中国移动用户数据业务订购情况评估分析

1、南京财经大学本科毕业论文（设计）目 录一、引言（2009年中国移动发展的特点）1二、评估方法介绍1（一）聚类模型21.K-means 算法的工作过程说明22K-means算法的步骤2（二）逻辑回归预测模型31逻辑回归算法的优点32逻辑回归模型算法3（三）Apriori模型31关联规则的基本概念32Apriori算法的产生4三、数据准备与建模分析4（一）数据的预处理5（二）单维度分析5（三）聚类分析8（四）关联分析9（五）逻辑回归分析10四、模型总结和营销建议13参考文献14中国移动用户数据业务订购情况评估分析摘要：数据业务作为中国移动的主要收入来源，已经承担起越来越重要的角色，对移动公司当前及

2、下一步发展尤为重要；从竞争形势来看，同质化竞争愈演愈烈，异质化竞争逐步紧迫。为了了解中国移动用户数据业务的需求情况，为了数据业务更好地发展，本文以上海移动的用户订购来电提醒的数据作为研究对象，用基于统计分析的数据挖掘技术，利用Clementine软件，对数据进行简单评估，用逻辑回归算法、Apriori算法、聚类等分析，来找出来电提醒业务与其他数据业务之间的关系。这些关系可以为我们提供更好的营销方案，关注与之相关性较高的其他数据业务，以争取更多的业务订购量。关键词：数据挖掘技术；评估决策；逻辑回归算法；Apriori算法；聚类分析。The evaluation and analysis for

3、subscription of China Mobiles data serviceAbstract：As the main source of income, data services have played a more and more important role in China Mobile. For the current and next stage of development are particularly important; Judging from the competition situation, homogeneous competition becomes

4、 increasingly intense and heterogeneous competition becomes gradually pressing. In order to know more about users demand of data services, we use Shanghai Mobiles user data for the study, use calls to remind as the example, make use of data mining technology based on statistical analysis. Clementine

5、 software is a good tool to make a simple assessment of the data. Apriori algorithm, logic regression algorithm and K-means algorithm are use to identify calls to remind and other data services relationship. These relationships can provide us with better marketing programs; higher interest related t

6、o other data services and gain more business for your order.Keywords: data mining；logic regression algorithm；K-means algorithm analysis. 一、引言（2009年中国移动发展的特点）2009年在竞争加剧的情况下，中国移动数据及信息业务仍保持了快速增长，2009年半年报显示数据及信息业务收入比上年同期增长13.7%，对收入的拉动日益显着。（一）从发展趋势而言，数据及信息业务占比持续提升，空间巨大中国移动在总体经济形势不好的情况下，公司总收入增长8.9%，但是数据及信

7、息业务仍然呈现比较好的发展态势。2009年半年报显示，数据及信息业务的收入占比达28.1%，占收入增量的50%。数据及信息业务已经承担起越来越重要的角色，对公司当前及下一步发展尤为重要。从全球发展趋势来看，近年来数据及信息业务持续快速发展，收入占比屡创新高。中国移动上半年的数据及信息业务收入占比虽然达到28.1%，但是与国际一流运营商相比，还有很大差距，发展空间仍然很大。（二）从竞争形势来看，同质化竞争愈演愈烈，异质化竞争逐步紧迫今年上半年以来，同质化竞争愈演愈烈。中国电信和中国联通都不仅仅把目标停留在语音客户的增长，而是试图通过数据业务以较快的速度实现跨越性发展。与语音市场相比，未来的数据及

8、信息业务、互联网业务也将是非常激烈的战场，而且从某种意义上来说，这一轮关于数据及信息业务的竞争对后续的市场格局、对每一家运营商未来业务发展都关系重大。目前，中国移动对数据业务的营销渠道有：营业厅，手机短信群发和外呼，其中手机短信群发占了很大的比重。向对特定业务感兴趣、有订购欲望的用户营销，效果远比随机抽取的用户好。所以，怎样从海量数据中筛选出准确的用户数据，提取出相应的规则，则是更好的进行营销工作的前提和重要保证。二、评估方法介绍 数据挖掘是随着数据库和人工智能发展起来的一门新兴的数据库技术, 数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不

9、知道的、但又是潜在有用的信息和知识的过程。它可以帮助企业对数据进行微观、中观乃至宏观的统计、分析、综合和推理，从而利用已有数据预测未来，帮助企业赢得竞争优势。本文中将以中国移动数据业务中的来电提醒为例，用数据挖掘的方法，通过统计分析、建立模型的方法，对其做单维度和多维度的分析。首先，先对本文将涉及到的算法做一个简单介绍。（一）聚类模型K-means算法是基于质心的算法，接受输入量 k ；然后将n个数据对象划分为 k个聚类，以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。1.K-

10、means 算法的工作过程说明首先从n个数据对象任意选择 k 个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。2K-means算法的步骤Step1：任意选择k个对象作为初始的簇中心；Step2：重复这个过程；Step3：根据与每个中心的距离，将每个对象赋给最近的簇；Step4：重新计算每个

11、簇的平均值；Step5：直到不再发生变化为止。（二）逻辑回归预测模型也称定性变量回归，类似于线性回归，但是目标字段使用字符型字段而不是数值型字段。Logistic回归建立一组方程，把输入属性值与输出字段每一类的概率联系起来。一旦生成模型，便可用于估计新记录属于某类的概率。概率最大的目标类被指定为该记录的预测输出值。1逻辑回归算法的优点1)逻辑回归模型通常非常精确；2)逻辑回归算法可以使得训练集和测试集预测准确率的差异是最小；3）模型能给出用户属于某类型概率，可以很容易确定“次优估计”，这样这样属于某类的概率。概率最大的目标类被指定为该记录的预测输出值。可精确控制用户群大小。2逻辑回归模型算法其

12、模型表达式为： P=e+1x1+2x2+kxk1+e+1x1+2x2+kxk （1）其中因变量P表示时间发生的概率,自变量为x1, x2,xk，1, 2,k为待求Logistic回归系数。在求取Logistic系数时,常对(1)式进行Logit变换,得到一个线性形式: Z=lnP/1-P=0+1x1+2x2+nxn （2）由于(2)式存在异方差性,常用加权最小二乘方法或Newton-Raphson方法求解Logistic回归系数。（三）Apriori模型Apriori算法是关联规则挖掘算法中的经典算法之一,它的基本思想是利用频繁(K-1)项集生成候选频繁K项集,然后扫描数据库删除非频繁子集后得

13、到频繁K项集1关联规则的基本概念设 I=i1, i2, im为所有项目的集合，D 为事务数据库事务T 是一个项目子集(TI)，每一个事务具有唯一的事务标识Tid。关联规则的表示方法是形如XY的蕴涵式，设X是一个项集，事务T包含X当且仅当XT，其中XI，YI，且XY=F。如果规则XY在事务D中成立，具有支持度s和置信度c的约束，其中支持度是D 中包含XY的百分比，它是概率P(XY)，如公式（3）所示；置信度是D 中包含X的事务同时也包含Y的百分比。这是条件概率P(Y|X),如公式（4）所示： Support(XY) =P(XY)的信度4444444444444444444444444444444

14、4444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444蕴涵。 -心的算法。4444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444 （3） ConfidenceXY=P(X|Y)=support_count(XY）support_count(X) （4）在进行关联规则挖掘前应设置最小支持度阈值(mins

15、up)和最小置信度阈值(minconf)。前者即用户规定的关联规则必须满足的最小支持度，它表示一组项集在统计意义上的需满足的最低程度；后者即用户规定的关联规则必须满足的最小可信度，它反映了关联规则的最低可靠度。2Apriori算法的产生Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法，它使用的是一种逐层搜索的迭代方法，即由k-项集搜索(k+1)-项集。首先，找到频繁1-项集的集合，记作L1。L1用于找到频繁2-项集的集合L2，而L2用于找L3，如此下去，直到不能找到频繁k-项集，每一次搜索都需要扫描一次数据库。三、数据准备与建模分析用2009年某月的来电提醒某次群发效果进行分析

16、，数据包含62万用户数，160项字段，字段显示了用户的基本信息如性别、年龄、品牌、当月信息数、通话数和订购的数据业务等等。用户群的筛选维度从用户的基础属性、消费行为、关联业务三个方面综合考虑。基础属性是剔除非正常用户，圈定出在网正常用户。消费行为是根据客户的数据在基础属性的基础上圈定来电提醒营销用户。关联业务是根据客户使用其他业务情况与使用来电提醒用户行为做关联，进行综合分析，最终圈定出来电提醒用户。（一）数据的预处理由于来电提醒属于功能性业务，与用户的话务量有很强的相关性，所以，可以在筛选营销用户群时重点关注用户的通话行为、消费能力、用户基本属性及关联业务，首先在剔除黑名单用户的前提下，把重

17、点关注的几个字段值进行一个简单的分组处理（表一）。表一：数据分析类型分组表注：ARPU为用户每个月内中国移动从每个用户所得到的利润（二）单维度分析利用Clementine软件分别对以上各组数据进行分析，结果如下：1 一级品牌分析（表二）：表二：一级品牌分析表一级品牌群发人数群发比率（%）订购人数订购率（%）全球通24902839.7536231.45神州行25997441.532261.24动感地带11749418.7517191.46从上表中看出，动感地带和全球通的订购率大于神州行，今后营销中应优先群发全球通及动感地带用户。2 年龄分析（表三）：表三：年龄分组分析表年龄分组群发人数群发比率（

18、%）订购人数订购率（%）0205270.08112.09203019895231.7628941.45304031809250.7742371.3340509892315.812701.28506032250.51411.2760以上5170.0820.39不详626011131.81020岁订购率最高，2040岁订购率次之。020岁人群较少，因此8月营销主要针对2040岁人群进行业务推荐；低龄人群虽然营销比例很低，但响应率最高，应引起注意；年龄不详的用户群容易被忽视，但总体上订购率却相对较高； 在今后的营销中应多关注年龄在40岁以下的用户群，年龄不详的用户也应保留。 3 ARPU分析（表四）

19、：表四：ARPU分组分析表ARPU分组群发人数群发比率（%）订购人数订购率（%）50以下81458136810.845010028382945.332881.1610015012437319.8519221.55150200556008.879921.78200300442877.078992.03300500247563.955052.04500以上121931.952812.3ARPU值在100以上的响应率占比较高。因此ARPU值越大的人群，对来电提醒的响应比例越高；分析得出：在今后的营销中应多关注ARPU值大于100元的用户群。4被叫通话次数分析（图一、图二、图三）：图一：被叫通话次数分

20、组订购率分布图图二：群发率分布饼图 图三：订购率分布饼图8月营销人群中，被叫次数越多，订购来电提醒的订购率越高。80次以上的营销人群占比65.1%,订购人群占比72.1%，订购响应率最高。8月营销人群主要集中在月被叫通话次数60次以上的用户，约占75%，订购人群中，该类用户占80.5% ；今后营销时，应重点关注每月被叫通话次数大于60次的用户群。5 国内漫游次数分析（表五）：表五：国内漫游次数分析表国内漫游次数分组群发人数群发比率（%）订购人数订购率（%）5次以下41529766.2952601.275208763613.9912041.372040479797.667311.52406023

21、6383.773561.516080135722.172431.798010088091.411651.87100以上295654.726092.06国内漫游次数在100以上的响应率占比较高。因此国内漫游次数越大的人群，对来电提醒的响应比例越高；分析得出：在今后的营销中应多关注此类用户群。由以上的单维度分析得出初步结论，营销要关注的人群特征为：全球通和动感地带用户，年龄在40岁以下，ARPU值在100以上，每月被叫通话次数大于60次，国内漫游次数大于100次。（三）聚类分析根据用户消费属性如年龄、品牌、ARPU值等变量进行聚类分析，利用K-means节点，根据细分人群的社会属性把订购人群分为3

22、类并贴上标签：追求新鲜事物的年轻一族、成功商务人士、中层业务人员。其中追求新鲜事物的年轻一族占比最高52.45%，中层业4438人52.45%1105人13.06%2918人34.49%务人员次之34.49%，成功商务人士最少13.06%，这也与实际情况相符合。 图四：聚类分析流程图表六：各类用户群的指标平均值（聚类中心）：指标追求新鲜事物的年轻一族成功商务人士中层业务人员订购人数443811052918年龄383435ARPU98299169语音业务收入占比0.490.770.78数据业务收入占比0.410.170.14短信业务收入占比0.050.010.01总通话次数265348485被叫

23、次数144169232漫游次数415215漫游被叫次数3748被叫次数占比0.530.480.46漫游次数占比0.020.480.03被叫时长占比0.550.470.44漫游被叫次数与被叫次数之比0.020.490.03表七：聚类结果品牌分布品牌追求新鲜事物的年轻一族成功商务人士中层业务人员动感地带30.76%12.58%7.23%神州行38.89%25.16%41.78%全球通30.33%62.26%50.99% 追求新鲜事物的年轻一族： 主要为白领、学生族，喜欢尝试新鲜业务，对功能费较敏感，多为动感地带、神州行用户，ARPU值在100元左右，年龄多在三十五岁以下，通话少，且主要为被叫，漫游

24、较少，偏好使用数据业务及短信；对优惠活动感兴趣，可以在优惠期结束前进行客户关怀，提高用户忠诚度。 成功商务人士：主要为事业成功人士，出差较多，多为全球通用户，ARPU集中在300元左右，年龄多在三十岁以上，主要以通话为主，多为漫游通话，较少使用数据业务及短信。 中层业务人员：主要为高级白领，销售业务人员，较少出差，多为全球通、神州行用户，ARPU值集中在150元附近，年龄多在三十岁以上，通话次数最多，以通话为主，主叫多，被叫少，漫游通话少，很少使用数据业务及短信。 （四）关联分析对基本属性做过单维度的分析以后，再来研究订购来电提醒业务与订购其他数据业务的用户之间有什么联系。利用Clementi

25、ne中的Apriori节点进行分析，关键是确定好最小支持度和最小置信度。最低规则支持度：指在训练集中，规则保留在规则集中的最小支持准则。最低规则置信度：指定把规则保留在规则集中的精确准则。根据以往的经验，置信度和支持度都不会太高，我们设minsup= 0，minconf=1%，得到满足最小支持度和最小可信度的关联规则。得到的结果如下表所示，其中，Lift值表示为预测概率/先验概率，即为对结果而言，使用规则和不使用规则所得概率的倍数，显然，lift=1，Lift越大，规则越好，它可以把本来低概率的事件通过规律用相对高概率反映出来（表八）。表八：订购来电提醒业务与其他业务的关联置信度和支持度结论前

26、提条件支持度置信度订购来电提醒短信回执用户0.025.691订购来电提醒是否快讯用户0.0443.65订购来电提醒是否海段子注册用户0.5323.447订购来电提醒是否短信转转赢用户0.843.362订购来电提醒是否为手机邮箱活跃用户2.2022.66订购来电提醒是否全能助理（短信版）1.5272.645订购来电提醒是否彩信体验包用户1.132.486订购来电提醒是否号簿管家1.1882.445订购来电提醒是否家庭理财助手0.0142.353订购来电提醒是否彩信转转赢用户0.0942.211订购来电提醒是否营养百科（短信版）0.032.162订购来电提醒语音杂志用户1.4382.131订购来电

27、提醒手机邮箱用户19.9451.918订购来电提醒是否活跃用户15.2121.897订购来电提醒移动秘书用户1.0391.798订购来电提醒是否移动气象站用户3.161.722订购来电提醒是否无线音乐俱乐部15.4351.612订购来电提醒是否新业务会员2.4451.612订购来电提醒是否手机钱包用户15.9971.584订购来电提醒是否彩铃付费69.7131.543订购来电提醒是否全网手机报用户23.8511.529订购来电提醒是否手机地图用户0.0221.439订购了短信回执或者上海快讯或者海段子等业务的用户群，对来电提醒的响应率较高，在用户群筛选中应予以重视，调整相应筛选规则。 139邮

28、箱活跃用户比不活跃用户对来电提醒的响应度更高，在筛选用户群时尽量选用活跃用户。 （五）逻辑回归分析我们用关联规则对业务之间的关联度作出了分析，但也需要把这样的关系量化，建立一个模型求出一条规则，以此为据来筛选群发人群，可以更精确地找到目标客户，使群发效果更好，我们选择用Logistic节点做逻辑回归。首先，把数据进行一些处理，把数据业务按其性质分成七大类：彩信影响，生活服务类需求、理财类需求、娱乐类需求、求职类需求、手机报类需求、社交类需求，并把年龄、APRU、漫游次数等数据进行分段，并把这些分段的数据标上数字标签，以便做二元选择模型。利用Clementine软件做逻辑回归，数据流如图五所示：

29、图五：逻辑回归Clementine分析流程图用Partition节点将数据分成两份，80%的数据用于分析，20%的数据用于预测。由于数据中订购用户所占比例相对较小，用均衡节点对数据进行处理，均衡节点可以用来修正数据集中的不均衡性，模型将更有可能找到能够区分两类群体的性质。设订购=1的用户其因子为1.2，意味着在流程下游的操作中订购用户的数量将增加到120%，而订购=0的用户因子设为0.02，意味着不曾订购的用户数量在下游操作中将减少到2%，这样就使订购用户与不曾订购的用户数量比例在1:3到1:2之间，使模型预测更为准确。得出的逻辑回归模型进行了16步迭代，模型对订购用户=1的预测准确度为40.

30、2，效果还算好。用剩下的20%的数据检验得出的逻辑回归模型，得出预测正确的可能性为73.15%。根据公式（2）写出来电提醒与其他业务的逻辑回归关联公式，以此为据从数据库中提取数据将取出相对更为精确的样本。逻辑回归关联公式为：P(订购来电提醒=是)=1-1/ (1+exp (0.001* 主叫通话次数 +0.144*彩铃下载次数+0.048*(集团客户=是)+0.223*(WLAN用户=是)+0.071*(国内漫游次数0 and国内漫游次数20 and国内漫游次数50)+0.426*彩信影响+0.829*生活类需求+0.467*求知类需求+1.599*社交类需求+0.306*(是否活跃用户=是)

31、+0.391*理财类需求+（-0.469*(一级品牌=神州行)）+(-0.593*(一级品牌=动感地带)+0.132*(ARPU 50 and ARPU 100 and ARPU 200 and ARPU 300)+0.100*非新闻类手机报+（-0.114*非手机报类用户）+0.050*(年龄20 and 年龄40 and 年龄60 and 年龄99)+0.464*(被叫通话次数50 and 被叫通话次数100)+-1.145)，并对模型检验结果如表九、表十所示：表九：模型系数的综合检验卡方系数自由度显著性步骤16步骤4.46310.031 块14960.958270.000 模型14960

32、.958250.000 表十：方程中的变量检验系数S.E.检验自由度置信度步骤16主叫通话次数0.001 0.000 10.000 彩铃下载次数0.144 0.018 10.000 是否集团客户（是）0.048 0.022 10.031 wlan用户（是）0.223 0.072 10.002 品牌20.000 品牌（神州行）-0.469 0.024 10.000 品牌（动感地带）-0.593 0.031 10.000 国内漫游次数分组30.000 国内漫游次数分组（020）0.071 0.022 10.001 国内漫游次数分组（2050）0.138 0.034 10.000 国内漫游次数分组（

33、大于50）0.122 0.040 10.002 彩信影响（是）0.426 0.048 10.000 生活服务类（是）0.829 0.049 10.000 求知类需求（是）0.467 0.047 10.000 社交类需求20.000 社交类需求(1)1.599 0.053 10.000 社交类需求(2)0.306 0.021 10.000 理财类需求(1)0.391 0.025 10.000 手机报类需求20.000 手机报类需求(1)0.100 0.052 10.054 手机报类需求(2)-0.114 0.027 10.000 年龄分组40.000 年龄分组(1)0.050 0.067 10.

34、451 年龄分组(2)-0.177 0.069 10.010 年龄分组(3)-0.399 0.099 10.000 年龄分组(4)-0.579 0.068 10.000 ARPU分组40.000 ARPU分组(1)0.132 0.022 10.000 ARPU分组(2)0.386 0.028 10.000 ARPU分组(3)0.453 0.045 10.000 ARPU分组(4)0.631 0.056 10.000 被叫通话次数分组20.000 被叫通话次数分组(1)0.464 0.024 10.000 被叫通话次数分组(2)0.858 0.026 10.000 系数-1.145 0.078

35、10.000 由表九、表十可见，对模型的检验和模型中各系数的检验，p值均0.05，所以模型检验的结果是显著的，说明模型的建立是正确可行的。四、模型总结和营销建议（一）模型总结综合以上的建模分析，考虑用户的基本属性、消费行为、关联业务的特点，结合单个维度的分析结果，总结出响应度高的用户群特征，以便为今后的精确营销用户筛选规则提供依据。若群发用户较少，为了达到更好的效果必须选择精确用户群时，则可用逻辑回归关联公式转换为SQL语句从数据库里选择目标。（二）对来电提醒的营销活动的建议1、 优化模型，精准选取目标客户；结合用户营销活动响应积分模型,尽量选响应积分高的用户，去除历史营销活动，从未回复的用户

36、。 优先考虑：全球通品牌；语音业务较多；订购了关联业务；高价值的用户。 避免群发：神州行品牌；语音业务较少；低龄；低价值的用户2、 加强产品优化：我们对来电提醒做了基本功能测试,发现不是所有的未接通状态下都是有短信提醒的，有的时候也会出现,很长的时延后，才有来电提醒的提醒信息过来。时延过长的短信提醒，会很大程度上让客户产生不满的情绪，导致退订。3、 定期客户关怀，提高客户的满意度：例如，上海移动温馨提示：亲爱的来电提醒用户，天气渐凉，请注意保暖，谨防感冒。4、 回访退订用户:收集反馈信息,及时更新用户信息库 通过营销效果评估分析，为后续的来电提醒营销开展总结了更多的经验。今后将按照营销效果评估

37、结果优化筛选模型，将订购用户的明显共性特征的调整与筛选模型进行整合，提高营销的精准度，同时考虑可能退订的用户特性，尽量避免群发业务需求低的用户，对资费敏感性用户进行客户关怀，提高业务使用满意度，最终不断提高业务的健康度。并且来电提醒只是中国移动众多数据业务之一，这种分析营销的模式可以推广应用到更多的业务中，促进数据业务更好更全面的发展。参考文献：1 上海移动重点增值业务开展策略白皮书R，上海：中国移动，2010。2 张振兴，关于Apriori算法和OLAP的关联规则挖掘模型设计D，郑州：郑州大学信息工程学院，2007。3 赵宗涛，一种基于统计分析的数据挖掘技术应用研究J，微计算机研究，2008

38、，（29）：59-64。4 宋涛，在教学质量评估系统中数据挖掘算法分析R，辽宁：辽宁经济管理干部学院信息系，2008。5 彭源，Web流数据聚类挖掘技术研究J，电脑知识与技术，2010，(4)：935-936。6 毛国君,段立娟,王实等，数据挖掘原理与算法M，北京:清华大学出版社,2005:156-122。7 王济川,郭志刚,Logistic回归模型方法与应用M，北京:高等教育出版社, 2001。8 齐志平，余妙志，Logistic模型在上市公司财务状况评价中的运用J，东北财经大学学报，2002，19（1）：60-63。9 刘运,殷建平,程杰仁等，基于K -Means改进算法的分布式拒绝服务攻

39、击检测J，计算机工程与科学，2008，30(12)： 23-26。10 徐章艳，刘美玲，张师超等，Apriori算法的三种优化方法J，计算机工程与应用，2004， 40(36): 190-192。11 王济川，郭志刚，Logistic回归模型-方法与应用M，北京：高等教育出版社，1998。12 谢邦昌，数据挖掘Clementine应用实务M，北京：机械工业出版社，2008。13 王静，何挺，郭旭东等，基于逻辑回归模型的环北京地区土地退化态势分析J，地理科学进展，2005， 24(5): 23-32。14 Guha S, Mishra N, Motwani R, et al. Clusterin

40、g data streamsJ.In proc. of FOCS 2000, 2000:359-366.15 Qlafsson S.Introduction to operations research and data miningJ.Computers and Operations Research,2006,33(11):3067-3069.As of Microsoft Internet Explorer 4.0, you can applmultimedia-style effects to your Web pages using visual filters and transitions. You can apply visual filters and transitions to standard HTML controls, such as text containers, images, and other windowless objects. Transitions are time-varying filters that create a transition from one visual state to a