作者针对高维稀疏数据挖掘问题，从数据预处理的角度，研究对象—属性空间的划分问题，其目的是把所研究的数据挖掘空间分解为若干规模较小的对象—属性空间，从而降低实际数据挖掘的难度。本书针对高维稀疏数据挖掘问题，以降低数据挖掘规模，建立了体系完整的数据预处理理论和方法，具有很强的理论意义和实际应用前景。
祝琴，女，南昌大学工业自动化专业本科毕业；南昌大学控制理论与控制专业硕士毕业；北京科技大学管理科学与工程专业博士毕业并获博士学位。现为南昌大学管理学院副教授，主要从事管理科学与工程专业的教学与科研工作。
第1章 引言／1
第2章 文献综述／5
2.1 知识发现与数据挖掘／5
2.2 聚类分析／13
2.3 数据挖掘所面临的挑战／24
2.4 高维数据／27
2.5 维度约简／31
2.6 高维数据聚类／38
2.7 本章小结／43
第3章 基于排序的高属性维稀疏数据聚类方法／44
3.1 高维稀疏数据／44
3.2 高属性维聚类问题描述／47
3.3 经典高属性维稀疏数据聚类CABOSFV方法分析／54
3.4 基于排序的CABOSFV方法——CABOSFVABS方法／59
3.5 本章小结／68
第4章 对象—属性空间分割的两阶段联合聚类方法／70
4.1 具有高维稀疏特征的对象—属性空间分割问题的提法／70
4.2 传统对象—属性空间分割方法基于内聚度方法／71
4.3 联合聚类方法／75
4.4 两阶段联合聚类方法（MTPCCA）／86
4.5 本章小结／96
第5章 对象—属性子空间重叠区域的归属问题／98
5.1 问题描述及相关研究工作／98
5.2 对象—属性子空间的边缘重叠区域归属方法——OASEDA方法／108
5.3 本章小结／126
第6章 对象—属性子空间优化／128
6.1 高维稀疏特征的对象—属性非关联子空间／130
6.2 剔除非关联子空间RNASAUBSC方法／131
6.3 RNASAUBSC方法算例／136
6.4 RNASAUBSC方法应用／138
6.5 本章小结／141
第7章 结论／142
参考文献／145
后 记／165
图目录
图1-1 本书结构图／4
图2-1 数据库知识发现的过程图／6
图2-2 聚结型层次聚类和分解型层次聚类法的比较／17
图2-3 高维数据聚类方法的分类图／39
图3-1 CABOSFV聚类方法的两层结构图／58
图4-1 传统聚类与联合聚类／76
图4-2 行和列均独立的联合聚类／78
图4-3 格子结构的独立联合聚类／79
图4-4 独立行的联合聚类／79
图4-5 独立列的联合聚类／80
图4-6 树型的没有重叠独立的联合聚类／80
图4-7 没有独立、没有重叠的联合聚类／81
图4-8 层次结构重叠的联合聚类／81
图4-9 6个对象10种属性的对象—属性空间图／90
图4-10 **阶段聚类分割后的对象—属性空间图／92
图4-11 两阶段联合聚类识别的对象—属性子空间图／92
图4-12 30个对象、45种属性的对象—属性空间图／95
图4-13 基于内聚度分割方法识别的对象—属性子空间图／95
图4-14 基于MTPCCA方法识别的对象—属性子空间图／96
图5-1 子空间中的交叉重叠区域图／99
图5-2 交叉重叠区域中零属性值现象／99
图5-3 聚类边界不准现象／100
图5-4 扩展1/2网格图／104
图5-5 同位置点距离计算情况图／104
图5-6 聚类边界点、噪声、孤立点图／104
图5-7 边界效应引起聚类效果不好图／107
图5-8 受力分析图／109
图5-9 子空间的交叉重叠区域分块图／116
图5-10 8个对象、10种属性的对象—属性空间图／121
图5-11 MTPCCA方法识别的对象—属性子空间图（一）／121
图5-12 8个对象、10种属性的对象—属性子空间图／122
图5-13 26个客户订购45种产品的对象—属性空间图／124
图5-14 MTPCCA方法识别的对象—属性子空间图（二）／125
图5-15 根据OASEDA方法得出的对象—属性子空间图／126
图6-1 8个对象、10种属性对应的对象—属性子空间图／129
图6-2 对象—属性稀疏子空间图／130
图6-3 对象—属性非关联子空间图／132
图6-4 RNASAUBSC方法运算过程图／133
图6-5 4个对象、5种属性对象—属性空间的优化过程图／135
图6-6 30个对象、45种属性的对象—属性子空间图／137
图6-7 30个对象、45种属性优化后的对象—属性子空间图／137
图6-8 8个客户订购10种产品的对象—属性子空间图／140
图6-9 对象—属性子空间C的优化过程图／140
表目录
表3-1 高维稀疏数据／46
表3-2 高维稀疏的数据归一化／46
表3-3 高维稀疏二态数据表／47
表3-4 二态变量取值统计／49
表3-5 对象数据例表／51
表3-6 分类变量转化为不对称二态变量／52
表3-7 6个客户订购8种产品的稀疏特征表／55
表3-8 6个客户订购8种产品情况的压缩存储／57
表3-9 15个客户对48种产品的订购情况／64
表3-10 CABOSFV方法聚类结果／65
表3-11 CABOSFVABS方法聚类结果／67
表4-1 所包含的数值都相等的联合聚类／76
表4-2 同列包含数值相等的联合聚类／77
表4-3 同行包含数值相等的联合聚类／77
表4-4 加法模型／77
表4-5 乘法模型／77
表4-6 演变趋势一致的联合聚类／78
表4-7 8个客户订购10种产品的稀疏特征表（一）／89
表4-8 8个客户订购10种产品的压缩存储表／89
表4-9 30个对象、45种属性取值的情况表／93
表5-1 8个客户订购10种产品的情况表／119
表5-2 8个客户订购10种产品的归一化结果表／120
表5-3 8个客户订购10种产品的稀疏特征值表／120
表5-4 26个客户订购45种产品的情况／123
表6-1 8个客户订购10种产品的稀疏特征表（二）／129
表6-2 2个客户订购7种产品的稀疏特征表／133
表6-3 4个客户订购5种产品的稀疏特征表／134
表6-4 8个客户订购10种产品的统计表／138
表6-5 8个客户订购10种产品数量归一化的数据表／139
表6-6 8个客户订购10种产品的稀疏特征表（三）／139
书单推荐
