数据挖掘技术应用论文范文3篇

来源：期刊VIP网 时间：

---

篇(1)

　　[摘要]：电视台的网站是通过防火墙将内部网与外部网进行分隔，现在在WEB服务器与防火墙之间新设一台交流中心DB2服务器，在WEB服务器上通过链接到此服务器上，交流中心DB2服务器上安装DB2数据库，进行登录人员身份验证，并将各地区电视台和特约记者提交的新闻稿放入到数据库中，应用软件能对各种稿件进行分类处理，建立一个稿件数据库，各地区电视台和特约记者能随时查阅、下载。

　　[关键词]：数据仓库,数据挖掘技术,新闻中心

　　一、数据仓库(DW)

　　80年代初，W.H.Inmon在“记录系统”、“原子数据”和“决策支持系统”等专题研究报告中，提出了数据仓库或信息仓库的概念并给出了基本框架描述。按照Inmon的观点，数据仓库是面向主题的、集成的、非发散的、具有时间维的数据集合，用来服务于管理部门的分析和决策。数据仓库与传统事务数据库相比，主要有如下不同:

　　(1)数据仓库的第一个特征就是面向企业重要的主题，它是一种分析驱动面向主题的数据处理技术，而不是传统的事务驱动/面向应用的数据处理方式。例如事务数据库是针对诸如贷款、财务、工资、人事等功能和应用设计的，而数据仓库则主要针对诸如顾客、供应商、产品等主题而设计。数据仓库追求整体最优，服务于管理分析与决策。事务数据库追求单一的处理最优，服务于在线事务处理。

　　(2)数据仓库的另一个重要的特征就是其数据是集成化的，如一致的命名规则、一致的度量单位、一致的编码规则、一致的数据物理属性等。比如:在事务数据库中，时间的表示方法在应用A中为date (yymmdd )，在应用B中为date ( mmddyy )，那么导入数据仓库中后统一为date ( yymmdd ) 。这样保证了数据的可靠性与一致性。

　　(3)数据仓库中的数据不是一个时刻的数据，而是一个时间段的数据，这是数据仓库区别事务数据库的基本特征。事务数据库的数据对当前是“精确”的，而数据仓库中的数据对一个时间段来说都是“精确”的，故具有时间跨度性。

　　媒体论坛推荐：《视听界》是由中华人民共和国新闻出版总署、正式批准公开发行的优秀期刊。自创刊以来，以新观点、新方法、新材料为主题，坚持"期期精彩、篇篇可读"的理念。视听界内容详实、观点新颖、文章可读性强、信息量大，众多的栏目设置，视听界公认誉为具有业内影响力的杂志之一。视听界并获中国优秀期刊奖，现中国期刊网数据库全文收录期刊。

　　(4)面向应用的事务数据库的操作基于单个记录的插入、更新与删除，性能敏感、内容易变且无冗余，而面向主题的数据仓库系统的操作基于多个数据源数据的成批刷新，性能不敏感、内容可有冗余。

　　由此可以看出，数据仓库主要从历史的角度描述系统结构和状态的变化，它采用能够反映时间维特征的数据结构，将基于多个同质或异质事务数据库和外部信息作为数据源，经过提炼、加工、汇总和归一化处理，生成符合数据应用语义规范要求的数据集合，以满足企业多种复杂的信息需求和预测分析。

　　二、数据挖掘的技术含义

　　谈到数据挖掘，必须提到数据库中的知识发现(KDD： Knowledge Discovery in Databases)。关于KDD与Data Mining的关系，有许多不同的看法。我们可以从这些不同的观点中了解数据挖掘的技术含义。

　　(1) KDD看成数据挖掘的一个特例

　　既然数据挖掘系统可以在关系数据库、事务数据库、数据仓库、空间数据库(Spatial Database)、文本数据(Text Data)以及诸如WEB等多种数据组织形式中挖掘知识，那么数据库中的知识发现只是数据挖掘的一个方面。这是早期比较流行的观点，在许多文献可以看到这种说法。因此，从这个意义说，数据挖掘就是从数据库、数据仓库以及其它数据存储方式中挖掘有用知识的过程。这种描述强调了数据挖掘在源数据形式上的多样性。

　　(2) 数据挖掘是KDD过程的一个步骤

　　例如，在“知识发现1996国际会议” 上，许多学者建议对这两个名词加以区分[6]。核心思想是：KDD是从数据库中发现知识的全部过程，而Data Mining则是此全部过程的一个特定的、关键步骤。这种观点有它的合理性。虽然我们可以从数据仓库、WEB等源数据中挖掘知识，但是这些数据源都是和数据库技术相关的。数据仓库是由源数据库集成而来的，即使是像WEB这样的数据源恐怕也离不开数据库技术来组织和存储抽取的信息。因此KDD是一个更广义的范畴，它包括数据清洗、数据集成、数据选择、数据转换、数据挖掘、模式生成及评估等一系列步骤。这样，我们可以把KDD看作是一些基本功能构件的系统化协同工作系统，而数据挖掘则是这个系统中的一个关键的部分。源数据经过清洗和转换等成为适合于挖掘的数据集，数据挖掘在这种具有固定形式的数据集上完成知识的提炼，最后以合适的知识模式用于进一步分析决策工作。从这种狭义的观点上，我们可以定义数据挖掘是从特定形式的数据集中提炼知识的过程。数据挖掘作为KDD的一个重要步骤看待，可以使我们更容易聚焦研究重点，有效解决问题。目前，人们在数据挖掘算法的研究上，基本属于这样的范畴。

　　(3)KDD与Data Mining含义相同

　　有些人认为，KDD与Data Mining只是叫法不一样，它们的含义基本相同。事实上，在现今的文献中，许多场合，如技术综述等，这两个术语仍然不加区分地使用着。也有人说，KDD在人工智能界更流行;Data Mining在数据库界使用更多。所以，从广义的观点，数据挖掘是从大型数据集(可能是不完全的、有噪声的、不确定性的、各种存储形式的)中，挖掘隐含在其中的、人们事先不知道的、对决策有用的知识的过程。

　　从上面的描述中可以看出，数据挖掘概念可以在不同的技术层面上来理解，但是其核心仍然是从数据中挖掘知识。所以，有人说叫知识挖掘更合适。本文使用数据挖掘的狭义定义。

　　三、新闻中心数据仓库设计

　　新闻中心信息交流系统是要在电视台网站下建立一个新闻信息交流中心。各地区电视台和特约记者通过Internet访问该新闻交流网站，通过身份认证进入交流中心，可以利用该中心提交新闻稿，查看其它地方台的稿件、采访计划，进行新闻交流，并查看省台串联单信息。电视台新闻部可以通过该中心进行约稿，公布约稿情况。

　　由于安全需要，各地区电视台和特约记者不能直接进入到新闻部的服务器，而新闻部又必须能取得上传的新闻稿，所以我设计了如下的系统结构:

　　WEB服务器

　　交流中心DB2服务器

　　防火墙

　　新闻部DB2服务器

　　电视台服务器

　　防火墙能防止登录人员进入到电视台内部网中，而让新闻部DB2服务器对交流中心DB2服务器进行访问，这样，新闻部就能及时地将各地区电视台和特约记者提交的稿件取出并存入本地的DB2数据中，并能将约稿要求写入交流中心DB2数据库中，由登录用户提取。

　　四、新闻中心系统数据挖掘

　　随着电视台信息化过程的日益完善，提供更为详细和智能的决策支持则成为目前信息化的主要目标。浙江电视台信息中心数据仓库的建成，就为电视台进一步的信息挖掘提供了可能。我们在这个数据仓库的基础上，建立了关联规则挖掘模型和判定树归纳分类模型，并利用最小二乘法建立新闻稿件数量预测模型。尽管由于时间关系没有具体实现，但为今后的研究和实施打下了良好的基础。

　　新闻中心内部数据库比较庞大，新闻种类很多，这些新闻种类之间有没有什么联系呢，工作人员查阅审批这些新闻工作量很大，如果我们能找出各新闻种类之间的联系，就可以把相关内容的新闻归为一类，派一个人管理，提高工作效率。而且，若我们知道了某类新闻是当前的热点，那我们就可以挖掘与这类新闻关联的新闻，多报道一些相关联的新闻，同样能提高收视率。要做到这些，就要使用关联规则的挖掘。

　　定义：包含k个项的项集称为k项集。项集得出现频率是包含项集的事务数，简称为项集的频率、支持计数或计数。如果项集满足最小支持度，则称它为频繁项集(frequent itemset )。 频繁k项集的集合通常记为Fk。

　　Apriozi性质:频繁项集的所有非空子集都必须是频繁的。如果项集F不满足最小支持度阀值min_sup，则F不是频繁的，即P (F)

　　(1)连接：为了通过Fk-1，找到Fk，先把Fk-1与自己连接产生候选k项集的集合，记为Ck。设L1和L2是Fk-1中的项集。记号Li[j]表示Li的第j项。执行连接Fk-1>< Fk-1，加果它们前(k-2)项相同，Fk-1是可连接的。连接L1和L2产生的结果项集是L1[1]L1[2]……L1[k-1]L2[k-1]。

　　(2)剪枝：Ck是Fk的超集，它的成员可以不是频繁的，但所有的频繁k项集都在Ck中。扫描数据库，确定Ck中每个候选的计数，从而确定Fk。然而，Ck可能很大，这样所涉及的计算量就很大。应用Apriori性质，如果一个候选k项集的(k-1)子集不在Fk-1,中，则该候选也不可能是频繁的，从而可以由Ck中删除。

　　Apriori的候选产生——检查算法大幅度压缩了候选项集的大小;并有很好的性能。但是，它还是有两种不可忽视的开销。

　　·它可能需要产生大量候选项集。新闻中心数据库有几万条记录，即>1万个频繁1项集，则Apriori算法需要产生多达100万个个候选2项集，并累计和检查它们的频繁性。

　　·它可能需要重复的扫描数据库，通过模式匹配检查一个很大的候选集合。为发现长度为100的频繁模式，如{a1,...,a100}，它必须产生多达几万亿个候选。

　　解决方法：将提供频繁项集的数据库压缩到一颗频繁树(F树)，但仍保留项集关联信息;然后，将这种压缩后的数据库分成一组条件数据库，每个关联一个频繁项，并分别挖掘每个数据库。

　　使用频繁模式增长方法，重新对例1的事务数据库进行挖掘。

　　数据库的第一次扫描与Apriori相同，导出频繁1项集集合，并得到它们的支持度计数。设最小支持度计数为2。结果集记为F。这样，F=[L2:7,L1:6,L3:6,L4:2,L5:2]。

　　构造FP树如下:首先，创建树的根结点，用“null”标记。第二次扫描数据库D。每个事务中的项按L中的次序处理(即按递减支持度计数排序)并对每个事务创建一个分支。例如，第一个事务“T100: L1, L2， L5”，按L的次序包含三个项{L2,L1,L5 }，导致构造树的第一个分支到<(L2:1),(L1:1),(L5:1)>。该分支具有三个节点，其中，L2作为根的子女连接，L1连接到L2，L5连接到L1。第二个事务T200按F的次序包含项L2和L4，它导致一个分支，其中，L2连接到根，L4连接到L2。然而，该分支应当与T100已经存在的路径共享前缀，这样，将节点L2的计数增加1，并创建一个新节点(L4: 1)，它作为(L2: 2 )的子女链接。一般，当为一个事务考虑增加分支时，沿共同前缀上的每个节点的计数增加1，为跟随在前缀之后的项创建节点并连接。

篇(2)

　　摘 要：随着时代进步，当前企业信息系统普遍面临的“数据爆炸”问题，要及时解决这类问题，同时还要解决“信息缺乏”问题，数据挖掘技术成为当前学术界和企业界研究的热点。本篇文章详细讨论了数据挖掘在电子商务中的数据资源、基本方法、体系结构以及典型应用。

　　关键词：数据采集;电子商务

　　一、电子商务中数据资源的数据挖掘

　　1.服务器数据

　　通过对此文件中存储的某些项目进行语法分析，例如DNS，就可以知道客户来源所在的地区，通过对域名www.msta.acjp进行分析，就可以知道客户来自哪里。在cookielogs中，HTTP协议本身就是非事务类型的，这一点在事务类型的电子商务中并不适用，这给电子商务带来了很多问题。使用cookie可以解决这个问题。Cookie是一个软体工件，它可以储存客户存取伺服器的资讯，存储有关cookie的服务器软件的这部分称为cookielogs。

　　2.客户注册信息

　　用户在网站上的相关信息，通过屏幕传送并进入服务器。在电子商务活动中，电子商务扮演着非常重要的角色，尤其是关于安全和限制客户访问的时间信息。为了提高数据挖掘的精确性和更好地理解客户，数据挖掘需要将客户注册信息集成到访问协议中[1]。

　　二、电子商务环境下数据挖掘的基本方法

　　1.路径分析

　　路径分析可用于确定访问频率最高的网站路径。另外，通过路径分析可以得到关于该路径的其它信息。举例来说，70%的客户访问/company/product2，但是用户会忽略它们。此外，通常情况下，客户并未从主页访问站点，而是从/company/products访问，所以最好的方法是在此页中包含有关产品目录类型的信息。另外还应规定客户在网站上的停留时间，因为顾客一般只在网站上浏览4个网页，所以他们可以把重要的产品信息放在这些网页上，利用路径分析，改善网页设计和网页结构。

　　2.关联规则发现

　　关联规则的发现是在电子商务中发现用户访问网站上各种文档之间的关系。国际人工智能公司这两个数据中，A【即(1，1，m)】和t【(14，n)】是数据库中相关数据的一组特征属性。假如我们使用关联规则技术，我们可以发现，如果一个客户访问某个页面/公司/产品时，他也访问该页面/公司/产品2。

　　3.连续模式的发现

　　连续模式分析侧重于数据之间的前因或因果关系分析，在顺序事务集中寻找“某些项目跟随其他项目”的内部事务模式。以/company/producti为例，假如在过去10天里，有60%的在线订购客户已经购买了/company/product2，同时，60%的在线订购计算机的客户将在两个月内订购打印机和纸张。通过这些数据，商家可以为客户群体提供更好地针对性服务。

　　4.分类规则的发现

　　分类规则简而言之就是先标记每个记录，也就是根据标记对记录进行分类。通过数据挖掘(例如Fazhan/company/productl)，假如在网上订购电子商务产品的客户中，60%是生活在大中城市的2岁左右的年轻人，经过分类，我们可以根据这类客户的特点进行经营活动，提供针对性的个性化信息服务[2]。

　　5.聚类分析结果表明

　　聚类分析方法的输入集不同于分类规则方法的输入集，聚类分析方法的输入集是一组未标定的记录集。通过将有相似浏览行为的顾客聚类，使管理者能够更好地了解顾客，为顾客提供更合适、更满意的服务。一些客户是否经常浏览相关信息。在这段时间里，真实和电子产品经常出现，通过分析，这些顾客都聚集在一个群体中，我们可以知道这群顾客的需求是什么。服务对象要与其他群组客户区分开来，如“大学生群体”和“白领群体”。这样，web就能自动将新产品信息电子邮件发送到这一特定客户群体，并为这一客户群体动态地更改专门网站。从某种程度上说，满足客户需求，对客户和销售者来说更有意义。

　　三、电子商务数据挖掘的架构

　　因为电子商务数据挖掘可以把那些复杂的数据以及结果直接转变成方便理解的信息，因此，要真正发挥电子商务的效率，除了要充分利用和合理选择前面提到的基本方法以及常用的工具外，还必须将办公处理阶段的数据存储在数据库中，并与电子商务行为有机地结合起来，通过图片可以看出，在电子商务中，数据挖掘的体系结构是由商务数据的定义、客户交互以及分析处理三个主要部分组成的。

　　1.企业数据定义

　　本节中，客户会通过自身需求来给出数据。这些数据包括了很多内容，如商品信息(产品、产品分类、价格)、内容信息(网页图片和多媒体)以及活动，这些都是收集和处理数据的关键因素。

　　2.顾客互动

　　本节介绍顾客与电子商务的互动行为，这种互动可能发生在网站的许多领域，例如客户服务和交流应用程序。为有效地挖掘这些数据源，数据收集不只是销售记录数据，还包括其他客户行为、網站浏览网页等。

　　3.分析与处理

　　此环节运用了大数据的统计、数据挖掘算法、可视化工具和OLAP工具，建立了交互决策支持环境，该部分是系统的最后一部分。

　　四、数据挖掘技术的应用

　　1.寻找潜在客户

　　潜在客户的挖掘第一步则是对客户群体进行分类，有“visitorOlace”和“visitoregular”，对商家来说，从网络上的分类中可以看出，通过对已被分类的客户和老客户的部分公共描述，新客户被准确地分类，新客户分类之后要对他们进行判断，即判断他们是有兴趣还是无兴趣的客户群，决定新客户是否是潜在客户，一旦确定了客户的类型，就可以向客户展示网页的内容，而网页的内容则是客户与销售商之间的关系，取决于所提供产品和服务的相关规则。

　　使用这些规则，对于新客户来说，需要花一些时间浏览市场网站，如果来自于上面的域名jp或m，那么该客户可以被看作是潜在客户，接下来只需要向其显示关于jp或Ils的页面内容即可[3]。

　　2.改善网站设计

　　网页内容的排列和连接方式就像超市货架上的商品。将相关文章组合起来，给予一定的支持和信任，有助于销售人员发现因特网上的关联规则，从而动态地适应客户网站的结构，使客户能够访问的连接文件之间的连接更加直接，客户可以轻松地访问他们可能访问的页面，如果网站非常方便浏览，就可以给客户留下好的印象，增加下次访问的可能性。

　　3.客户群

　　客户群为e-商业型。分析这类顾客的共同特点，电子商务组织方就能更好地了解他们的顾客，为顾客提供更加适合他们的服务。假如有些客户花些时间在“婴儿玩具”和“婴儿退货”页面上进行分析，把这些客户组合起来，根据收集到的信息，销售者可能知道这是一个“准父母”客户。因此要及时调整页面和页面内容，使商业活动与客户需求保持一致，让商业活动对客户和销售商更有意义。

　　五、结束语

　　在机器学习的基础上发展起来的数据挖掘技术，虽然已经有十几年的历史，但是在实际应用中还存在着许多问题，主要是系统结构和典型应用方面的问题，但是在电子商务环境下，数据挖掘技术仍存在着许多亟待解决的问题。比如，在不同国家或地区存储网络数据的不一致性，以及利用数据挖掘技术，利用动态数据库、对象数据库、多媒体等，另外还要进行抽取规则的准确性和时效性，数据的安全性，隐私性等方面的研究。

　　参考文献

　　[1] 刘绍君，刘宇为.数据挖掘技术在校园电子商务中的应用探索[J].南方农机，2020，v.51;No.348(08)：217+226.

　　[2] 高艳敏.分析数据挖掘技术运用于电子商务中的对策[J].电子世界，2020(15).

　　[3] 赵书慧.电商市场中大数据挖掘的分析以及决策探究[J].中国新通信，2020(12

　　推荐阅读：电子商务世界机械工程师论文投稿

篇(3)

　　[摘 要]数据挖掘技术已经成为医疗产业发展的重要组成部分，提高了医院的医疗水平。文章通过对数据挖掘技术在医院信息分析中的应用过程，研究其在医院信息分析中的应用，以期优化医疗资源，提高医院的服务质量。

　　[关键词]数据挖掘;医院信息分析;医疗产业

　　1 数据挖掘技术的概念

　　数据挖掘技术是一种数据处理的技术，是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中、人们事先不知道又潜在有用信息和知识的过程[1]。

　　2 数据挖掘技术在医院信息分析的应用过程

　　(1)确定挖掘对象。在进行数据挖掘的过程中最先应该明确挖掘的目标，确认挖掘的对象，虽然不能预测数据挖掘的最终结果，但是要有预见性，为进行数据挖掘而挖掘数据。

　　(2)准备数据。在选择数据前，要搜索出全部合适的进行挖掘的数据。在选择时，要挑选出重要的数据源，来满足数据挖掘的需要。并在选择数据后，采用数据的预处理对所挖掘的数据进行净化，处理数据中冗余缺失的信息，来保证挖掘模型的完好性。在明确挖掘对象之后，需要在与挖掘对象有关的内部外部的数据中搜索适合挖掘的数据。在选择数据的过程中，要根据数据挖掘需要，区分数据挖掘中哪些数据源是重要的数据，来保证挖掘适合的数据应用。

　　(3)建立模型。建立模型是数据挖掘算法的关键步骤，在挖掘过程中的关键是将准备好的数据进行转化，它被转化为适合挖掘算法的分析模型。该模型是从数据分析构建的，首先选择模型的变量，其次从原始数据构建新的预测，再次从数据中选择子集或样本来构建模型，最后进行变量转换和更改变量，与其所构建模型的算法一致[2]。

　　(4)数据挖掘。对所得到的经过转化的数据进行挖掘，一般由挖掘工具自动完成。

　　(5)分析结果。结果分析是数据挖掘的一个重要环节，在数据挖掘的结果出现后，利用可视化技术将结果显示得更加清晰，并对其进行解释和评估，更加有利于达到预期的目标。

　　(6)知识应用。在数据挖掘的结果得到管理人员的认可后，才可以进行实际的应用。并将挖掘所得到的结果充分运用到信息系统当中，才能够有效地应用在实际的管理上，应用在医院工作中。将数据挖掘结果与医学知识相结合，选择最佳模型，评估并获得新知识。将知识应用于医学研究和医院管理，发挥主导作用[3]。

　　3 数据挖掘技术在医院信息分析中的应用

　　(1)分析病人费用构成。国家对药占比有着严格的要求，如何确定该部门发出的处方是否超过药物的百分比。这需要在数据仓库内进行一段时间的分析，包括手术、治疗和医院检测的费用。分析每位患者的成本结构，并有针对性地管理成本，让患者的费用构成比例更加合理，有效控制医院的药占比。

　　(2)分析同期费用对比。该功能比较和分析各部门或地区在不同时间维度的各种费用，以各种专业报告和观点的形式向医院管理者报告，以及收入增加或减少的原因。例如，在各个部门和病房中，药物恢复时间的趋势在过去五年中已经改变，并且需要改变原因，促进有利因素和减少不良因素。

　　(3)分析病人整体结构。分析住院门诊住院患者的区域分布、性别分布、身份分布、职业分布、年龄分布等，以及来自不同地区、性别、年龄、身份和职业的患者。有关医院管理人员的信息，对经济状况的了解，所需的主要医疗服务类型以及患者差异对医院收入的影响。可以针对不同类型的患者采取若干措施以改善服务质量，增加门诊病人和住院人数[4]。

　　(4)分析医疗工作量影响因素。医疗工作量的一个重要指标就是收治的患者量，针对不同的情况来有效地分析医疗工作的影响因素，其主要目的是找出其中最主要的原因，更有根据地进行管理和决策，通过数据挖掘对院内整体患者量进行分析，提高医院的经济效益和社会效益。

　　(5)分析病人就诊时间。为了合理配置医疗设施，对人力资源进行合理配置，可以充分利用病人发病存在季节性的特征，利用数据仓库分析每个月门诊人数、住院人数、病床周转率。建立一个灰色预测模型，通过数据挖掘来预测下一时期的门诊和住院病人就诊[5]。根据预测信息，医院管理人员可以采取适当的措施，以确定决定结束或开发医疗服务项目的最佳服务项目时间表。

　　(6)分析科室的综合评价。运用数据挖掘技术在数据仓库中对医院的各个科室针对临床工作的效率、临床诊疗的质量、综合管理水平等方面的分析与評估，找到存在的问题，采取有效措施，提升科室的总体水平。

　　(7)分析效益成本。该功能汇集来自数据仓库中的各种系统，例如财务系统、仓储系统、采购系统等数据，真实地了解医院运营状况，以及提高医院经济效益的医院费用，全面分析利益状况[6]。例如：通过分析减少药物库存量并加速资金周转分析每种药物库存的时间动态，医院中的各种药物，对医院资金运作进行财务分析，了解医院财务状况和资金流，并在数据挖掘中使用基于循环和固定的比率方法，分析医院资金的增长率，曲线拟合用于预测未来现金需求，这为促进投入决策和有效资源分配提供了基础。

　　(8)分析医护人员信息。数据挖掘技术的关键步骤是数据的预处理，收集的数据庞大，所以需要经过预处理，通过数据的预处理，记录每名医务人员的学历、职称、经历等相关工作信息，可以针对每个医院不同的情况来制定对医务工作者的评价标准，把患者所选择的评价进行汇总并转换为每名医务工作者的评价分值，计算出总体分数，这样能快速提高医疗服务的整体水平，有效提升整体的医疗服务水平[7]。

　　4 展望

　　数据挖掘技术在医院信息系统中发挥着重要作用，不仅可以提高医院服务质量，还可以提高医院的科研水平和医院效率[8]。随着我国医疗产业不断扩大，必须充分利用数据挖掘在医院信息管理中的优势，医疗服务会更加智能化、人性化，医疗数据信息会更加多样化、全面化。相信数据挖掘的未来以及实用价值将会有更广阔的前景，促进我国医疗产业的发展。

　　参考文献：

　　[1]韩春阳.数据挖掘技术在医院信息管理中的应用分析研究[J].电子制作，2014(6)：28-29.

　　[2]李文萱.数据挖掘技术在医院信息系统中的应用研究[J].中国管理信息化，2018(4)：78-79.

　　[3]唐杰.数据挖掘在医院信息化管理中的应用[J].网络与信息工程，2016(16)：98-99.

　　[4]曾雪峰.计算机数据挖掘技术开发及其在档案信息管理中的运用研究[J].科技创新与应用，2016(9)：98-99.

　　[5]陈郁韩.数据挖掘技术在医院管理中的应用[J].中国医学装备，2014(11)：18-19.

　　[6]梁雪霆.数据挖掘技术的计算机网络病毒防御技术研究[J].科技经济市场，2016(1)：102-103.

　　[7]石海波.数据挖掘技术分析医院信息管理[J].信息与电脑，2015(4)：44-45.

　　[8]崔柔刚.数据挖掘技术在医院信息管理中的应用[J].安徽水利水电职业技术学院学报，2014(1)：102-103.

　　作者：于慧

　　推荐阅读：基于大数据技术的智能文献采访模式探析