信息技术在高校资产管理领域的应用研究

摘 要：利用数据挖掘技术设计高校资产管理系统是很好的应用趋势，能够为高校资产管理者提供有效的决策支持。本文对数据挖掘技术的研究现状进行了梳理，分析了高校资产管理特点及存在的问题，设计了高校资产管理系统，并对管理系统决策模块的实现进行研究。资产管理系统的实际应用过程中，要注重归纳与总结，不断改进完善数据挖掘算法，找出数据背后蕴藏的关联规则，以便挖掘结果更科学化，为管理者提供决策支持。

关键词：数据挖掘；高校资产；资产管理；决策支持

中图分类号：G647 文献标志码：A 文章编号：1673-8454（2016）09-0041-06

当前，我们正处在一个网络化、信息化高速发展的时代，数据挖掘技术正在迅速地改变着整个社会的发展进程。计算机技术与Internet技术的迅猛发展，大大提高了数据挖掘（Data Mining）、收集与整理加工的能力，当今社会数据资源变得日益丰富，各行各业充斥着大量的数据源。正当此时新的问题应运而生，如何挖掘出数据源中蕴含的知识与信息并加以利用，怎样处理不断涌现出的信息源噪声问题，已迫在眉睫。

新兴技术即数据挖掘技术与知识发现（Data Mining and Knowledge Discovery in Databases）顺势而生，并展现出旺盛的生命力，学者们汇聚了数据库技术、数据统计学、人工智能以及管理信息系统等学科，致力于这一边缘科学的蓬勃发展，解决当前数据源噪声问题。自此，数据挖掘技术在各行各业得到了极大应用，为资产管理、生产运营以及信息处理提供了新的理论指导。

于此同时，高校是特殊的事业单位群体，其资产管理效率直接关乎于高校的整体运行。当今，高校的资产管理已经普遍实现了信息化管理，并针对其数据的存取与检索配备了相应的设备。但当前高校资产信息化管理的过程中存在一个致命性问题，即数据源未得到充分应用，蕴藏在其中的信息未得到有效挖掘与开发。高校资产信息化处理系统在运行过程中会收集大量数据信息，而在实际操作中系统管理员仅具有简单的统计评估与分析功能，而隐藏在数据背后的价值却不能进行深度挖掘与应用。资产管理者需要采用一种有效的方法自动的发现与分析隐藏在各数据之间的关联性与动态的发展趋势，从而为管理者的决策提供有效的数据支撑，以此来发挥信息系统收集的当前与历史数据的价值。依前文所述，数据挖掘技术与知识发现能够有效地将信息系统收集的大量数据源进行整合，提高高校资产管理效率。为此，本文会引入数据挖掘技术与知识发现对高校资产的需求与使用情况，以及资产的损耗情况进行深层的剖析，以为决策者的资产管理提供有力的支撑，从而合理有效地利用高校有限的资源创造出更优越的教学育人环境，进而提高其整体的教学质量。

一、数据挖掘技术的国内外研究现状

上世纪八十年代末，国际上召开了第11届国际联合人工智能的学术性会议，首次提出了数据挖掘。此后，上世纪九十年代中期，美国的计算机年会（ACM）召开之际，首次确定了数据挖掘技术的概念，指出集来的大量且不完全的有噪声的随机数据中，提取出蕴藏在其中的有价值的信息与知识即为数据挖掘，通过这种数据挖掘技术能够有利于数据分析与决策支持。自此，学者们汇聚了数据库技术、数据统计学、人工智能以及管理信息系统等学科，致力于这一边缘科学的蓬勃发展。到了二十一世纪初，数据挖掘技术已经渗入到了各个学科领域，并在企事业单位的生产经营过程中发挥了巨大作用。于2002年中，在加拿大举行了第八届关于数据挖掘与知识发现（KDD）的ACM. SIGKDD国际性大会，将数据挖掘与知识发现技术这一边缘学科推向了新的研究进程。

美国电气与电子工程师协会（IEEE）出版的会刊中从上世纪90年代开始多次出版关于KDD技术的专刊，专门对数据挖掘与知识发现技术进行专项研究。除此之外，其他领域的专业技术学会也出版了专刊，计算机网络与信息工程技术方面纷纷展开了对数据挖掘技术的探讨，KDD技术的发展受到了越来越多领域学者的重视，如在《半月刊》中发表了关于KDD的诸多研究成果。时至今日，美国人工智能协会关于数据挖掘与知识发现技术方面的国际性研讨会已经举办了数十次，涉及范围越来越广。有关KDD技术的学术成果越来越多，研究领域也逐渐扩大，逐渐由原来的方法发现扩大到了系统应用，从而扩大到了大规模的综合系统的应用与开发。于此同时，学术界还注重了对多种技术的集成，以及交叉学科之间的相互渗透。在实践方面，诸多数据挖掘软件在国际范围内得到了广泛的应用，早在二十一世纪初期，美国IBM公司就研发了智能开矿工（Intelligent Miner）软件，而美国硅图公司则开发了SPSS软件（统计产品与服务解决方案）。当前，KDD技术已经成为了数据库与信息应用方面最前沿的研究领域，KDD技术已然成为世界计算机领域最大的研究热点。

相对来说，国内关于数据挖掘技术的研究起步较晚，且研究的进程相对缓慢。直到上世纪就是九十年代中期，才逐渐引入数据挖掘技术。在研究的进程中，《计算机学报》与《软件学报》纷纷刊载了一些该领域的研究成果，这些研究成果多借鉴于国外先进的学术成果，其重点也是从发现方法到系统的应用问题，但在实践方面的研究十分匮乏。国家自然科学基金首次出资支持KDD研究项目是在1993年，经过几年到二十一世纪初才形成KDD研究的基本框架，自此以后研究的重点逐渐侧重于如何将知识发现与数据挖掘技术应用到企事业单位生产经营当中。当今，清华大学、华中科技大学以及华中理工大学等高等院校及科研单位正致力于数据挖掘技术理论及其应用的研究。而复旦大学与吉林大学则对关联规则挖掘算法的优化进行了大量的研究；而北京大学对数据立方体代数领域的探索成为推动数据挖掘技术发展的重要推动力。

于此同时，随着数据挖掘技术理论研究的发展，国内学者开始了对数据挖掘技术应用方面的探讨，尤其是金融与商品营销领域。随着数据挖掘技术的发展，其应用范围越来越广泛，既包括了证券银行等金融行业，又包括了制造业和批发零售业，KDD技术的应用已经渗透到人们生活中的方方面面，成为了基金与企业投资的热点。学者们普遍认为数据挖掘技术拥有者广阔的应用空间和无限的发展潜力。但纵观已有的研究成果来看，众多学者的研究重点仍是理论方面，在实践方面的研究成果匮乏。与此同时，已有的数据挖掘方面应用的研究多是金融行业或生产零售业等商业领域，鲜有对高校等事业单位方面应用的研究。当前对数据挖掘领域的研究涉及到高校资产的研究更是凤毛麟角。有关于高校资产管理的研究多侧重于资产采购环节，而利用数据挖掘技术设计高校资产管理系统方面的研究才刚刚起步，其研究的深度与广度十分有限。如何提高日趋庞杂的高校资产管理的效率，是数据挖掘技术应用方面的一个新的课题。本文旨在引入数据挖掘技术与知识发现对高校资产的需求与使用情况，以及资产的损耗情况进行深层的剖析，以提高高校资产管理的效率。

二、高校资产管理的现状和问题分析

随着高校扩招扩建，其办学规模得到了跨越式的扩大，其国有资产得到了突飞猛进增长，但随之而来的是高校资产管理问题的凸显：高校不同部门间资产雷同，且长期搁置，资产利用率低下；资产购置价格过高，使用期限短，性价比低下；资产浪费严重。高校长期的教学管理过程中，积累了大量的设备、仪器以及耗材等账目问题，形成了庞杂的历史数据记录。高校资产管理人员无法理清各种资产账目，资产购置、报废、外借等无法得到有效及时的动态化管理，数据源混乱。具体来说高校资产管理的问题体现在以下四个方面：

（1）现有的资产管理系统相对落后，无法满足日益庞杂的资产账目问题。

当前，高校扩招扩建严重，国有资产规模日益扩张，形成了庞杂的历史数据记录，而高校采用的资产管理系统多为简单化办公软件，在处置资产时多采取的是简单的计算机信息录入功能，对于资产流转无法进行动态化管理。高校资产管理人员在进行资产数据处理过程中，仅以数据统计为主，缺乏自动化管理和数据分析功能，无法为决策提供有力支撑。

（2）资产管理体制不完善，缺乏合理有效的分工制度。

高校是特殊的事业单位，其经费多由国家或省级财政予以拨款，受到计划经济体制的影响，且官僚风气严重，多年来资产管理体制混乱，管理人员权责分配不对等，造成高校资产账目不清，统计数据存在偏差，资产流失严重。很多高校资产管理体制不健全，政策模糊、分工混乱，教学设备流转混乱，责任落实不到位，出现资产重复采购与提前报废等现象。分工不明，权责不清，资产责任人与使用人分离，约束不足，长此以往造成高校账目混乱、资产流失严重。

（3）资产管理缺乏规划。

在资产的流转过程中需要进行预先规划，而在高校的资产管理过程中，管理者仅凭经验进行采买与使用，缺乏理性分析和事前规划。在进行图书、仪器设备的采购前资产管理人员收集到各部门上报的数据后仅进行简单的统计就凭经验进行购买。缺乏理性的判断和合理的规划，往往造成了相同资产的重复购买和资源的浪费。而在集体采购过程中，管理者根据个人利益与经验选择供应商，事前并不对供应商提供的产品性价比进行综合性分析比较。这种采购方式形成了主观臆断的决策，随意性强，给高校资源造成极大浪费。而在购置后的使用管理过程中，缺乏合力有效的规划，资产使用与报废仅凭经验处置，缺乏长期性规划，造成高校资产大量流失。

（4）信息传递存在障碍。

信息的顺畅传递是高校资产高效率使用的保障。而就当前高校资产管理的形势来看，仅有管理部门才拥有高校资产的全部信息，而各部门之间的信息是闭塞的。每个部门仅拥有本单位资产的信息情况，而部门之间信息与资源不能共享，造成资源的重复购买与闲置。与此同时，不仅部门之间的信息传递存在障碍，管理部门与各资产使用部门之间的信息传递也存在障碍，为保障高校资产的完备性，管理者要在每年进行清查工作，但在资产盘点过程中，资产管理处仅为各使用单位提供账目清单，各单位根据清单进行实物盘点，然后管理处再根据账实情况对设备保管情况进行调整。这种资产盘点方法的信息传递效率低下，无法满足当前高校日益庞杂的资产账目管理的需要。

综上所述，高校资产存在着重复购买与资产流失的问题，亟待科学化与准确化管理。随着高校建校规模的扩大，积累了庞杂的资产，若仍像过去那样无纪律、无规划地进行管理，必然会造成高校资产管理效率的低下。而解决当前问题之关键在于充分利用购置资产过去与现在的数据，利用计算机技术与数据挖掘技术，构建高校资产管理信息化系统，运用自动化办公系统从海量数据中挖掘出各部门资产需求度与资产采购匹配度，并深度分析资产购置价格、使用期限与频率之间的动态关联关系，挖掘出蕴藏在高校资产内部的发展趋势与规律，从而提高高校资产使用率，降低资产购置经费，为高校资产管理提供决策支持。

三、利用数据挖掘技术设计高校资产管理系统

当前，数据挖掘方法主要有关联分析、聚类分析、分类以及时序模式等，综合上述方法能够合理有效地构建高校资产管理系统，能够挖掘出蕴藏在海量的数据源中有价值的信息，从而提高高校资产管理效率。

1.以资产为中心的设计主题

在设计高校资产管理系统的过程中，首先要确定系统中最有价值的决策主题域以及各个主题域的维度。根据对高校资产管理系统的需求分析，明确了数据库系统的主题域包含资产、部门（即系统用户）以及资金这三个主题域。而这三个主题域之间关系是，资产是管理系统主体设计之核心，通过对这一主题域数据分析，能够获得相应的主题域分析结果，从而为决策支持提供信息库。而部门与资金这两个主题域在系统管理过程中起辅助作用，反映一些需要关注的备用信息。具体来说利用数据挖掘技术设计的资产管理系统拥有以下三个主题域：

（1）资产主题，即用来分析各单位的资产运行情况。

各部门的资产数据信息均会录入到资产管理系统中，资产主体会通过对各单位过去与当前的资产运行情况数据进行分析，获取资产更新或升级数据，从而对资产进行全面管理与调配。该数据域不仅录入过去与当前资产信息，还需囊括各部门下一年度的资产购置与更新的财务预算，以为决策者提供完备的信息库。

（2）部门主题，即对高校各部门（系统用户）状况的分析。

不同部门之间的职能不同，使得其购置的资产性质存在一定的差异性。而不同部门之间的工作内容又存在一定的关联性，为避免资产的重复购置有必要了解不同部门之间的关联关系，从而促进部门间资源共享。而部门主题域的设计用途是容纳各部门性质与工作职能等数据信息，从而根据不同部门的特点制定资产管理与购置计划，以在制定下一年度的财务预算时有所侧重。与此同时，还可利用关联规则挖掘各部门之间的内在联系，从而避免资产的重复购置。

（3）资金主题，即是对各部门与各资产的资金运作状况的分析，包括整体资金情况以及各部门资产管理资金配置情况。

资金域中录入的是已购置资产资金花销及来源，资产管理过程中的折旧、升级投入经费情况。不仅如此，这一主题还要涵盖资金分配规划和预处理数据信息。

通常，高校资产管理系统中都要涵盖以上三个基本主题域。但在实践中，有时为了简单化将三个主题域进行合并，即在资产主题域内对部门与资金主题进行考虑，但在数据库设计过程中需要通过增加维度的途径来达到相同之效果。

2.以决策支持与数据挖掘为目标的二级粒度设计

高校资产管理系统设计之目标在于对资产数据的有效挖掘，并为管理者提供决策支持。高校资产管理者为对资产管理系统提出各种要求，而高校资产数据会随着高校规模的扩大而无限增加，自然分化出常调动数据与沉淀数据，在存储上有必要进行区分，即将沉淀数据存储在备用存储器中，并清楚报废多年资产的数据，这就要求粒度级别划分的精准性。经过对各大高校资产管理情况进行反复分析与合理推测，笔者认为可将高校管理系统数据库设计为二级粒度，即详细数据与综合数据。前者是指每天的资产数据，后者则分为轻度综合数据（每部门数据、每月数据或每大类资产数据）与高度综合数据（每年数据或综合大类资产数据）。详细数据冗杂，不宜长期在管理系统中保存；可定期整理生成综合数据并进行转存、清理，而综合数据量较小，数据关联性强，可在数据库中长期保存，并利用其定期生产资产数据报表。

3.资产管理系统逻辑模型设计

资产管理系统逻辑模型由事实表与维度表，前者是模型的核心部分。事实表包括键与详细指标两项，在模型中通过事实表的键将维度表组织连接起来，以为系统用户提供查询功能。事实表用来对设计的主题域多个角度进行描述，而维度表从不同角度对设计的主题域数据进行描述。通过对高校资产管理情况的深度分析，本文认为高校资产管理系统适用于雪花模型，据此设计出资产管理系统逻辑模型。其中“资产数据事实表”和后面的“部门表”、“资产编码表”、“资产分级表”以及“时间表”4个主维度表关联，而“部门表”、“资产编码表”以及“资产分级表”则分别具有“上级部门表”、“资产类别表”以及“资产指标表”3个2级的维度表。这种多层级的维度表降低了资产数据冗余度，节省了资产管理系统的储备空间，提高了系统数据挖掘粒度的灵活性。

模型设计后需要对管理系统进行数据装载（ETL），首先要对资产的源数据进行简单抽取，然后依据预先设定的逻辑模型对源数据进行转换并进行数据仓库的存储。

4.资产数据归约与取值

对数据的属性进行归约，能够使挖掘的数据规则更加简单化，本质来说大户也是对数据库施加的约束，能够缩减生成候选集的数量，从而能够快速发现数据关联规则。教育部规定，高校资产分为16个大类，既包括房屋等地产又包括了图书与器具等教学设备，对其进行管理是十分复杂的工程。为此本文在实际应用中可以确定四个管理指标，即资产购置价格（A）、资产剩余使用年限（B）、资产年使用率（C）以及资产质量评估（D）。

对上述确定的资产管理指标进行统一的分级，即1～5级，分别用1～5表示实现指标数据取值的分类转换。

（1）根据购置价格、购置时间与当前市场行情等因素对资产进行评级。

（2）根据折旧情况与使用年限进行评级，在折旧与使用年限的确定上应根据会计与税务上的规定进行计算，得出资产的剩余使用年限率，并根据资产属性与具体使用情况进行相应调整。将资产使用年限分为五个区间，并根据资产的剩余使用年限率=（税务规定资产使用年限-已使用年限）/税务规定资产使用年限公式，计算出分区化的资产剩余使用年限的区间值。通过对高校资产情况的深度分析，将其区间值定为（1，0.8]、（0.8，0.6]、（0.6，0.4]、（0.4，0.2]以及（0.2，0]，其分别对应着1～5各级别。

（3）依据资产使用率确定资产级别取值。资产使用率源数据来自于资产管理者定期的核查与记录，并据此做出评价，使用率越低则级别越接近1级，即使用期限越长，反之则越接近5级。

（4）根据资产定期的质量检查与评估。

综上，高校资产归约与取值的描述为：（资产编号，购置价格、剩余使用年限率、使用频率、质量评估值）。如编号414011的资产其购置价格是3级，剩余使用年限率是2级，使用频率是2级，而质量评估值为1级，则在数据库中为（414011，A3，B2，C2，D1）。

5.数据挖掘过程

上述通过对高校资产管理系统的设计，获得高校资产的数据库的具体构建，下面将分析如何对源数据进行整理与特征化转换。本文认为通过Apriori算法能够实现对资产数据库关联规则的数据挖掘。而利用高校资产的数据库多指标之间的关联规则就可以实现对高校资产的数据库进行多变量数据集合进行数据挖掘。

（1）在高校资产管理的指标设定下，将高校资产质量评估值作为规则目标，利用Apriori算法的生成频繁数据项集。频繁数据项集中可以确地各个高校资产资产管理系统中变量的信任度和支持度。

（2）通过分析高校资产质量指标数据集合之间的关联性规则，计算出满足最小信任度的相应规则。

（3）挖掘数据间的关联性，即计算出满足最小信任度的规则。

四、资产管理系统决策支持模块的实现

可想而知，利用数据挖掘技术设计高校资产管理系统的目的，在于为资产管理者提供决策支持。而通过管理系统挖掘出的数据越精准，得到的资产的动态数据越有意义，其关联规则对辅助管理者进行决策越具有价值。而通过上述方法设计的管理系统收集的数据十分庞杂，若直接进行数据挖掘其效率与实际价值定会十分低下，信息可信度会大大降低。这样，保证资产管理系统决策支持模块的实现，是利用数据挖掘技术提高我国高校资产管理的效率的关键。资产管理系统决策支持模块是面向业务主管或更高级别管理人员而设定的，通过对高校资产管理系统收集而来的数据进行更深层次的挖掘分析而来，以为管理者提供决策支持。资产管理系统决策支持模块的实现是高校资产数据库建立的重要目标，依赖于资产管理系统，但又与其完全分开，即是高校资产管理系统的有益补充，弥补其系统功能之不足。

1.决策支持模块中的数据挖掘过程

决策支持系统的数据挖掘有别于资产管理系统，具体来说包括了管理问题定义、数据准备与转换、数据挖掘、结果分析以及知识运用等五个过程。

（1）管理问题定义，即数据挖掘的目标，即定义出资产管理过程中需要解决的业务问题。

（2）数据准备与转换，是指根据确定的目标，在上述设定的资产管理系统中提取出特定数据集，并对这些数据集进行预先加工和处理，剔除数据缺值与冗余，并修正其存在的错误，从而完成数据的准备工作。

（3）接下来进行的是决策模块的数据挖掘，即根据上述收集加工的特定数据集的功能与特点，利用相应的数据算法建立分析模型，从而实现对经过转换的数据的挖掘工作。

（4）经过数据挖掘后，要对挖掘的数据进行结果分析，所谓的结果分析及对挖掘的数据进行系统分析、解释与评价，并运用文字或图表的方式将数据蕴含的动态关联规则进行转换与阐释，以被用户所理解与采纳。

（5）最后一步是知识运用，即将通过上述数据挖掘过程获得的知识集成到决策系统的知识库当中，构成决策备用信息库为管理者提供决策支持。

2.决策支持模块中数据挖掘的分类应用

决策支持系统是为高校资产管理提供决策支持的系统，具体来说包括了设备采购、资产配置、维修管理以及报废决策四个方面的决策实现过程。资产管理不同环节的决策依据不同，要根据管理特点选择合适的算法对数据进行有效的挖掘，为管理者提供科学有效的决策依据，是资产管理系统决策支持模块的实现的关键：

（1）资产采购环节的决策支持，采购决策的合理与否关乎后续的维护成本与资产使用效率。在这一环节，要挖掘资产管理系统中已有的海量历史采购数据，与此同时结合当前市场情况，对预采购资产进行技术经济分析与性价比分析，并配合调研选型。在数据挖掘过程中适当采用聚类分析与关系分析相结合的方法，对市场上不同供应商提供的产品进行差异性分析，根据大数据中提供的平均使用寿命与维修频率的综合性评价选择性价比较高的产品进行采购。于此同时，在采购过程中适当使用预测模式，对预购置资产价格进行初步概算，以对部门资产采购资金进行有效控制。

（2）资产配置环节的决策支持。购置后的资产要在各部门之间进行分配，资产的合理配置是提高高校资产管理效率的基础。资产配置的不合理会造成资产的重复购置以及资源的极大浪费。无论是购置资产的初次配置，还是特定资产的二次处理均需要数据挖掘技术为管理者的决策提供信息支持。可采用聚类分析法，以各单位性质为依据，将其分派成不同组别，从而决策分析者根据聚类分析之结果，探索各组别间差异性，并通过建立决策树，来确定预配置资产分配方案。

（3）维修管理环节的决策支持。资产配置后的维修管理对提高资产使用效率至关重要，而“以养代修”是资产保管的重要方法。但何时养护，怎样养护却不能仅凭经验进行判断，在这方面可以利用数据挖掘技术中的时序模式与预测分析方法，对类似资产的使用情况与维修记录的数据进行挖掘与提炼，并结合该项资产的维修记录与具体情况，得出判断信息，从而对资产进行科学维修管理，以保证资产使用性能的充分发挥，提高资产利用率。与此同时，还可以采用预测分析法，促进资产维护经费预算与分配的科学合理化。

（4）报废更新环节的决策支持。资产的报废更新源自于两个方面：一方面是资产性能的下降，已经达到预期使用寿命；另一方面是由于高校教学与科研内容的革新所触发的，对资产性能方面提出了新的技术要求。要采用数据挖掘技术的关联规则分析资产关系，对资产进行动态化管理，通过对已有数据的挖掘及时剔除寿命降至的资产。而对于资产性能无法满足高校教学与科研革新需要的资产，要采用数据挖掘技术制定多种方案进行计算决策，依据技术上先进、经济上合理的资产管理原则，确定对原有资产进行改造升级，还是予以报废更新。

五、结束语

高校资产信息化处理系统在运行过程中会收集大量数据信息，而在实际操作中系统管理员仅具有简单的统计评估与分析功能，而隐藏在数据背后的价值却不能进行深度挖掘与应用。利用数据挖掘技术设计高校资产管理系统是很好的应用趋势，能够为高校资产管理者提供有效的决策支持。但数据挖掘具体工作的开展需要从事资产管理和系统设计人员充分的准备，以及对案例与算法的实际把握与分析能力。在资产管理系统的实际应用过程中，要注重归纳与总结，不断改进完善数据挖掘算法，找出数据背后蕴藏的关联规则，以便挖掘结果更科学化，为管理者与决策者提供便于理解的信息库，适应当前高校资产管理与决策的需要。

参考文献：

[1]袁隽媛.高校资产数据挖掘的研究与实现[D].湖南：湖南大学，2012.

[2]金豆.数据挖掘技术在资产管理系统中的应用[D].吉林：长春理工大学，2010.

[3]江敏，徐艳.数据挖掘技术在高校教学管理中的应用[J].电脑知识与技术，2012（24）：5741-5745，5760.

[4]刘治良，张庾.数据挖掘在设备管理中的应用探究[J].电脑知识与技术，2014（33）：7836-7837.

[5]陈永峰.大数据背景下数据挖掘在高校固定资产统计中的应用研究[J].河北软件职业技术学院学报，2015（2）：6-9.

[6]袁隽媛.数据挖掘在高校资产管理中的应用[J].中国管理信息化，2011（5）：26-28.

[7]陆苍海，吴汉强.基于数据挖掘的高校信息管理系统研究[J].长沙通信职业技术学院学报，2013（1）：16-18.

[8]Han J， Kambr M. Data mining： concepts and techniques[M].Beijing： Beijing Higher Education Press，2001：121-124.