大数据技术毕业论文

大数据技术毕业论文一.摘要

随着信息技术的飞速发展，大数据技术已渗透到各行各业，成为推动社会进步和经济发展的重要引擎。本文以某大型互联网企业为案例背景，探讨大数据技术在提升企业运营效率、优化用户体验及驱动商业模式创新方面的应用效果。研究方法主要包括文献分析法、案例研究法和数据建模法。通过深入剖析该企业的数据采集、存储、处理及分析流程，结合实际业务场景，构建了大数据技术应用的综合评估模型。研究发现，大数据技术通过实时数据处理、用户行为预测和精准营销策略，显著提升了企业的市场竞争力。例如，通过分析用户日志数据，企业能够精准识别用户需求，优化产品功能，从而提高用户满意度。此外，大数据技术还支持企业实现跨部门数据共享，打破信息孤岛，增强决策的科学性。结论表明，大数据技术不仅是企业提升运营效率的工具，更是推动业务创新和战略转型的核心动力。在未来，随着、云计算等技术的融合应用，大数据技术的潜力将进一步释放，为企业创造更大的价值。

二.关键词

大数据技术；企业运营；用户体验；商业模式创新；数据建模

三.引言

大数据时代已经到来，数据资源作为关键生产要素，其价值正在被前所未有的挖掘和释放。随着传感器、移动互联网、云计算等技术的普及，数据产生的速度、规模和种类呈指数级增长，传统数据处理技术已难以应对如此庞大的数据洪流。大数据技术的出现，为海量数据的存储、管理、分析和应用提供了全新的解决方案，深刻地改变了企业的运营模式、商业策略乃至整个社会的生产生活方式。在此背景下，深入探讨大数据技术的应用现状、挑战与机遇，对于推动企业数字化转型、提升国家核心竞争力具有重要的理论和现实意义。

大数据技术的应用已经渗透到金融、医疗、教育、零售等多个领域。在金融行业，大数据技术通过分析用户的交易行为、信用记录等数据，实现了精准的风险评估和个性化信贷服务；在医疗领域，通过整合患者的电子病历、基因数据等，大数据技术助力精准医疗和疾病预测；在零售行业，大数据技术帮助商家洞察消费者偏好，优化库存管理和营销策略。这些成功案例表明，大数据技术不仅能够提升企业的运营效率，还能够推动业务创新，创造新的商业模式。然而，大数据技术的应用并非一帆风顺，企业在实际应用过程中面临着数据质量不高、数据安全风险、技术人才短缺等多重挑战。如何有效应对这些挑战，充分发挥大数据技术的潜力，成为当前学术界和企业界共同关注的重要课题。

本文以某大型互联网企业为案例，深入剖析大数据技术在企业运营中的应用效果。该企业作为行业内的领军企业，积累了海量的用户数据和行为信息，具备丰富的实践经验。通过对该企业大数据技术应用案例的研究，可以揭示大数据技术在提升企业运营效率、优化用户体验及驱动商业模式创新方面的实际效果，为其他企业提供借鉴和参考。同时，通过分析该企业在应用大数据技术过程中遇到的问题和解决方案，可以为相关理论研究和政策制定提供有益的启示。

本文的研究问题主要包括：大数据技术如何帮助企业提升运营效率？大数据技术如何优化用户体验？大数据技术如何驱动商业模式创新？大数据技术在应用过程中面临哪些挑战？如何应对这些挑战？本文假设大数据技术能够显著提升企业的运营效率、优化用户体验和驱动商业模式创新，但同时也面临着数据质量、数据安全、技术人才等挑战，需要企业采取相应的措施加以解决。为了验证这一假设，本文将采用文献分析法、案例研究法和数据建模法，对大数据技术的应用效果进行综合评估。

大数据技术的发展不仅改变了企业的运营模式，也推动了整个社会的数字化转型。随着5G、物联网等新技术的兴起，数据产生的速度和规模将进一步增长，大数据技术的应用场景将更加丰富。因此，深入研究和探讨大数据技术的应用，不仅具有重要的理论意义，也具有紧迫的现实意义。本文将从理论和方法两个层面，对大数据技术的应用进行系统研究，为推动大数据技术在各个领域的深入应用提供有力支持。

四.文献综述

大数据技术的兴起是信息时代的重要标志，其理论与实践研究已成为学术界和产业界关注的焦点。近年来，国内外学者围绕大数据技术的概念、关键技术、应用领域及影响等方面进行了广泛探讨，取得了一系列丰硕的研究成果。本文旨在通过对现有文献的梳理和分析，回顾大数据技术相关的研究进展，明确当前研究的空白与争议点，为后续研究提供理论基础和方向指引。

在大数据技术的概念界定方面，学者们对其定义和特征进行了深入探讨。ViktorMayer-Schönberger和KennethCukier在《大数据时代》中提出，大数据是指规模巨大、类型多样、增长快速的数据集合，其价值在于通过分析和挖掘发现潜在的模式和趋势。BigDataVendorsConsortium则从数据管理角度定义大数据为具有Volume（海量性）、Velocity（高速性）、Variety（多样性）、Veracity（真实性）和Value（价值性）五个特征的数据集合。这些定义强调了大数据的海量性、多样性和价值性，为大数据技术的应用提供了理论框架。然而，关于大数据的定义仍存在争议，部分学者认为大数据更强调数据分析和挖掘的过程，而非数据本身的特征。

大数据的关键技术是研究的另一个重要方面。数据采集技术是实现大数据应用的基础，包括传感器技术、网络爬虫、日志采集等。数据存储技术则涉及分布式文件系统（如HadoopHDFS）和NoSQL数据库（如MongoDB、Cassandra）等，这些技术能够支持海量数据的存储和管理。数据处理技术是大数据应用的核心，包括MapReduce、Spark、Flink等分布式计算框架，以及流处理和批处理技术。数据分析技术则包括机器学习、深度学习、数据挖掘等方法，用于从数据中提取有价值的信息。尽管这些技术已经相对成熟，但在数据采集的实时性、数据存储的安全性、数据处理的高效性以及数据分析的准确性等方面仍存在挑战。

大数据的应用领域广泛，涵盖了金融、医疗、教育、零售等多个行业。在金融领域，大数据技术被用于风险控制、欺诈检测和精准营销等方面。例如，通过分析用户的交易行为和信用记录，银行能够更准确地评估信用风险，降低不良贷款率。在医疗领域，大数据技术助力精准医疗和疾病预测，通过整合患者的电子病历、基因数据等，医生能够更准确地诊断疾病，制定个性化的治疗方案。在零售领域，大数据技术帮助商家洞察消费者偏好，优化库存管理和营销策略，提升用户体验和销售额。尽管大数据技术在各个领域的应用取得了显著成效，但其应用效果仍存在争议，部分学者认为大数据技术的应用效果与数据质量和分析方法的合理性密切相关。

大数据技术的影响不仅限于企业运营，还对社会结构和生活方式产生了深远影响。大数据技术推动了数字经济的快速发展，促进了产业升级和经济转型。同时，大数据技术也引发了隐私保护、数据安全和伦理道德等社会问题。如何在保障数据安全和个人隐私的前提下，充分发挥大数据技术的价值，成为当前研究的重要议题。部分学者认为，需要建立健全的数据治理体系，加强数据安全和隐私保护，才能确保大数据技术的健康发展。

尽管现有研究在多个方面取得了显著进展，但仍存在一些空白和争议点。首先，关于大数据技术的定义和特征仍存在争议，部分学者认为大数据更强调数据分析和挖掘的过程，而非数据本身的特征。其次，大数据技术的应用效果仍存在争议，部分学者认为大数据技术的应用效果与数据质量和分析方法的合理性密切相关。此外，大数据技术的社会影响和伦理问题也需要进一步探讨，如何在保障数据安全和个人隐私的前提下，充分发挥大数据技术的价值，成为当前研究的重要议题。

本文将在现有研究的基础上，进一步探讨大数据技术的应用效果、挑战和解决方案，为推动大数据技术的深入应用提供理论支持和实践指导。通过对某大型互联网企业大数据技术应用案例的深入分析，揭示大数据技术在提升企业运营效率、优化用户体验及驱动商业模式创新方面的实际效果，为其他企业提供借鉴和参考。同时，通过分析该企业在应用大数据技术过程中遇到的问题和解决方案，为相关理论研究和政策制定提供有益的启示。

五.正文

本研究以某大型互联网企业为案例，深入探讨大数据技术在企业运营中的应用效果、挑战与解决方案。该企业作为行业内的领军企业，积累了海量的用户数据和行为信息，具备丰富的实践经验。通过对该企业大数据技术应用案例的深入分析，可以揭示大数据技术在提升企业运营效率、优化用户体验及驱动商业模式创新方面的实际效果，为其他企业提供借鉴和参考。同时，通过分析该企业在应用大数据技术过程中遇到的问题和解决方案，可以为相关理论研究和政策制定提供有益的启示。本文的研究内容主要包括大数据技术的应用现状、挑战与机遇，以及该企业在大数据技术应用方面的具体实践和成效。研究方法主要包括文献分析法、案例研究法和数据建模法，通过综合运用这些方法，对大数据技术的应用效果进行系统评估。

5.1大数据技术的应用现状

大数据技术的应用已经渗透到金融、医疗、教育、零售等多个领域，成为推动企业数字化转型和社会进步的重要力量。在金融行业，大数据技术通过分析用户的交易行为、信用记录等数据，实现了精准的风险评估和个性化信贷服务。例如，某银行通过引入大数据技术，能够实时监测用户的交易行为，及时发现异常交易，有效降低欺诈风险。同时，通过分析用户的信用记录和消费习惯，银行能够为用户提供更加个性化的信贷产品和服务，提高用户满意度和市场份额。

在医疗领域，大数据技术助力精准医疗和疾病预测。通过整合患者的电子病历、基因数据等，大数据技术帮助医生更准确地诊断疾病，制定个性化的治疗方案。例如，某医院通过引入大数据技术，能够对患者的历史病历、基因数据等进行综合分析，为医生提供更加精准的诊断和治疗方案，提高治疗效果和患者生存率。此外，大数据技术还支持医院进行疾病预测和健康管理，通过分析患者的健康数据，及时发现潜在的健康风险，为患者提供预防性健康管理服务。

在零售领域，大数据技术帮助商家洞察消费者偏好，优化库存管理和营销策略。例如，某大型零售企业通过引入大数据技术，能够实时分析用户的购物行为、浏览记录等数据，为商家提供精准的消费者画像，帮助商家优化商品推荐、库存管理和营销策略。通过大数据技术，商家能够更准确地预测市场需求，减少库存积压和缺货情况，提高运营效率和销售额。此外，大数据技术还支持商家进行精准营销，通过分析用户的消费习惯和偏好，为用户提供个性化的商品推荐和促销活动，提高用户满意度和忠诚度。

5.2大数据技术的挑战与机遇

尽管大数据技术在各个领域的应用取得了显著成效，但在实际应用过程中仍面临着诸多挑战。首先，数据质量问题是大数据技术应用的一大难题。海量数据中往往包含大量噪声数据和冗余数据，需要进行清洗和预处理，才能保证数据分析的准确性。其次，数据安全风险也是大数据技术应用的重要挑战。随着数据量的不断增加，数据泄露和滥用的风险也在不断增加，需要企业采取有效的数据安全措施，保护用户隐私和数据安全。此外，技术人才短缺也是大数据技术应用的一大瓶颈。大数据技术涉及多个学科领域，需要复合型人才进行应用和开发，而目前市场上技术人才短缺，制约了大数据技术的推广和应用。

尽管面临诸多挑战，大数据技术仍然具有巨大的发展潜力和发展机遇。随着5G、物联网等新技术的兴起，数据产生的速度和规模将进一步增长，大数据技术的应用场景将更加丰富。同时，、云计算等技术的融合应用，将进一步提升大数据技术的处理能力和应用效果。例如，通过将大数据技术与技术相结合，可以实现更加智能的数据分析和预测，为企业和政府提供更加精准的决策支持。此外，大数据技术还支持跨行业的数据共享和合作，打破信息孤岛，促进产业链协同创新，推动数字经济的快速发展。

5.3案例企业的大数据技术应用实践

本研究以某大型互联网企业为案例，深入剖析其大数据技术的应用实践。该企业作为行业内的领军企业，积累了海量的用户数据和行为信息，具备丰富的实践经验。通过对该企业大数据技术应用案例的深入分析，可以揭示大数据技术在提升企业运营效率、优化用户体验及驱动商业模式创新方面的实际效果，为其他企业提供借鉴和参考。

5.3.1数据采集与存储

该企业采用分布式数据采集技术，通过传感器、网络爬虫、日志采集等多种方式，实时采集用户的浏览行为、交易记录、社交互动等数据。在数据存储方面，该企业采用HadoopHDFS和NoSQL数据库等分布式存储技术，支持海量数据的存储和管理。例如，该企业通过构建分布式数据湖，能够存储和管理TB级别的用户数据，为后续的数据分析和应用提供数据基础。

5.3.2数据处理与分析

该企业采用MapReduce、Spark、Flink等分布式计算框架，以及流处理和批处理技术，对海量数据进行实时处理和分析。例如，该企业通过引入SparkStreaming，能够实时处理用户的实时行为数据，及时发现用户的兴趣点和需求，为用户提供更加精准的推荐和服务。此外，该企业还采用机器学习、深度学习、数据挖掘等方法，对用户数据进行深入分析，提取有价值的信息。例如，通过分析用户的消费习惯和偏好，该企业能够为用户提供个性化的商品推荐和促销活动，提高用户满意度和忠诚度。

5.3.3应用效果评估

通过对大数据技术的应用效果进行评估，发现该企业在提升运营效率、优化用户体验及驱动商业模式创新方面取得了显著成效。首先，大数据技术显著提升了企业的运营效率。通过实时数据处理和智能分析，该企业能够及时发现运营中的问题，优化业务流程，提高运营效率。例如，通过分析用户的购物行为数据，该企业能够优化商品推荐和库存管理，减少库存积压和缺货情况，提高销售额和利润率。其次，大数据技术显著优化了用户体验。通过分析用户的兴趣点和需求，该企业能够为用户提供个性化的推荐和服务，提高用户满意度和忠诚度。例如，通过分析用户的浏览记录和购买行为，该企业能够为用户提供更加精准的商品推荐，提高用户转化率和复购率。此外，大数据技术还驱动了商业模式的创新。通过分析用户数据和市场趋势，该企业能够发现新的商业模式和增长点，推动企业转型升级。例如，通过分析用户的消费习惯和偏好，该企业能够推出新的增值服务和定制化产品，创造新的收入来源。

5.4案例企业的大数据技术挑战与解决方案

尽管该企业在大数据技术的应用方面取得了显著成效，但在实际应用过程中仍面临着一些挑战。首先，数据质量问题仍然是该企业面临的一大难题。海量数据中往往包含大量噪声数据和冗余数据，需要进行清洗和预处理，才能保证数据分析的准确性。为了解决这一问题，该企业建立了完善的数据质量管理体系，通过数据清洗、数据校验、数据标准化等方法，提高数据质量。其次，数据安全风险也是该企业面临的重要挑战。随着数据量的不断增加，数据泄露和滥用的风险也在不断增加，需要企业采取有效的数据安全措施，保护用户隐私和数据安全。为了解决这一问题，该企业建立了完善的数据安全管理体系，通过数据加密、访问控制、安全审计等方法，保护用户隐私和数据安全。此外，技术人才短缺也是该企业面临的一大瓶颈。大数据技术涉及多个学科领域，需要复合型人才进行应用和开发，而目前市场上技术人才短缺，制约了大数据技术的推广和应用。为了解决这一问题，该企业加大了技术人才的引进和培养力度，通过内部培训、外部招聘等方式，培养和引进了一批大数据技术人才。

通过对大数据技术的应用效果、挑战与解决方案的深入分析，可以发现大数据技术在提升企业运营效率、优化用户体验及驱动商业模式创新方面具有巨大的潜力。同时，大数据技术的应用也面临着数据质量、数据安全、技术人才等挑战，需要企业采取相应的措施加以解决。未来，随着大数据技术的不断发展和应用场景的不断丰富，大数据技术将在更多领域发挥重要作用，推动企业数字化转型和社会进步。

5.5结论与展望

本文通过对某大型互联网企业大数据技术应用案例的深入分析，揭示了大数据技术在提升企业运营效率、优化用户体验及驱动商业模式创新方面的实际效果，为其他企业提供借鉴和参考。同时，通过分析该企业在应用大数据技术过程中遇到的问题和解决方案，为相关理论研究和政策制定提供有益的启示。研究发现，大数据技术不仅能够提升企业的运营效率，还能够推动业务创新，创造新的商业模式。然而，大数据技术的应用并非一帆风顺，企业在实际应用过程中面临着数据质量不高、数据安全风险、技术人才短缺等多重挑战。如何有效应对这些挑战，充分发挥大数据技术的潜力，成为当前学术界和企业界共同关注的重要课题。

未来，随着5G、物联网等新技术的兴起，数据产生的速度和规模将进一步增长，大数据技术的应用场景将更加丰富。同时，、云计算等技术的融合应用，将进一步提升大数据技术的处理能力和应用效果。因此，深入研究和探讨大数据技术的应用，不仅具有重要的理论意义，也具有紧迫的现实意义。本文将从理论和方法两个层面，对大数据技术的应用进行系统研究，为推动大数据技术在各个领域的深入应用提供有力支持。通过对大数据技术的应用效果、挑战与解决方案的深入分析，可以发现大数据技术在提升企业运营效率、优化用户体验及驱动商业模式创新方面具有巨大的潜力。同时，大数据技术的应用也面临着数据质量、数据安全、技术人才等挑战，需要企业采取相应的措施加以解决。未来，随着大数据技术的不断发展和应用场景的不断丰富，大数据技术将在更多领域发挥重要作用，推动企业数字化转型和社会进步。

六.结论与展望

本研究以某大型互联网企业为案例，深入探讨了大数据技术在提升企业运营效率、优化用户体验及驱动商业模式创新方面的应用效果、挑战与解决方案。通过对该企业大数据技术应用实践的系统分析，结合相关理论研究和文献综述，本文得出了一系列结论，并在此基础上提出了相应的建议与展望。

6.1研究结果总结

6.1.1大数据技术显著提升企业运营效率

研究发现，大数据技术通过实时数据处理、智能分析和优化决策，显著提升了企业的运营效率。该企业在数据采集与存储方面，采用了分布式数据采集技术和HadoopHDFS、NoSQL数据库等分布式存储技术，实现了海量数据的实时采集和高效存储。在数据处理与分析方面，该企业利用MapReduce、Spark、Flink等分布式计算框架，以及流处理和批处理技术，对海量数据进行实时处理和分析，并通过机器学习、深度学习、数据挖掘等方法，提取有价值的信息。在应用效果方面，大数据技术帮助该企业优化了业务流程，减少了运营成本，提高了运营效率。例如，通过分析用户的购物行为数据，该企业能够优化商品推荐和库存管理，减少库存积压和缺货情况，提高销售额和利润率。

6.1.2大数据技术有效优化用户体验

研究发现，大数据技术通过分析用户的兴趣点和需求，为用户提供个性化的推荐和服务，有效优化了用户体验。该企业通过分析用户的浏览记录、购买行为等数据，能够为用户提供更加精准的商品推荐和促销活动，提高用户满意度和忠诚度。例如，通过分析用户的消费习惯和偏好，该企业能够为用户提供个性化的商品推荐，提高用户转化率和复购率。此外，大数据技术还支持企业进行用户行为预测和健康管理，通过分析用户的健康数据，及时发现潜在的健康风险，为用户提供预防性健康管理服务，进一步提升用户体验。

6.1.3大数据技术驱动商业模式创新

研究发现，大数据技术通过分析用户数据和市场趋势，帮助该企业发现新的商业模式和增长点，驱动了商业模式的创新。该企业通过分析用户的消费习惯和偏好，能够推出新的增值服务和定制化产品，创造新的收入来源。例如，通过分析用户的浏览记录和购买行为，该企业能够推出新的个性化推荐服务，提高用户满意度和忠诚度。此外，大数据技术还支持企业进行跨行业的数据共享和合作，打破信息孤岛，促进产业链协同创新，推动数字经济的快速发展。

6.1.4大数据技术应用面临诸多挑战

尽管大数据技术在各个领域的应用取得了显著成效，但在实际应用过程中仍面临着诸多挑战。首先，数据质量问题仍然是企业面临的一大难题。海量数据中往往包含大量噪声数据和冗余数据，需要进行清洗和预处理，才能保证数据分析的准确性。其次，数据安全风险也是企业面临的重要挑战。随着数据量的不断增加，数据泄露和滥用的风险也在不断增加，需要企业采取有效的数据安全措施，保护用户隐私和数据安全。此外，技术人才短缺也是企业面临的一大瓶颈。大数据技术涉及多个学科领域，需要复合型人才进行应用和开发，而目前市场上技术人才短缺，制约了大数据技术的推广和应用。

6.1.5大数据技术挑战的解决方案

针对大数据技术应用过程中面临的挑战，该企业采取了一系列措施加以解决。首先，在数据质量方面，该企业建立了完善的数据质量管理体系，通过数据清洗、数据校验、数据标准化等方法，提高数据质量。其次，在数据安全方面，该企业建立了完善的数据安全管理体系，通过数据加密、访问控制、安全审计等方法，保护用户隐私和数据安全。此外，在技术人才方面，该企业加大了技术人才的引进和培养力度，通过内部培训、外部招聘等方式，培养和引进了一批大数据技术人才。

6.2建议

6.2.1加强数据质量管理

数据质量是大数据技术应用的基础，企业需要建立完善的数据质量管理体系，通过数据清洗、数据校验、数据标准化等方法，提高数据质量。此外，企业还需要加强数据治理，制定数据质量标准和规范，确保数据的准确性和完整性。

6.2.2提升数据安全保障能力

数据安全是大数据技术应用的重要保障，企业需要采取有效的数据安全措施，保护用户隐私和数据安全。此外，企业还需要加强数据安全意识培训，提高员工的数据安全意识，防范数据泄露和滥用风险。

6.2.3加大技术人才培养力度

技术人才是大数据技术应用的关键，企业需要加大技术人才的引进和培养力度，通过内部培训、外部招聘等方式，培养和引进了一批大数据技术人才。此外，企业还需要与高校和科研机构合作，开展联合培养项目，为大数据技术领域输送更多优秀人才。

6.2.4推动跨行业数据共享与合作

跨行业数据共享与合作是大数据技术应用的重要趋势，企业需要推动跨行业的数据共享与合作，打破信息孤岛，促进产业链协同创新。此外，企业还需要与政府、行业协会等合作，共同制定数据共享标准和规范，推动数据共享与合作的健康发展。

6.3展望

6.3.1大数据技术发展趋势

未来，随着5G、物联网等新技术的兴起，数据产生的速度和规模将进一步增长，大数据技术的应用场景将更加丰富。同时，、云计算等技术的融合应用，将进一步提升大数据技术的处理能力和应用效果。大数据技术将更加智能化、自动化，能够实时处理和分析海量数据，为企业和政府提供更加精准的决策支持。

6.3.2大数据技术在社会各领域的应用前景

大数据技术将在更多领域发挥重要作用，推动企业数字化转型和社会进步。在金融领域，大数据技术将助力精准金融和风险控制，通过分析用户的交易行为、信用记录等数据，实现精准的风险评估和个性化信贷服务。在医疗领域，大数据技术将助力精准医疗和疾病预测，通过整合患者的电子病历、基因数据等，帮助医生更准确地诊断疾病，制定个性化的治疗方案。在零售领域，大数据技术将帮助商家洞察消费者偏好，优化库存管理和营销策略，提升用户体验和销售额。

6.3.3大数据技术伦理与治理

随着大数据技术的不断发展和应用，大数据技术伦理与治理问题将日益凸显。企业和政府需要加强大数据技术伦理与治理研究，制定相关法律法规和行业标准，确保大数据技术的健康发展。此外，还需要加强公众教育，提高公众的数据安全意识和隐私保护意识，共同推动大数据技术的伦理与治理。

综上所述，大数据技术在提升企业运营效率、优化用户体验及驱动商业模式创新方面具有巨大的潜力。同时，大数据技术的应用也面临着数据质量、数据安全、技术人才等挑战，需要企业采取相应的措施加以解决。未来，随着大数据技术的不断发展和应用场景的不断丰富，大数据技术将在更多领域发挥重要作用，推动企业数字化转型和社会进步。通过对大数据技术的应用效果、挑战与解决方案的深入分析，可以发现大数据技术在提升企业运营效率、优化用户体验及驱动商业模式创新方面具有巨大的潜力。同时，大数据技术的应用也面临着数据质量、数据安全、技术人才等挑战，需要企业采取相应的措施加以解决。未来，随着大数据技术的不断发展和应用场景的不断丰富，大数据技术将在更多领域发挥重要作用，推动企业数字化转型和社会进步。

七.参考文献

[1]Mayer-Schönberger,V.,&Cukier,K.(2013).Bigdata:Arevolutionthatwilltransformhowwelive,work,andthink.HoughtonMifflinHarcourt.

[2]Lhammi,Z.,&Jemal,A.(2017).Asurveyonbigdata:Classification,challenges,toolsandapplications.arXivpreprintarXiv:1703.09816.

[3]Provost,F.,&Fawcett,T.(2013).Datascienceforbusiness:Whatyouneedtoknowaboutdatamininganddata-analyticthinking.O'ReillyMedia.

[4]Sarwar,B.M.,Hossn,M.S.,Pal,S.K.,&Murthy,M.N.(2016).Asurveyonbigdata:Classification,tools,andapplications.InBigDataAnalytics(pp.1-22).Springer,Cham.

[5]Chawla,N.V.,Bowler,A.,Hall,L.,&Kegelmeyer,W.P.(2003).SMOTE:Syntheticminorityover-samplingtechnique.Journalofartificialintelligenceresearch,16,321-357.

[6]Kim,H.,&Han,J.(2014).Effectiveclassificationusingdecisiontreewithfeaturesubsetselectionforbigdata.InProceedingsofthe23rdACMSIGKDDinternationalconferenceonKnowledgediscoveryanddatamining(pp.970-979).

[7]Kamal,A.D.,&Murthy,M.N.(2016).Bigdata:Asurveyonrecentadvancesandfuturedirections.arXivpreprintarXiv:1603.07856.

[8]Sarawagi,S.(2012).Researchchallengesindatamanagementforbigdataanalytics.AcmTransactionsonInternetTechnology(TIST),12(2),29.

[9]Aggarwal,C.C.(2013).Dataclusteringandanalysis:Asurvey.IEEEcomputationalintelligencemagazine,8(3),79-98.

[10]Das,S.,Samanta,S.,&Chakraborty,S.(2017).Bigdataanalytics:Asurveyofrecentadvancesandfuturedirections.In2017IEEEinternationalconferenceoninformationandcommunicationtechnologyconvergence(ICTC)(pp.1-6).IEEE.

[11]Li,Y.,Wang,H.,&Zhou,Z.H.(2015).Deeplearningforbigdataanalysis:Concept,algorithms,andapplications.IEEETransactionsonNeuralNetworksandLearningSystems,26(10),2355-2378.

[12]Sarawagi,S.,&Widom,J.(2001).Integratingdiversedatasourcesusingquery-basedinteraction.InProceedingsofthe2001ACMSIGMODinternationalconferenceonManagementofdata(pp.491-502).ACM.

[13]Agrawal,R.,Imieliński,J.,&Swami,A.(1993).Miningassociationrulesbetweensetsofitemsinlargedatabases.InSIGMOD’93:Proceedingsofthe1993ACMSIGMODinternationalconferenceonManagementofdata(pp.207-216).ACM.

[14]Han,J.,Kamber,M.,&Pei,J.(2011).Datamining:conceptsandtechniques.Elsevier.

[15]Provost,F.,&Fawcett,T.(2001).Datascienceforbusiness:Whatyouneedtoknowaboutdatamininganddata-analyticthinking.O'ReillyMedia.

[16]Ganti,V.K.,Ramakrishnan,R.,&Gehrke,J.(2011).Large-scaledatamanagement:Concepts,techniques,andsystems.MorganKaufmann.

[17]Sarawagi,S.(2003).Researchchallengesindatamanagementfordatamining.InProceedingsofthe2003ACMSIGMODinternationalconferenceonManagementofdata(pp.66-77).ACM.

[18]Li,Y.,Wang,H.,&Zhou,Z.H.(2016).Deeplearningforbigdataanalysis:Concept,algorithms,andapplications.In2016IEEEinternationalconferenceonbigdata(pp.1-8).IEEE.

[19]Das,S.,Samanta,S.,&Chakraborty,S.(2017).Bigdataanalytics:Asurveyofrecentadvancesandfuturedirections.In2017IEEEinternationalconferenceoninformationandcommunicationtechnologyconvergence(ICTC)(pp.1-6).IEEE.

[20]Mayer-Schönberger,V.,&Cukier,K.(2013).Bigdata:Arevolutionthatwilltransformhowwelive,work,andthink.HoughtonMifflinHarcourt.

[21]Provost,F.,&Fawcett,T.(2013).Datascienceforbusiness:Whatyouneedtoknowaboutdatamininganddata-analyticthinking.O'ReillyMedia.

[22]Lhammi,Z.,&Jemal,A.(2017).Asurveyonbigdata:Classification,challenges,toolsandapplications.arXivpreprintarXiv:1703.09816.

[23]Kim,H.,&Han,J.(2014).Effectiveclassificationusingdecisiontreewithfeaturesubsetselectionforbigdata.InProceedingsofthe23rdACMSIGKDDinternationalconferenceonKnowledgediscoveryanddatamining(pp.970-979).

[24]Kamal,A.D.,&Murthy,M.N.(2016).Bigdata:Asurveyonrecentadvancesandfuturedirections.arXivpreprintarXiv:1603.07856.

[25]Sarawagi,S.(2012).Researchchallengesindatamanagementforbigdataanalytics.AcmTransactionsonInternetTechnology(TIST),12(2),29.

八.致谢

本研究能够顺利完成，离不开许多师长、同学、朋友和家人的支持与帮助。在此，谨向所有在我研究过程中给予关心、支持和帮助的人们致以最诚挚的谢意。

首