胡杰

摘要：文章首先簡(jiǎn)要概述與數(shù)據(jù)挖掘技術(shù)相關(guān)內(nèi)容，隨后從分類、聚類兩種數(shù)據(jù)挖掘應(yīng)用較廣的維度來(lái)開展研究，分別有神經(jīng)網(wǎng)絡(luò)、決策樹法、層次方法、基于密度（或網(wǎng)絡(luò)）方法等；剖析了數(shù)據(jù)挖掘技術(shù)應(yīng)用于信用信息分析的問題，而后圍繞問題內(nèi)容，指出可從強(qiáng)化海量數(shù)據(jù)處理效果、快速提煉信息分析報(bào)告、提前預(yù)測(cè)未來(lái)發(fā)展趨勢(shì)、積極融合智慧化服務(wù)平臺(tái)等方面解決問題，以期為相關(guān)技術(shù)工作提供可靠參考。

關(guān)鍵詞：數(shù)據(jù)挖掘技術(shù)；信用信息；分析算法；對(duì)策

中圖分類號(hào)：TP311. 13

文獻(xiàn)標(biāo)志碼：A

0 引言

大數(shù)據(jù)即巨量資料，指所涉及的資料量規(guī)模巨大，無(wú)法通過主流軟件工具實(shí)現(xiàn)獲取、管理的咨詢。新時(shí)期背景下大數(shù)據(jù)有著無(wú)限潛力和優(yōu)勢(shì)，但同時(shí)也給各領(lǐng)域工作帶來(lái)考驗(yàn)。有更多的人在現(xiàn)代社會(huì)中挖掘出數(shù)據(jù)的價(jià)值和戰(zhàn)略意義，并開始延伸到對(duì)數(shù)據(jù)的研究中。如何在數(shù)據(jù)海洋中獲得利于發(fā)展的信息和商機(jī)，有效提升利潤(rùn)，就必須借助于各種智能化方法來(lái)分析處理，即采取相應(yīng)的數(shù)據(jù)挖掘技術(shù)。利用數(shù)據(jù)挖掘技術(shù)能深入數(shù)據(jù)深層找出隱含的知識(shí)，從而提升各種管理決策的科學(xué)性，減少不必要的損失，優(yōu)勢(shì)突出。

1 數(shù)據(jù)挖掘技術(shù)簡(jiǎn)述

1.1 數(shù)據(jù)挖掘技術(shù)定義

數(shù)據(jù)挖掘（ Daca Mining）是指從大量數(shù)據(jù)中通過計(jì)算分析方法來(lái)獲得其中隱藏信息的過程。該概念屬于計(jì)算機(jī)科學(xué)的學(xué)科領(lǐng)域，常常和人工智能、數(shù)據(jù)庫(kù)等多領(lǐng)域緊密聯(lián)系，又有著“資料探勘”“數(shù)據(jù)采礦”之稱。此技術(shù)的實(shí)施過程主要包括3個(gè)階段：第一，準(zhǔn)備數(shù)據(jù)；第二，挖掘數(shù)據(jù)；第三，對(duì)結(jié)果進(jìn)行表達(dá)及解釋[1]。如今，數(shù)據(jù)挖掘理念受到了信息產(chǎn)業(yè)的關(guān)注，對(duì)大量數(shù)據(jù)有效利用并轉(zhuǎn)化成有用信息，將其利用在生產(chǎn)控制、商務(wù)管理、市場(chǎng)分析、科學(xué)探索上。

1.2 數(shù)據(jù)挖掘技術(shù)模型

數(shù)據(jù)挖掘技術(shù)的模型主要是信息挖掘過程的模型展示。此過程可將信息挖掘的步驟劃分成以下3步：第一步，預(yù)處理。預(yù)處理就是提前對(duì)海量的冗余的數(shù)據(jù)信息加以篩選、剔除，只留下有效的數(shù)據(jù)，確保數(shù)據(jù)挖掘技術(shù)的應(yīng)用效率。第二步，信息特征的抽取[2]。整理上一步驟所篩選出的數(shù)據(jù)信息后，對(duì)信息結(jié)構(gòu)間轉(zhuǎn)化，保障轉(zhuǎn)化后的結(jié)構(gòu)能被計(jì)算機(jī)軟件所識(shí)別和存儲(chǔ)，滿足用戶信息使用的需求。第三步，數(shù)據(jù)挖掘。將上述步驟中所處理好的數(shù)據(jù)和信息收集后并加以挖掘，將挖掘出的結(jié)果用客戶能識(shí)別的語(yǔ)言表現(xiàn)出來(lái)，確保符合以人為本的原則和實(shí)際應(yīng)用需求。

2 數(shù)據(jù)挖掘技術(shù)在信用信息分析中的應(yīng)用算法

2.1 分類算法

2.1.1 決策樹法

決策樹法（ Decision Tree Method）是常用的機(jī)器學(xué)習(xí)算法之一，也被廣泛用于風(fēng)險(xiǎn)性決策問題中，具體如表1所示。決策樹就如同樹木的枝干，從主到次進(jìn)行逐一分解，隨后形成不同的規(guī)則鏈條。決策樹的生成有3個(gè)較經(jīng)典方法，分別是信息增益（ID3）、增益指數(shù)（ID3，C4. 5）、基尼指數(shù)（SLIQSPEINT）。此外，還存在多種改進(jìn)的算法。關(guān)于此方法的應(yīng)用優(yōu)勢(shì)較多，如便于理解和解釋，計(jì)算代價(jià)相對(duì)較低。即便是存在冗余數(shù)據(jù)，也不會(huì)對(duì)最終決策造成較大的不利影響[3]。但需明確的是，該方法也存在不足，如天生過擬合、數(shù)據(jù)碎片問題、有一定的復(fù)雜性。

2.1.2 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)（ Neural Necwork，NN）指模仿生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能的計(jì)算模型。多數(shù)情況下，它能借助大量人工神經(jīng)元的聯(lián)結(jié)來(lái)分析，屬于探索數(shù)據(jù)的新模式[4]。該方法最突出的優(yōu)點(diǎn)是能夠?qū)κ占龅臄?shù)據(jù)加以分類，例如能有效識(shí)別垃圾郵件信息，提取出相關(guān)的詞匯后來(lái)及時(shí)判定：又如還可利用在疾病的判斷中。例如有患者在醫(yī)院經(jīng)多項(xiàng)基礎(chǔ)檢查后，系統(tǒng)會(huì)自動(dòng)生成了許多數(shù)據(jù)，單純地分析數(shù)據(jù)無(wú)疑難度較大。此時(shí)便可利用神經(jīng)網(wǎng)絡(luò)的計(jì)算方式，及時(shí)分析該患者是否得病及其種類。在數(shù)據(jù)挖掘過程中，神經(jīng)網(wǎng)絡(luò)的運(yùn)作主要有4點(diǎn)：（l）確定輸入、輸出（見圖1）；（2）找到一種或多種算法；（3）找到數(shù)據(jù)集，訓(xùn)練模型；（4）產(chǎn)生新數(shù)據(jù)，輸入模型得到結(jié)果。

2.2 聚類分析

聚類分析與分類算法的相同處在于，都是將數(shù)據(jù)分組后再挖掘及分析，但不同之處是聚類分析的數(shù)據(jù)處理對(duì)象有未知性。

2.2.1 層次方法

層次方法聚類，是將數(shù)據(jù)對(duì)象組合成“聚類樹”的方法。該方法的處理方式有多種，可從上至下、從下至上?？蛇M(jìn)一步分成凝聚、分裂形式。BIRCH可利用層次法或其他方法對(duì)海量的數(shù)據(jù)進(jìn)行聚類。（1）凝聚。白底向上處理并將各對(duì)象看作一個(gè)簇（數(shù)據(jù)被劃分后的子集），合并后組成更大的簇，直到所有對(duì)象均處于相同簇中，或滿足某終結(jié)條件[5]。（2）分裂。和凝聚相反，分裂的方法是將所有數(shù)據(jù)納入一個(gè)簇中，而后逐步將其細(xì)化、分裂，直到各對(duì)象形成一簇或達(dá)到終結(jié)條件，處理過程結(jié)束。

2.2.2 基于密度法

以DBSCAN法為例，該方法將簇定義成為“密度相連點(diǎn)的最大集合”。該數(shù)據(jù)挖掘算法的優(yōu)點(diǎn)在于：第一，不需要了解形成簇類的數(shù)量；第二，能發(fā)現(xiàn)任意形狀簇類（見圖2）；第三，識(shí)別出噪聲點(diǎn)，甚至是檢測(cè)到離群點(diǎn)；第四，和數(shù)據(jù)庫(kù)一同使用后，能加速區(qū)域的查詢[6]。但此方法同樣存在不足之處，例如：第一，不能很好反映出高維數(shù)據(jù)；第二，無(wú)法很好反映出數(shù)據(jù)集以變化的密度；第三，若計(jì)算資源有限，但數(shù)據(jù)量卻非常龐大時(shí)，會(huì)極大地影響到該方法運(yùn)算效率。

2.2.3 基于網(wǎng)格法

此方法優(yōu)點(diǎn)有處理效率高、時(shí)間短，典型方法包括STING，WAVECLUSTER．CLIQUE等。以STING為例，它能將空間區(qū)域劃分成多個(gè)的矩形單元。和其他運(yùn)算技術(shù)方法相比，優(yōu)點(diǎn)如下：第一，能實(shí)現(xiàn)獨(dú)立查詢分析；第二，利于并行處理數(shù)據(jù)和增量更新；第三，此方法最典型的優(yōu)點(diǎn)是效率高[7]。但要注意雖然此運(yùn)算方法處理速度很快，效率較高，但可能會(huì)降低簇的精確性和質(zhì)量。

3 數(shù)據(jù)挖掘技術(shù)在信用信息分析面臨問題及對(duì)策

3.1 數(shù)據(jù)挖掘技術(shù)應(yīng)用于信用信息分析面臨的問題

第一，信息來(lái)源單一。信息存在來(lái)源單一、覆蓋面窄的問題，而該問題所導(dǎo)致的結(jié)果，則是無(wú)法更全面地挖掘信息，促使最終的信用信息分析可信度、科學(xué)性明顯降低。第二，信息更新緩慢。當(dāng)前社會(huì)經(jīng)濟(jì)發(fā)展速度迅速，各種金融活動(dòng)的流動(dòng)也隨之加快。若對(duì)信用信息的收集、分析跟不上節(jié)奏，會(huì)導(dǎo)致信用信息的分析時(shí)效性顯著降低，影響到信息的具體使用。第三，信息分享不足。部分企業(yè)或單位不愿對(duì)信息合理的配置和共享，不僅可能影響到信息分析的時(shí)效性，甚至造成信息孤島、分散、屏蔽的狀態(tài)，無(wú)法滿足當(dāng)前社會(huì)用戶需求。第四，利益驅(qū)使影響。受到市場(chǎng)利益的驅(qū)使，以金融企業(yè)為例，在獲得大量用戶數(shù)據(jù)信息后，若對(duì)信用信息加以壟斷，就能在激烈市場(chǎng)競(jìng)爭(zhēng)中占據(jù)有利的位置[8]。但如此舉措會(huì)影響到信用信息數(shù)據(jù)的聯(lián)通，加大了其他企業(yè)的數(shù)據(jù)挖掘成本。第五，法律制度較落后。和國(guó)外的發(fā)達(dá)國(guó)家相比，我國(guó)對(duì)信用信息的管理制度重視度相對(duì)不高，也缺乏更完善的信用管理法規(guī)體系和法律依據(jù)，諸多因素都會(huì)限制信用信息的發(fā)展水平。

3.2 數(shù)據(jù)挖掘技術(shù)在信用信息分析的應(yīng)用對(duì)策

信用信息也有巨大信息量，數(shù)據(jù)挖掘技術(shù)能很好地對(duì)該類信息加以處理，滿足新時(shí)期用戶需求。我國(guó)對(duì)于信用信息的分析、評(píng)價(jià)相關(guān)制度建立相對(duì)于其他發(fā)達(dá)國(guó)家更晚，可以以數(shù)據(jù)挖掘技術(shù)為基礎(chǔ)，有效提升信用信息的運(yùn)用價(jià)值。以下從4個(gè)方面來(lái)探究其應(yīng)用。

3.2.1 強(qiáng)化海量數(shù)據(jù)處理效果

在對(duì)相應(yīng)的信用信息數(shù)據(jù)分析處理時(shí)，最為關(guān)鍵的分析和評(píng)價(jià)，可著眼于對(duì)數(shù)據(jù)挖掘技術(shù)的計(jì)算方法上。分析除了借鑒其他發(fā)達(dá)國(guó)家的優(yōu)秀經(jīng)驗(yàn)外，還應(yīng)當(dāng)應(yīng)結(jié)合我國(guó)實(shí)際國(guó)情來(lái)統(tǒng)計(jì)分析構(gòu)建模型。近年來(lái)，我國(guó)對(duì)信用信息分析的重視程度不斷提升，數(shù)據(jù)挖掘技術(shù)的應(yīng)用也愈發(fā)廣泛。信用信息數(shù)據(jù)量不斷增大，更要重視數(shù)學(xué)模型的建立?？衫藐P(guān)聯(lián)函數(shù)等方式來(lái)提高模型查詢、定位的效率。此外，數(shù)據(jù)挖掘技術(shù)本身具備了自動(dòng)預(yù)測(cè)趨勢(shì)、描述等功能，能切入實(shí)際來(lái)分析當(dāng)前事物的發(fā)展形勢(shì)，作用突出[9]總之，借助于數(shù)據(jù)挖掘技術(shù)來(lái)有效提取、分析海量的信用信息數(shù)據(jù)非常關(guān)鍵，整個(gè)過程中構(gòu)建模型也勢(shì)在必行。

3.2.2 快速提煉信息分析報(bào)告

信息分析和論證、行為、決策等方面都有關(guān)。論證是根據(jù)已知“信息”來(lái)推論出新的信息的過程：決策則是根據(jù)已知的“信息”來(lái)指導(dǎo)個(gè)人或組織行為模式的轉(zhuǎn)變。信息分析側(cè)重于信息，信息不僅是決策的依據(jù)，也是行為改變的基礎(chǔ)。以往對(duì)信用信息進(jìn)行分析時(shí)，因條件受到限制往往無(wú)法更全面地掌握出企業(yè)、個(gè)人所有的有效信息，存在信息閉塞的情況，很難用傳統(tǒng)的信用信息評(píng)價(jià)方式來(lái)評(píng)估，也無(wú)法全面觀察到有效信息的變化。如今，可積極發(fā)揮數(shù)據(jù)挖掘技術(shù)的作用。即便是不同格式的信息也能記憶加以轉(zhuǎn)化，更清晰直觀地反映出企業(yè)或事業(yè)單位的信用信息評(píng)審制度。同時(shí)利用此技術(shù)后能實(shí)現(xiàn)白動(dòng)化查找分析，及時(shí)過濾剔除掉多余的信息，并借助于交互的方式分析，最終從不同格式的信息中獲取有作用的信用信息并分析，確保信用信息分析制度也能常規(guī)運(yùn)作，獲得更為詳細(xì)完善的信息分析報(bào)告，來(lái)作為可靠的發(fā)展依據(jù)。

3.2.3 提前預(yù)測(cè)未來(lái)發(fā)展趨勢(shì)

信用風(fēng)險(xiǎn)指交易雙方不履行到期債務(wù)的風(fēng)險(xiǎn)，又被稱作違規(guī)風(fēng)險(xiǎn)。傳統(tǒng)的信息信用評(píng)價(jià)往往只能對(duì)某個(gè)企業(yè)、某個(gè)用戶的信用情況加以評(píng)估，缺乏預(yù)見性。當(dāng)未來(lái)發(fā)展過程出現(xiàn)風(fēng)險(xiǎn)時(shí)，很可能造成損失。數(shù)據(jù)挖掘技術(shù)能更全面地分析企業(yè)或個(gè)人行為，了解企業(yè)或個(gè)人的日常交易行為模式、行為習(xí)慣等，從中獲取有利的信息數(shù)據(jù)后來(lái)實(shí)現(xiàn)對(duì)未來(lái)發(fā)展的預(yù)測(cè)，做到“防患于未然”。以金融行業(yè)機(jī)構(gòu)為例，當(dāng)預(yù)測(cè)到信用信息未來(lái)的發(fā)展趨勢(shì)后，能及時(shí)采取風(fēng)險(xiǎn)預(yù)防措施，最大化地減少所謂的信用風(fēng)險(xiǎn)，及時(shí)從深處挖掘到數(shù)據(jù)中的失信行為，確保穩(wěn)定發(fā)展。又如對(duì)當(dāng)前企業(yè)、個(gè)人的信貸過程中使用數(shù)據(jù)挖掘技術(shù)，能利用其預(yù)測(cè)性來(lái)分析該對(duì)象在未來(lái)是否會(huì)有良好的信用制度，也能減少信用風(fēng)險(xiǎn)。

3.2.4 積極融合智慧化服務(wù)平臺(tái)

當(dāng)前，數(shù)據(jù)挖掘技術(shù)和“智慧化”的融合已呈炙手可熱的趨勢(shì)，各類智慧場(chǎng)景（如智慧社區(qū)、智慧安防）層出不窮，促使數(shù)據(jù)平臺(tái)的智慧化發(fā)展不斷深化。以河南省某信用信息平臺(tái)智能化的成功案例分析，此平臺(tái)的建設(shè)可分為以下3個(gè)層面（見圖3）。第一，數(shù)據(jù)感知層。該層主要是負(fù)責(zé)對(duì)數(shù)據(jù)的質(zhì)量、安全性加以管控的環(huán)節(jié)，包含了硬感知、軟感知兩個(gè)方面。硬感知：收集以實(shí)體為載體（如二維碼、傳感器）的信息、狀態(tài)等數(shù)據(jù)；軟感知：搜集網(wǎng)絡(luò)爬蟲、系統(tǒng)日志、探針埋點(diǎn)等數(shù)據(jù)。第二，數(shù)據(jù)分析決策層。通過深入學(xué)習(xí)和利用數(shù)據(jù)挖掘技術(shù)分析后，能得出有價(jià)值且利于決策的信息，同時(shí)構(gòu)建出對(duì)應(yīng)模型[10]。第三，交互表現(xiàn)層。此層主要用于和外界的關(guān)聯(lián)，用語(yǔ)音、視頻等方式交互?？傊?，通過積極融合智慧化服務(wù)平臺(tái)，能構(gòu)建出更多的智慧化場(chǎng)景，充分發(fā)揮信用信息功能。

4 結(jié)語(yǔ)

綜上所述，數(shù)據(jù)挖掘技術(shù)在諸多企業(yè)、事業(yè)單位中的應(yīng)用越發(fā)廣泛，甚至成為一種新的經(jīng)濟(jì)資產(chǎn)。從宏觀角度來(lái)看，正是因?yàn)榇嬖跀?shù)據(jù)挖掘技術(shù)，才能從數(shù)據(jù)分析的層面給企事業(yè)帶來(lái)幫助，也為社會(huì)帶來(lái)全新的創(chuàng)業(yè)方向、商業(yè)模式和投資機(jī)會(huì)。目前，以大數(shù)據(jù)為基礎(chǔ)的各種科技類成果一躍成為市場(chǎng)發(fā)展的熱點(diǎn)，無(wú)論是產(chǎn)品營(yíng)銷、企業(yè)風(fēng)險(xiǎn)管控，還是用戶體驗(yàn)改進(jìn)等方面都有大數(shù)據(jù)的身影，也取得豐碩實(shí)踐成果。未來(lái)除信用信息分析外，數(shù)據(jù)挖掘技術(shù)的運(yùn)用會(huì)更加廣泛，并在更多行業(yè)中發(fā)揮出其重要價(jià)值。

參考文獻(xiàn)

[1]李迎國(guó)，李永華，何兆照．?dāng)?shù)據(jù)挖掘技術(shù)在高職教學(xué)質(zhì)量評(píng)價(jià)中的應(yīng)用[J]．無(wú)線互聯(lián)科技，2022（2）：134-135．

[2]陳銳，范小光，吳益平．基于數(shù)據(jù)挖掘技術(shù)的白水河滑坡多場(chǎng)信息關(guān)聯(lián)準(zhǔn)則分析[J]．中國(guó)地質(zhì)災(zāi)害與防治學(xué)報(bào)，2021（6）：1-8．

[3]楊銀娣，嚴(yán)金哲，崔明哲，等．基于Tobit模型的大學(xué)生信用消費(fèi)分析研究[J]．中南民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2021（6）：654-660．

[4]郭文波，周慧靜．基于信息雙要素理論的公共信用信息增值與實(shí)踐路徑[J]．宏觀經(jīng)濟(jì)管理，2021（6）：47-53．

[5]張巧珍，吳雯婷，李紫萱，等．采用數(shù)據(jù)挖掘技術(shù)對(duì)湖北省人類狂犬病開展生物信息學(xué)研究[J]．中國(guó)生物工程雜志，2021（ S1）：14-29．

[6]鐘亮，郭熙，國(guó)佳欣，等．基于數(shù)據(jù)挖掘技術(shù)的高光譜土壤質(zhì)地分類研究[J]．中國(guó)農(nóng)業(yè)科學(xué)，2020（ 21）：4449-4459．

[7]盂秋晴．在線健康信息的數(shù)據(jù)分析與挖掘技術(shù)研究——評(píng)《統(tǒng)計(jì)分析與數(shù)據(jù)挖掘技術(shù)》[J]．材料保護(hù)，2020（9）：164．

[8]李儀，陶宇．大數(shù)據(jù)技術(shù)下消費(fèi)者個(gè)人信用信息共享的治理機(jī)制[J]．中國(guó)流通經(jīng)濟(jì)，2020（2）：92-100.

[9]祁鵬，彭俊文，許多恒，等．基于頻繁事項(xiàng)數(shù)據(jù)挖掘的醫(yī)療設(shè)備技術(shù)管理研究[J]．中國(guó)醫(yī)學(xué)裝備，2020（1）：62-65．

[10]陳君．?dāng)?shù)據(jù)挖掘技術(shù)在二手車交易系統(tǒng)中的應(yīng)用[J]．計(jì)算機(jī)技術(shù)與發(fā)展，2020（5）：180-184．

（編輯李春燕）