(jié)構(gòu)向?qū)?，選擇決策樹(shù)挖掘技術(shù);指定定型數(shù)據(jù);為挖掘結(jié)構(gòu)命名，根據(jù)算法名命名為“決策樹(shù)算法”，即建立完成“決策樹(shù)算法”挖掘結(jié)構(gòu).

3.1.2 設(shè)置挖掘參數(shù)

在挖掘模型編輯器中，包含顯示模型和模型列的表，還包含一個(gè)屬性窗口中.用挖掘模型編輯器，可為每個(gè)模型設(shè)置算法特有的參數(shù).右鍵單擊“Microsoft_Deccision_Trees”，在彈出的菜單中選擇“設(shè)置算法參數(shù)”.決策樹(shù)算法通過(guò)控制所生成的挖掘模型的性能和準(zhǔn)確性.這些參數(shù)可控制樹(shù)的增長(zhǎng)、樹(shù)的形狀和輸入/輸出屬性的設(shè)置.下面給出本算法的參數(shù)作一些分析與設(shè)置.

(1)COMPLEXITY_PENALTY，此參數(shù)控制決策樹(shù)的增長(zhǎng).值越小，則分叉數(shù)越多;值越大，則分叉數(shù)越少.在本次挖掘中，事務(wù)表中有六個(gè)字段屬性，符合要求的數(shù)據(jù)量不是很大，我們將此參數(shù)設(shè)置的比較小，即COMPLEXITY_PENALTY=0.01，進(jìn)而控制樹(shù)的生長(zhǎng).

(2)MINIMUM_SUPPORT，此參數(shù)確定在決策樹(shù)中生成拆分所需的葉事例的最少數(shù)量.默認(rèn)值為10.如果數(shù)據(jù)集非常大，則可能需要增大此值，以避免過(guò)度定型.比如將這個(gè)參數(shù)值設(shè)為6，表示任拆分而產(chǎn)生的子節(jié)點(diǎn)的個(gè)數(shù)至少有5個(gè).由于職業(yè)類(lèi)型有6種，經(jīng)處理后數(shù)據(jù)量不是很大，我們將此參數(shù)值設(shè)置為1，即 MINIMUM_SUPPORT=1.

(3)SCORE_METHOD，此參數(shù)確定用于計(jì)算拆分分?jǐn)?shù)的方法.該參數(shù)有三種可能的取值:SCORE_METHOD=1，說(shuō)明該算法使用信息熵控制樹(shù)的增長(zhǎng).SCORE_METHOD=3，說(shuō)明該算法使用Bayesian with K2 Prior方法，表示樹(shù)的節(jié)點(diǎn)中可預(yù)測(cè)屬性的每一個(gè)狀態(tài)增加一個(gè)常量，而無(wú)用考慮該屬性在樹(shù)中所處的層次.SCORE_METHOD=4，這是告訴算法使用Bayesian Dirichlet Equivalent(BDE)with uniform prior方法，這種取值也是默認(rèn)值，根據(jù)樹(shù)節(jié)點(diǎn)的層次為每一個(gè)可預(yù)測(cè)的狀態(tài)增加權(quán)支持度.由于我們?cè)诮＿^(guò)程中，使用的是信息熵的算法，因此選擇該參數(shù)值為1，即SCORE_METHOD=1.

(4)SPLIT_METHOD，此參數(shù)確定用于拆分節(jié)點(diǎn)的方法，該參數(shù)控制樹(shù)的形狀.該參數(shù)有三種可能的取值:SPLIT_METHOD=1，(Binary)指示無(wú)論屬性值的實(shí)際數(shù)量是多少，樹(shù)都拆分為兩個(gè)分支.SPLIT_METHOD=2，(Complete)指示樹(shù)可以創(chuàng)建與屬性值數(shù)目相同的分叉.SPLIT_METHOD=3，(Both)指定 Analysis Services可確定應(yīng)使用binary還是 complete，以獲得最佳結(jié)果.這種取值也是默認(rèn)值.

(5)FORCE_REGRESSOR，此參數(shù)強(qiáng)制算法將指定的列用作回歸量，此參數(shù)只用于預(yù)測(cè)連續(xù)屬性的決策樹(shù).因?yàn)槲覀兦捌趯?duì)數(shù)據(jù)進(jìn)行大量操作，連續(xù)屬性已轉(zhuǎn)換成離散的屬性，所以此參數(shù)此處不做設(shè)置.

3.1.3 生成和部署

在開(kāi)發(fā)窗口選擇“生成”菜單中的“部署”命令，出現(xiàn)“處理進(jìn)度”提示框，提供有關(guān)處理操作的一些狀態(tài)信息.當(dāng)處理完成后，可看到處理步驟的細(xì)節(jié)信息.現(xiàn)在數(shù)據(jù)挖掘模型部署好后，可以使用這些模型對(duì)大學(xué)生首次職業(yè)類(lèi)型選擇進(jìn)行深入分析研究，挖掘出相應(yīng)規(guī)則供來(lái)預(yù)測(cè)新畢業(yè)生職業(yè)類(lèi)型選擇情況.

3.1.4 分析研究挖掘出的職業(yè)類(lèi)型選擇模型

微軟Analysis Services為每一個(gè)數(shù)據(jù)挖掘的算法都提供一個(gè)自己的查看器.“數(shù)據(jù)挖掘查看器”提供的實(shí)際模型視圖有兩種基本的類(lèi)型，即圖和表.

(1)職業(yè)類(lèi)型選擇測(cè)評(píng)依賴(lài)關(guān)系

依賴(lài)關(guān)系網(wǎng)絡(luò)顯示決策樹(shù)模型中所有屬性之間的關(guān)系，這些屬性派生自決策樹(shù)模型的內(nèi)容.如圖3所示.圖中線上編號(hào)代表各維度與職業(yè)類(lèi)型之間存在關(guān)聯(lián)強(qiáng)度排序，由此可看出職業(yè)類(lèi)型選擇受興趣影響最強(qiáng)，依次是性格、氣質(zhì)、性別.

圖3 決策樹(shù)模型依賴(lài)關(guān)系

(2)挖掘模型

圖4 挖掘圖例

技能型、經(jīng)管型、社交型、事務(wù)型、研究型、藝術(shù)型，下面給出大學(xué)生首次職業(yè)類(lèi)型選擇社交型決策樹(shù)模型，如圖5所示.

圖5 職業(yè)類(lèi)型為社交型的典型決策樹(shù)模型

圖5中的樹(shù)是水平擺放的，最左邊是分類(lèi)節(jié)點(diǎn)較突出分類(lèi)因素;節(jié)點(diǎn)著色各有不同，著色深的節(jié)點(diǎn)是支持事例較多的.決策樹(shù)的模型所反映出來(lái)的規(guī)則非常容易理解，每一條從最左邊節(jié)點(diǎn)到最右邊的葉子節(jié)點(diǎn)就是一條規(guī)則.

3.1.5 挖掘準(zhǔn)確性分析

微軟的商業(yè)智能開(kāi)發(fā)平臺(tái)提供“挖掘準(zhǔn)確性圖表”窗格，以用來(lái)衡量所創(chuàng)建模型的質(zhì)量和精確性.圖6是決策樹(shù)算法挖掘模型的提升圖，此圖顯示了挖掘模型的整體預(yù)測(cè)準(zhǔn)確性與理想模型的對(duì)比.此圖的橫坐標(biāo)表示比較預(yù)測(cè)的測(cè)試數(shù)據(jù)集的百分比，縱軸表示準(zhǔn)確預(yù)測(cè)的百分比.從圖中可以觀測(cè)到一條對(duì)角線，使用50%的數(shù)據(jù)來(lái)獲得50%的目標(biāo)，此挖掘模型總體準(zhǔn)確度是相當(dāng)高的.

圖6 決策樹(shù)算法挖掘模型的提升圖

此決策樹(shù)模型在50%的數(shù)據(jù)中的預(yù)測(cè)準(zhǔn)確率為47.14%，當(dāng)數(shù)據(jù)量是100%時(shí)，此模型的預(yù)測(cè)準(zhǔn)確率達(dá)到94.29%.

3.1.6 結(jié)果分析

從以上挖掘結(jié)果可以分析出，大學(xué)生首次職業(yè)類(lèi)型選擇與興趣存在很大內(nèi)在的關(guān)聯(lián)度.由此得出結(jié)果，興趣對(duì)大學(xué)首次職業(yè)類(lèi)型選擇影響最大.通過(guò)對(duì)學(xué)生興趣、性格、氣質(zhì)、性別情況預(yù)測(cè)大學(xué)生的首次職業(yè)類(lèi)型選擇情況進(jìn)行數(shù)據(jù)挖掘分析.大學(xué)生為了更好做好首次職業(yè)類(lèi)型選擇，要加強(qiáng)自己興趣培養(yǎng)，進(jìn)而做好職業(yè)規(guī)劃，最終能實(shí)現(xiàn)“人職匹配”.從分析可看出，個(gè)人性格、氣質(zhì)對(duì)高職學(xué)生職業(yè)類(lèi)型選擇也有一定影響，性別對(duì)職業(yè)類(lèi)型選擇影響并不是很大.

3.2 分析工具提供的關(guān)聯(lián)規(guī)則算法在職業(yè)類(lèi)型選擇中的應(yīng)用

在Analysis Manager中創(chuàng)建模型及相關(guān)設(shè)置如上，這里不在贅述，直接分析結(jié)果.3.2.1 職業(yè)類(lèi)型選擇測(cè)評(píng)依賴(lài)關(guān)系

依賴(lài)關(guān)系如圖7所示.連接線上數(shù)字表示關(guān)聯(lián)強(qiáng)度，1表示是最強(qiáng)，8表示最弱.

圖7 關(guān)聯(lián)規(guī)則模型依賴(lài)關(guān)系

3.2.2 挖掘模型

圖8顯示了大學(xué)畢業(yè)生職業(yè)類(lèi)型選擇關(guān)聯(lián)規(guī)則模型.

圖8 關(guān)聯(lián)規(guī)則模型

3.2.3 挖掘準(zhǔn)確性分析

圖9給出關(guān)聯(lián)規(guī)則模型的提升圖.圖9展示了這個(gè)挖掘模型的提升圖，從圖中可以看出，準(zhǔn)確度良好.此實(shí)際決策樹(shù)模型在50%的數(shù)據(jù)中的預(yù)測(cè)準(zhǔn)確率分別為47.14%，而當(dāng)數(shù)據(jù)量達(dá)到100%時(shí)，該模型的預(yù)測(cè)準(zhǔn)確率為68.57%.

圖9 關(guān)聯(lián)規(guī)則模型的提升圖

3.2.4 結(jié)果分析

從以上挖掘結(jié)果可以分析出，大學(xué)畢業(yè)生職業(yè)類(lèi)型選擇與個(gè)人先天因素存在一些內(nèi)在的規(guī)則.由此同樣得出結(jié)果，興趣對(duì)大學(xué)生畢業(yè)生首次職業(yè)類(lèi)型選擇影響最大，個(gè)人性格、氣質(zhì)對(duì)高職學(xué)生職業(yè)類(lèi)型選擇也有一定影響.

4 職業(yè)類(lèi)型選擇數(shù)據(jù)挖掘規(guī)則提取及分析

通過(guò)對(duì)以上兩個(gè)模型進(jìn)行分析，得出大學(xué)畢業(yè)生首次職業(yè)類(lèi)型選擇與人的興趣、性格、氣質(zhì)、性別有一定的關(guān)聯(lián)，提取支持率比較高的規(guī)則，可供職業(yè)規(guī)劃指導(dǎo)師參考、大學(xué)生首次職業(yè)類(lèi)型選擇的決策支持;將上述結(jié)論應(yīng)用到高等院校職業(yè)類(lèi)型選擇專(zhuān)家指導(dǎo)系統(tǒng)中，也進(jìn)一步推進(jìn)高等院校職業(yè)規(guī)劃工作信息建設(shè).興趣用Xq表示，性格用Xg表示，性別用Sex表示，氣質(zhì)用Qz表示，職業(yè)類(lèi)型用Lx表示;表示部分規(guī)則如下:

If Xq=企業(yè)型and Xg=嚴(yán)謹(jǐn)型and Sex=男then Lx=經(jīng)管型

If Xq=企業(yè)型 and Xg=自我表現(xiàn)型 and Sex=女then Lx=經(jīng)管型

If Xq=實(shí)用型and Xg=重復(fù)型and Qz=活潑型then Lx=事務(wù)型

If Xq=常規(guī)型and Qz=安靜型and Xg=服從型then Lx=事務(wù)型

If Xq=研究型and Xg=變化型and Qz=活潑型then Lx=研究型

If Xq=研究型and Xg=協(xié)作型and Qz=戰(zhàn)斗型then Lx=研究型

If Xq=藝術(shù)型and Sex=女then Lx=藝術(shù)型

If Xq=實(shí)用型and Qz=戰(zhàn)斗類(lèi)型then Lx=社交型

If Xg=嚴(yán)謹(jǐn)型and Xq=實(shí)用型then Lx=社交型

If Xq=研究型and Xg=自我表現(xiàn)型then Lx=技能型

If Xq=實(shí)用型and Xg=獨(dú)立型and Xg=Qz=安靜型and Sex=男then Lx=技能型

If Xq=常規(guī)型and Qz=呆板而羞澀型then Lx=技能型

……

5 結(jié) 論

將OLAP技術(shù)應(yīng)用到大學(xué)生首次職業(yè)類(lèi)型選擇指導(dǎo)的實(shí)際工作中，為做好高校學(xué)生職業(yè)生涯規(guī)劃工作提供新思路.利用微軟數(shù)據(jù)分析工具提供的決策樹(shù)算法、關(guān)聯(lián)規(guī)則算法創(chuàng)建兩個(gè)模型并進(jìn)行對(duì)比分析出學(xué)生的興趣、性格、氣質(zhì)、性別與首次選擇的職業(yè)類(lèi)型存在的潛在規(guī)律，挖掘出興趣對(duì)大學(xué)生首次職業(yè)類(lèi)型選擇影響較大等許多有參考價(jià)值的成果.但仍存在研究數(shù)據(jù)不夠豐富、數(shù)據(jù)處理過(guò)程繁瑣等，所以還有待進(jìn)一步研究.

［1］ 張美虎，等.OLAP工具在企業(yè)決策支持系統(tǒng)中的應(yīng)用［J］.淮陰工學(xué)院學(xué)報(bào)，2009，(1):55-56.

［2］ 康雁冰.職業(yè)發(fā)展與大學(xué)生職業(yè)規(guī)劃［J］.創(chuàng)新與創(chuàng)業(yè)教育.2012，3(6):29-30.

［3］ 容曉暉.基于數(shù)據(jù)挖掘的郵政業(yè)務(wù)量收系統(tǒng)改進(jìn)方案研究［D］.沈陽(yáng):東北大學(xué)，2009:6-7..

［4］ 徐娟.基于數(shù)據(jù)挖掘技術(shù)的信用評(píng)估模型研究［D］.合肥:合肥工業(yè)大學(xué)，2009:4-5.

［5］ 馬勇.惡意網(wǎng)頁(yè)的分析及識(shí)別方法研究［D］.天津:南開(kāi)大學(xué)，2008:11-12.

［6］ 周成義.數(shù)據(jù)挖掘技術(shù)在電子商務(wù)企業(yè)中的研究與應(yīng)用［D］.鞍山:遼寧科技大學(xué)，2007:3-4.