國際數據挖掘研究熱點與前沿可視化分析

趙蓉英 余波

〔摘 要〕為全面了解國際圖書情報學數據挖掘領域的研究熱點和前沿趨勢，以Web of Science數據庫收錄的2007-2016年數據領域的文獻數據為研究對象，通過CiteSpace軟件，結合文獻計量學和可視化方法，從年度分布、期刊分布、研究力量分布、重要文獻、研究熱點以及前沿等方面進行分析。研究發現，國際數據挖掘研究出現了網絡與計算機技術、數據挖掘方法、數據挖掘與管理、數據挖掘與應用四大聚類。研究前沿探測出3個發展時期，每個時期的熱點都有特色。根據上述研究繪制該領域知識圖譜，對國際數據挖掘的研究現狀和發展趨勢進行分析和總結，為我國數據挖掘研究提供參考。

〔關鍵詞〕數據挖掘；熱點；前沿；可視化分析；知識圖譜

DOI：10.3969/j.issn.1008-0821.2018.06.020

〔中圖分類號〕G250.252 〔文獻標識碼〕A 〔文章編號〕1008-0821（2018）06-0128-10

〔Abstract〕In order to understand the progress of Date Mining research，published articles on Date Mining during 2007-2016，which were recorded in the database of WOS，were chosen to be analyzed in this paper.By applying the method of bibliometric and Visualization，the paper analyzed the research status in this area according to the time，journals，disciplines，the research power，important literatures，research focus and frontiers through Cite Space.The study found that there are four clusters of international data mining research：network and computer technology，data mining method，data mining and management，data mining and application.Research front detected three development periods，each period had its own hot spots.Based on the knowledge map，the research status and development of international Date Mining were analyzed and summarized，which in order to provide reference for the researching about the Date Mining in our country.

〔Key words〕data mining；hotspot；frontier；visualization analysis；knowledge mapping

隨著計算機軟件、硬件技術、數據搜集以及數據存儲技術的高速發展，數據庫應用的規模不斷增加，大量的數據和信息給人們帶來了數據過剩、信息爆炸、信息安全、信息不對稱等現象。目前人們如何從海量的信息中獲取有價值的知識和信息成了一種挑戰。數據挖掘正是在這種挑戰中應運而生的，并在不同領域得到了廣泛的應用。人們對數據挖掘的開發、應用和研究興趣主要源于超大規模數據庫的出現、先進的計算機技術、對海量數據庫的快速反應和統計方法在數據處理中的應用[1]。

國內外學者對數據挖掘研究開展了較廣泛的研究，這些研究主要集中在某一主題或一些應用領域。如Guizani S利用移動數據挖掘的K-Means集群安全框架，提出了一種能夠收集信息并實時生成警報的系統框架，以確定該方案的有效性和準確性[2]；Sumba X使用語義和數據挖掘技術檢測類似的知識領域，提出了一種新的架構，通過本體、詞匯表和關聯數據技術的結合，確定共同的研究領域和潛在的協作網絡，從而豐富一個基礎數據模型[3]；Keramati A利用數據挖掘技術，從組織數據庫中收集數據，認為數據挖掘為從海量數據中提取知識提供了強大的工具，最后通過應用決策樹技術構建了預測模型[4]；Khalkhali HR通過分類和回歸樹（CART）應用于乳腺癌數據庫，通過十倍交叉驗證實驗，測量了回歸樹的大小的分類誤差，建立模型準確性、敏感性和特異性的性能評價標準[5]。宋韜等分析了基于數據倉庫的數據挖掘技術，對數據挖掘在稅務稽查中的應用進行了探討，認為在稅務稽查選案中應用人工神經網絡來實現稽查選案[6]。石冰等介紹了信息檢索中的數據挖掘技術，結合挖掘過程重點討論了基于知識規則挖掘的分類方法，并以關聯規則發現算法為例探討了數據挖掘在數據庫系統中的使用[7]。朱麗萍等匯總了網嵊泗縣供電公司各生產專業數據，形成“生產經營統計一套表”，運用數據挖掘進行全面分析，探討了數據挖掘對生產經營管理和綜合計劃統籌及電網科學發展[8]。目前，國內對數據挖掘領域的計量文獻研究較少，鑒于此，本文基于采用文獻計量學和可視化分析方法，對國際數據挖掘研究領域的現狀和趨勢進行了多角度計量和可視化展示，以期為相關領域的研究人員提供參考。

1 數據來源與研究方法

1.1 數據來源

本研究選擇Web of Science數據庫為數據來源，檢索策略為主題=“Data Mining”進行檢索（檢索時間：2017年12月2日），學科限定在圖書情報學。檢索年限為2007-2016年。共獲取535篇有效論文作為本文的數據樣本。

1.2 研究方法

本文主要采用最新的CiteSpace 5.1可視化軟件，利用文獻計量分析方法，從文獻的年代分布、期刊、研究力量分布、重要文獻、研究熱點及前沿等方面進行多角度計量與可視化展示，從而全面地展現國際數據挖掘領域的研究熱點方向以及發展現狀。

2 研究結果分析

2.1 年度分布

文獻的年度變化趨勢與文獻知識量的增長有著較為密切的關系，能揭示該領域研究發展趨勢。因此，文獻的數量是衡量文獻研究熱點的重要指標之一[9]。通過分析國外近10年數據挖掘研究領域的文獻數量，可大致分析出該領域文獻的應用程度，進一步較全面地掌握國外數據挖掘研究領域的發展速度和理論水平。如圖1所示，從圖中可看出，2007-2016年間，國外有關數據挖掘的研究文獻增長趨勢大致可分為3個階段：第一階段為2007-2010年，該階段是數據挖掘研究正由高峰時期開始轉向下降趨勢，2007年發文量高達71篇，占總發文量的13.2%，到2010年下降至42篇，表明該階段數據挖掘研究的熱度開始減弱；第二階段2011-2013年為緩慢發展時期，2011年發現發文量降到了最低，僅為32篇，占發文總量的5.98%，從2012年開始，該領域發文量再次開始增長，在一定的范圍波動，總體發文量較穩定；第三階段2014-2016年為持續發展時期，發文量從46篇增至67篇，2016年總發文量占比12.52%和2007年占比13.2%比較接近，這充分表明了近年對數據挖掘的研究熱度再次升溫，發文量上升趨勢顯著。文獻量變化的趨勢可能與數據開發和利用的政策有關，也可能與信息、網絡和計算機技術的發展有關。

2.2 期刊分布

大部分文獻期刊在刊載文獻時，都有各自期刊載文的側重點，即不同的期刊有不同的刊載領域。考察某一學科領域研究文獻的來源期刊，有利于進一步了解該領域文獻的空間分布現狀，對開展該領域文獻調研也具有重要意義。為此，在軟件中選取Cited Journal為分析對象，在Cite Space中設置一定的閾值，運行Citespace軟件得到數據挖掘領域共現圖譜，如圖2所示。表1中展示的是數據挖掘研究領域的高被引期刊。從頻次上看，該領域高被引期刊最高的是LECT NOTES COMPUT SC，高達91次，其次是COMMUN ACM（76次）、EXPERT SYST APPL（74次）、DECIS SUPPORT SYST（65次）和INFORM PROCESS MANAG（63次）等。

通過節點的中心性可以衡量網絡中不同位置的節點的重要性[10]。基于此，對該領域的高被引頻次頻次>20期刊和中心性較高的期刊進行了統計，表1所示。上述高被引期刊中有6個期刊的中心性大于0.1，分別是“DATA MIN KNOWL DISC”、“INFORM PROCESS MANAG”、“ACM COMPUT SURV”、“COMMUN ACM”、“MACH LEARN”、“IEEE T KNOWL DATA EN”，其中心性依次是0.2、0.18、0.18、0.16、0.14、0.11，這表明了這些期刊在數據挖掘領域是比較重要期刊，是該領域學術交流的重要載體，其載文質量較高，是該領域學者關注的焦點。同時，結合表和圖譜還發現信息科學領域的期刊對該領域的研究關注度最高。

2.3 研究力量分布

2.3.1 國家和地區分布

研究國家分布，我們可以快速地掌握不同國家和地區在該領域的研究實力情況。在軟件中選取Country為分析對象，在軟件中繪制數據挖掘研究領域的國家和地區分布圖譜，如圖3所示。

圖中的節點代表國家和地區，節點大小表示發文量的多少。從發文量來看，數據挖掘領域發文最多的國家是美國，發文高達201篇。其次是中國大陸發文106篇，位居第二。另外，數據挖掘領域高產的國家和地區還包括中國臺灣地區（37篇）、英格蘭（26篇）、西班牙（20篇）、德國（17篇）、加拿大（15篇）、韓國（14篇）、意大利（13篇）、法國（11篇），說明這些國家和地區對數據挖掘領域研究的關注度較高，并在該領域取得一定的研究成果。從中心度來看，數據挖掘領域中心度較高的國家有英國（0.41）、美國（0.24）、中國大陸（0.21）、中國臺灣地區（0.09）、意大利（0.09）等，這表明這些國家和地區在數據挖掘研究領域處于領先和主導地位。

節點之間的連線代表了國家和地區之間的合作情況，連線的粗細則說明了國家和地區之間的合作緊密情況。由圖3可知，在數據挖掘領域，合作較為密切的國家和地區主要是美國和英國等為主的歐洲國家和地區。同時，也說明了該領域之間國際之間的合作和交流較少，需要進一步加強以促進該領域研究的發展。

2.3.2 機構分布

通過研究機構分布情況，有利于掌握不同機構的研究重點和合作狀況。在軟件中選取Institution為分析對象，設置合適的閾值，運行軟件得到數據挖掘研究領域的機構分布圖譜（見圖4）。節點大小與該機構的發文量成正正比，節點之間的連線代表了機構之間的合作關系。

由圖4可知，數據挖掘領域研究機構數量眾多，但機構之間的合作較為稀疏，只有較少的機構之間存在合作關系。從中心性來看，圖中機構在網絡圖譜中的中心性均趨近0，表明機構間合作文獻較少，在整個網絡中的連接作用很小。從發文量來看，排名靠前的機構分別是Beijing Normal Univ、East China Jiaotong Univ、Gachon Univ、Bucharest Univ Econ Studies、Old Dominion Univ、Stanford Univ、Acad Econ Studies、Natl Univ Ireland Univ Coll Dublin、New Jersey Inst Technol、Virginia Tech。從機構類型來看，高校及科研院所是數據挖掘研究的主要力量，高校所占比重最大。其中在我國科研機構中，中國科學院及北京師范大學的發文量位居前列，表明這兩所院校在數據挖掘領域具有較強的科研實力。

2.4 作者分布

科學研究成果通常以科學論文等重要形式表現出來，在軟件中選取作者（Author）為分析對象，設置合適的閾值，運行軟件得到數據挖掘領域研究的作者分布圖譜，如圖5所示。圖中節點代表發文作者，節點大小代表作者的發文量，節點越大，表明該作者發文量越多。節點之間的連線代表作者之間存在合作關系。

由圖5可知，數據挖掘研究領域發文量位居前10的作者分別是Chen Y（4篇）、Li N（4篇）、Kim C（3篇）、Dan Z（2篇）、Zhang D（2篇）、Li XM（2篇）、Ji ZH（2篇）、Holzinger A（2篇）、Chalaris M（2篇）、Tzima FA（2篇）。從合作角度看，該領域作者之間的合作相對比較分散，2～4人的小團體較多。在這些作者中形成的最大的合作網絡是由Li N、Ji ZH等組成的4人網絡，這些學者主要涉及數據挖掘技術方面的研究。從中心性來看，圖中作者的中心性趨近為0，僅有Li N的中心性為0.01，這表明網絡中該作者處于核心地位。

2.5 引文分析

引文分析是文獻計量學的重要組成部分之一，高被引論文對該領域的研究具有重要的價值和意義，也是該領域研究的基礎。通過Citespace軟件可分析文獻被引頻次的高低及其中心性，被引頻次的大小和中性度的高低能反映其文獻的影響力和價值。通常情況下，單篇文獻的被引頻次越高，說明該文獻在研究領域中的學術價值和影響力越大。節點文獻的中心性也體現文獻在學科領域的重要程度。在軟件中選取Cited Reference為分析對象，并選擇圖譜類型為聚類視圖，運用可視化軟件可得到數據挖掘研究文獻的共被引圖譜，共獲得有效期刊114種，如圖6所示。

選取被引頻次位居前列，且中心性均不低于1.0的文獻作為數據挖掘領域的重要文獻，共有3篇重要文獻，分別為DATA MINING PRACTICA、DATA MINING CONCEPTS和J COMPUT SCI-NETH。可見，這3種期刊在數據挖掘領域占有重要的地位。

通過對高被引期刊和文獻的研究，我們發現這些高被引文獻主要體現在數據挖掘的技術應用領域，如在數字圖書館領域，數據挖掘技術應用在數字圖書館推薦服務中，有效地利用有意義的信息來提高數字圖書館的服務質量是圖書館服務的重要目標，使用的數據挖掘過程關聯規則和聚類方法生成一個推薦系統促進數字圖書館服務；人工神經網絡（ANN）和數據挖掘（DM）技術是一個很好的方法來滿足圖書館用戶的需求[11]。在商業應用領域，商業智能（BI）是一個過程，對企業的業務操作、戰術和戰略有積極影響。BI在企業計算環節中，智能系統的部署使商業智能更有效[12]。在基于互聯網的電子商務環境中，大多數業務數據分布呈現異構和私有的特征，為了實現真正的商業智能，挖掘大量的分布式數據是必要的，通過分布式數據挖掘（DDM）電子商務系統，將現代DDM系統分為3類具有代表性的樣本解決這些識別問題[13]。基于此，可以體現出國外數據挖掘技術在各個領域的應用較為廣泛。

2.6 研究熱點探測

關鍵詞是對文章主題的高度概括和提煉，也是文章的核心和精髓。因此，高頻關鍵詞通常被用來確定某一個研究領域的熱點問題。運用可視化軟件Cite Space繪制數據挖掘領域的關鍵詞聚類知識圖譜，對熱點關鍵詞進行聚類分析來探測學科領域的研究熱點。在軟件中設定相應的參數，選擇探索關鍵詞的路徑算法（Pathfinder），Pathfinder是一種較小的生成樹算法，通過算法經過模型運算來剪切網絡中大部分不重要的關聯節點，只保留重要的關聯節點，保留所有原節點不動，從最大程度上將原網絡簡化為一個最小值網絡[14-15]。國際數據挖掘研究領域熱點聚類圖，如圖7所示。圖譜中每個節點代表對應的關鍵詞，節點越大說明關鍵詞頻次越大。表2是由Citespace統計得出的部分高頻關鍵詞和中心性較高的關鍵詞。

在圖7和表2，可以看出該領域出現頻次最高的關鍵詞是Data Mining（數據挖掘），頻次高達215次。高頻關鍵詞反映出的數據挖掘領域的研究熱點還包括System（系統）、Model（模型）、Classification（分類）、Big Data（大數據）、Algorithm（算法）、Text Mining（文本挖掘）、Information（信息）、Web（網絡）、Information Retrieval（信息檢索）、Clustering（聚類）、Neural Network（神經網絡）、Knowledge（知識）和Association Rule（關聯規則）等同時，從中心性角度來看，中心性大于0.06的關鍵詞包括Data Mining（數據挖掘）、System（系統）、Information（信息）、Model（模型）、Behavior（行為）、Text Mining（文本挖掘）、Algorithm（算法）、Classification（分類）和Network（網絡）等。將高頻關鍵詞與高中心性關鍵詞進行比較可知，兩者大體上保持一致，因此，可以確定這些關鍵詞在一定程度上能夠表示數據挖掘研究的熱點。

為了進一步更深層次地了解該領域的熱點研究，利用軟件繪制了該領域的聚類知識圖譜。通過數據挖掘領域聚類圖譜分析發現，國際數據挖掘研究主要有4大聚類：網絡與計算機技術、數據挖掘方法、數據挖掘與管理、數據挖掘與應用，對應圖中的A、B、C、D 4個聚類。可以看出國外數據挖掘對計算機技術及在不同領域的廣泛應用普及度較高。

2.6.1 網絡與計算機技術

A聚類是反映了網絡與計算機技術的熱點詞匯，包括Model（模型）、Network（網絡）、Database（數據庫）、Data Stream（數據流）、Web（網絡）、Twitter（推特）、Visualization（可視化）、Cluster Analysis（聚類分析）、Citation Analysis（引用分析）、Science（科學）、Machine Learning（機器學習）、Information（信息）等，這些熱點詞匯分別涵蓋了數據挖掘的基礎理論，互聯網和計算機技術是數據挖掘領域中必要的組成部分。隨著互聯網和計算機技術的普及，數據挖掘領域的可視化數據挖掘技術、數據庫和網站數據挖掘技術的發展越來越快。在大數據背景下，國外數據挖掘研究正在不斷的發展中。隨著互聯網技術的發展，業務數據的數量增加很快。知識提取與數據挖掘需使用分布式云計算之類的環境進行多個節點之間共享存儲和處理[16]。

2.6.2 數據挖掘方法

B聚類反映了不同的數據挖掘方法，包括Information Retrieval（信息檢索）、Text Mining（文本挖掘）、Knowledge Discovery（知識發現）、Spatial Data Mining（空間數據挖掘）、Social Network（社會網絡）等，這些關鍵詞表明了數據挖掘方法從不同的層面深入，挖掘更深層次的信息和知識。數據挖掘的目的與決策和用戶息息相關，在這個聚類中，我們還發現與之相關的關鍵詞，如Decision Tree（決策樹）、Strategy（決策）、User（用戶）、Behavior（行為）等關鍵詞。通過對以上聚類關鍵詞可以發現，國外數據挖掘方法在不斷地發展和創新，綜合考慮數據挖掘方法與模型和應用的關聯[17]。

2.6.3 數據挖掘與管理

C聚類反映了數據挖掘與管理相關的關鍵詞，包括Management（管理）、Knowledge（知識）、Digital Divide （數據分類）、Expert System（專家系統）、Information System（信息系統）、E-learning（學習管理）、Performance（績效）、Motivation（動力）、Knowledge Management（知識管理）、Neural Network（神經網絡）、Prediction（預測）、Impact（影響）、Framework（框架）等，這些熱點關鍵詞體現了與管理相關的各個方面，涵蓋了與管理相關的主要因素。國外數據挖掘與管理應用在體育知識管理中，在體育知識管理中發揮著重要的作用[18]。

2.6.4 數據挖掘與應用

D聚類反映了數據挖掘技術的應用層面，主要是大數據和云計算環境下與數據玩家相關的實踐應用層。包括Business Intelligence（商務智能）、Electronic Health Record（電子健康記錄、Digital Library （數字圖書館）、Big Data（大數據）、System（系統）、Classification（分類）、Cloud Computing（云計算）、Design（設計）、Feature Selection（特征選擇）、Association Rule（關聯規則）等，從這些熱點關鍵詞中能體現出國外數據挖掘在商業、醫療和數據圖書館領域應用較突出。在國外醫療應用領域，人們認為挖掘電子健康記錄數據就像發現金塊一樣，可見數據挖掘在醫學領域應用的重要性[19]。在圖書館應用領域，國外學者認為文本和數據挖掘是尋找埋藏知識的寶庫[20]。

2.7 研究前沿分析

研究某學科的前沿可及時掌握學科最新研究動態，且能預測學科的發展方向和未來研究的熱點問題。探測研究前沿可利用Cite Space軟件的膨脹詞探測算法，通過詞頻的時間分布，將詞頻的熱點從主題中探測出來，根據詞頻的變化趨勢，來探測該領域的研究前沿及其演化趨勢[21]。在參數設置選擇Keyword（關鍵詞）作為節點，通過調整相關參數，結果以Time Zone（時間區域）方式顯示，運行軟件繪制出國際數據挖掘研究領域的前沿與知識圖譜，如圖8所示。圖中的每一個結點代表一個熱點關鍵詞，結點大小表示關鍵詞出現頻次的高低。

表3列出了2007-2016年國際數據挖掘研究前沿術語及其頻次，結合圖8可知，該領域研究大致經歷了3個時期：即2007-2010年的繁榮期，2011-2013年的穩定探索期，2014-2016年的新一輪繁榮期。

2.7.1 數據挖掘的繁榮期（2007-2010年）

從表3和圖8中可以發現，大量的高頻關鍵詞集中于這個時期，如2007年，System（系統）、Classification（分類）、Algorithm（算法）、Text Mining（文本挖掘）等，到 2008年，Model（模式）、Information Retrieval（信息檢索）、Management（管理）、Knowledge（知識），2009年的熱點前沿詞為Information（信息）、Internet（因特網）、Ontology（本體）等；2010年Web（網絡）、Behavior（行為）、Prediction（預測）、Feature Selection（特性選擇）、User（用戶）；這一時期體現了國際挖掘領域技術與管理的完美結合。

2.7.2 數據挖掘的穩定探索期（2011-2013年）

這一時期熱點關鍵詞開始下降，說明該時期正在進行探索和創新階段。2011年為Network（網絡）、Framework（框架）、Impact（影響）、Data Analysis（數據分析）；2012年為Business Intelligence（商務智能）、Cluster Analysis（聚類分析）、Pattern（模型），2013年為Electronic Health Record（電子健康記錄）、Science（科學）、Twitter（推特）。這時期可以看出數據挖掘研究正在不同的領域探索其應用范圍。如商業領域和醫療領域。Patterncluster Analysis（聚類分析）、Expert System（專家系統）。

2.7.3 新一輪繁榮期（2014-2016年）

2014年為Big Data（大數據）、Retrieval（檢索）、Data Mining（大數據挖掘），2015年為Cloud Computing（云計算）、Discovery（發現）、Support（支持）、Technology（技術）；2016年為Time（時間）。這一時期受大數據、云計算的影響，數據挖掘的空間和廣度更大，導致再次繁榮和發展。

由以上熱點關鍵詞我們預測，該領域研究學者們在不斷探索新的技術與方法，將系統、算法、文本挖掘、商務智能、本體、云計算、可視化分析、空間計量等相關理論、技術和方法綜合應用到數據挖掘的開發和實踐中，以促進數據挖掘在不同領域的應用和發展。

3 結 語

本文選取了Web of Science數據庫中圖書情報學科收錄的數據挖掘研究領域相關文獻為數據來源，國際采用文獻計量學理論和可視化方法，利用可視化軟件Cite Space，以對2007-2016年國際數據挖掘領域研究現狀、熱點和前沿進行可視化分析，通過相關統計數據和知識圖譜得出以下結論：

1）通過文獻發文了解該領域發文趨勢和變化情況，得知國際數據挖掘領域的研究處于穩定和不斷的深入研究階段，在這些時期數據挖掘的發展也面臨著新的發展機遇和挑戰；通過期刊分布發現該領域的高被引期刊和高中心性期刊為《COMMUN ACM》；通過對研究力量分布可以發現該領域發文最多的國家是美國、中國大陸等國家；發文機構較多，但機構間的合作較少；另外，高校及科研院所是數據挖掘研究的主要力量，高校所占比重最大；通過對作者分析發現該領域作者合作度不高，作者分布較稀疏，表明作者之間的合作度有待進一步加強；通過引文分析可以發現，該領域高被引文獻的研究價值和意義及對該領域的貢獻。

2）在數據挖掘研究熱點探測中，國際數據挖掘熱點研究主要有：網絡與計算機技術、數據挖掘方法、數據挖掘與管理、數據挖掘與應用4大聚類。主要體現在理論、技術、方法和應用層面。數據挖掘技術、方法和應用都在不斷多深入和拓展，特別是在大數據環境下，數據挖掘技術正在不斷地發展和創新，其研究重點不局限于某個技術方法層面，而是與數據挖掘的管理和應用層完美結合。

3）通過對研究前沿分析，筆者發現國際圖書情報學科對數據挖掘研究在不斷地深入和加強。在時期研究前沿時區視圖上呈現3個階段，并且每個階段都體現出新的研究方向。

第一個時期是該領域的繁榮期，大量的熱點前沿都集中在這一時區，其中技術、管理是這一時期的熱點。第二個時期是穩定探索期，表明國外數據挖掘領域在不斷地探索該領域新的發展空間。第三個時期是新一輪的繁榮期，在大數據、互聯網和云計算等背景下，該領域研究正在醞釀一種新的研究浪潮。

以上的研究表明，國際數據挖掘熱點研究和研究前沿可視化分析對于我國的相關領域問題的研究具有重要的參考價值。從研究熱點趨勢而言，在大數據和互聯網技術背景下，數據挖掘涉及的領域在不斷地深入。同時，通過該領域的熱點研究前沿探測分析可以預測數據安全將成為未來數據挖掘領域人們越來越關注的焦點。此外，值得關注的是，我國數據挖掘領域的研究成果有待提升國際知名度和競爭力，加強國際科學技術交流與合作，從而提高我國數據挖掘研究領域的國際競爭力。

參考文獻

[1]蔣勝益.數據挖掘原理與實踐[M]，北京：電子工業出版社，2011：4-5.

[2]Guizani S.A K-Means Clustering-Based Security Framework for Mobile Data Mining[J].Wireless Communications & Mobile Computing，2016，16（18）：3449-3454.

[3]Sumba X.Detecting Similar Areas of Knowledge Using Semantic and Data Mining Technologies[J].Electronic Notes in Theoretical Computer Science，2016，329：149-167.

[4]Keramati A.Developing a Prediction Model for Customer Churn from Electronic Banking Services Using Data Mining[J].Efinancial Innovation，2016，2（1）：14-16.

[5]Khalkhali HR.Applying Data Mining Techniques to Extract Hidden Patterns about Breast Cancer Survival in an Iranian Cohort Study[J].Journal of Research in Health Sciences，2016，16（1）：31-35.

[6]宋韜，張琦，陳麗秋.數據挖掘及其在稅務系統中的應用[J].計算機工程，1997，（S1）：92-94.

[7]石冰，鄭燕峰.信息檢索中的數據挖掘技術[J].情報學報，1999，（S1）：108-111.

[8]朱麗萍，林淑英.數據挖掘在生產經營中的應用與實踐[J].企業管理，2016，（12）：288-289.

[9]邱均平.信息計量學[M].武漢：武漢大學出版社，2007：44-45.

[10]Chen Chaomei.CiteSpaceⅡ：Detecting and Visualizing Emerging Trends and Transient Patterns in Scientific Literature[J].Journal of the American Society for Information Science and Technology，2006，57（3）：359-377.

[11]Chen CC.Using Data Mining Technology to Provide a Recommendation Service in the Digital Library[J].Electronic Library，2007，25（6）：711-724.

[12]Zeng L.Business Intelligence in Enterprise Computing Environment[J].Information Technology & Management，2012，13（4）：297-310.

[13]Liu B.Distributed Data Mining for E-Business[J].Information Technology & Management，2011，12（2）：67-79.

[14]Borner K，Chen C，Boyack K.Visualizing Knowledge Domains[J].Annual Review of Information Science and Technology，2003，37：179-255.

[15]Chen C.Visualizing Scientific Paradigms：An Introduction[J].Journal of the American Society for Information Science and Technology，2003，54（5）：392-399.

[16]Dahmani D.Improving the Performance of Data Mining by Using Big Data in Cloud Environment[J].Journal of Information & Knowledge Management，2016，15（4）：12-19.

[17]Gilbert C.XML Data Mining：Models，Methods，and Applications[J].Australian Library Journal，2013，62（3）：252-253.

[18]Schumaker RP.Sports Knowledge Management and Data Mining[J].Annual Review of Information Science and Technology，2010，44（3）：115-157.

[19]Ohno-Machado L.Mining Electronic Health Record Data：Finding the Gold Nuggets[J].Journal of the American Medical Informatics Association，2015，22（5）：937-937.

[20]Dyas-Correia.Text and Data Mining：Searching for Buried Treasures[J].Serials Review，2014，40（3）：210-216.

[21]欒春娟，侯海燕，王賢文.國際科技政策研究熱點與前沿的可視化分析[J].科學學研究，2009，27（2）：240-243.

（責任編輯：孫國雷）