数据挖掘研究及发展现状
数据挖掘技术在金融中的应用研究
数据挖掘技术在金融中的应用研究近年来，随着互联网技术的飞速发展，越来越多的金融企业开始关注数据挖掘技术，将其应用于业务中，以从庞大的数据中挖掘出有价值的信息。
数据挖掘技术可以帮助金融企业快速有效地识别风险和机会，从而更加准确地进行决策，实现企业利润的最大化。
本文旨在分析数据挖掘技术在金融领域的应用现状和未来发展方向。
一、金融领域的数据挖掘应用现状数据挖掘技术在金融领域的应用已经得到广泛认可，尤其是在银行、证券、保险等领域。
现阶段，数据挖掘技术在金融领域主要应用于以下几个方面：1.风险识别风险识别是金融领域最主要的应用场景之一。
通过对客户的信用评估、犯罪判定、欺诈检测等方式，将有风险的客户和交易筛选出来，从而提高金融企业的风险控制能力。
2.信用评估信用评估是银行、信贷公司等金融机构的核心业务之一。
通过对客户的个人信息、信用记录等多方面数据进行分析和评估，确定客户的信用等级和额度，从而更好地管理风险。
3.营销策略数据挖掘还可应用于营销策略，对客户的消费记录、购买喜好等信息进行分析，为金融企业提供更有效的营销方案，提高客户满意度和企业收益。
二、金融领域数据挖掘技术的未来发展方向随着数字化转型的加速和数据无限增长，金融领域的数据挖掘技术将会迎来更加广泛的应用场景和更高的技术要求。
未来，金融领域数据挖掘技术的发展将呈现以下几个趋势：1. 人工智能技术的融入在数据挖掘技术的发展过程中，人工智能技术将成为不可或缺的一部分。
未来金融企业需要借助人工智能对海量数据进行处理和分析，以更好地发掘数据价值，实现精细化管理。
2. 数据可视化技术的发展数据挖掘技术所产生的数据量庞大，而如何更好地呈现数据，使其更加清晰、直观、易于理解，则成为未来发展的重要方向。
数据可视化技术将助力金融企业更好地理解和利用数据，为业务决策提供更为准确的参考。
3. 联邦学习技术的应用联邦学习是一种新兴的机器学习技术，旨在解决数据隐私保护和数据共享的难题。
智慧城市数据挖掘技术的研究及应用
智慧城市数据挖掘技术的研究及应用智慧城市是指利用先进的信息技术和科学技术，将各种城市运行和管理过程中产生的数据进行整合、分析和利用，达到高效、智能、便捷、低成本运作的城市目标。
通过对数据的准确量化和分析，能够帮助城市的规划者和管理者更好地制定城市发展战略和政策，从而实现城市的智慧化和可持续发展。
而数据挖掘技术则是智慧城市建设过程中非常重要的一环。
一、智慧城市数据挖掘技术的定义及背景数据挖掘技术是指对大量数据进行自动分析，从中提取潜在的、以前未被发掘的、有价值的信息和知识，并发现新的知识、规律和趋势的一种新型技术。
数据挖掘技术对于城市管理具有重要的应用价值，因为城市管理涉及到的数据量非常大，系统进行的操作也非常复杂，需要采用先进的数据处理技术来提高操作效率和城市管理水平。
而智慧城市就是一种运用大数据分析技术和人工智能技术来优化城市治理的方式，它集成了城市各种运行和管理模式中的数据产生、传递、储存和处理，通过对这些数据进行挖掘和分析，进而作出合理的改进和优化，使城市更加智慧化、科技化和便利化。
目前，智慧城市建设已成为全球热门话题，各个国家和城市均在积极推进相关的计划和政策。
例如国外的芬兰和美国早已在智慧城市建设方面有着丰富的经验和成就，在中国也有大量的智慧城市项目正在推进中，如北京、上海、深圳等城市都已经探索开展了相关的智慧城市建设。
为了更好地实现智慧城市的目标，数据挖掘技术便成为了智慧城市建设过程中必不可少的技术手段之一。
二、智慧城市数据挖掘技术的应用数据挖掘技术在智慧城市建设中有着非常广泛的应用。
以下几个方面是智慧城市中数据挖掘技术的典型应用案例：1.交通运输方面：城市交通是城市管理中相对热门的话题，交通拥堵和堵车是人们不满的现象之一。
针对这个问题，数据挖掘技术可以通过车标识别、交通卡信息、导航系统记录等方式获取海量的交通数据，利用大数据技术和机器学习算法来分析和预测交通状况，提高交通运输的效率，减少交通拥堵。
大数据的国内外研究现状及发展动态分析
大数据的国内外研究现状及发展动态分析在信息时代的浪潮中，大数据成为了一种重要的资源和技术。
它的涌现不仅改变了人们的生活方式和商业运营方式，也推动了科学研究的发展。
本文将对国内外大数据研究的现状以及未来的发展动态进行分析。
一、国际大数据研究现状大数据研究在国际范围内已经有了长足的发展。
首先，在数据存储方面，云计算技术被广泛应用于海量数据的存储和管理，例如Amazon的S3和Google的Bigtable等技术。
其次，在数据处理方面，分布式计算和并行计算被用于加速大数据的处理速度，例如MapReduce和Spark等技术。
此外，数据挖掘和机器学习也成为了大数据研究的重要方向，通过对大量数据的分析和学习，揭示其中的关联模式和规律。
二、国内大数据研究现状在国内，大数据研究也呈现出蓬勃发展的态势。
首先，在政府的支持下，各大高校和研究机构纷纷开展了大数据相关的研究项目。
其次，在行业应用方面，诸如金融、医疗、物流等各个领域都开始利用大数据来提高效率和服务质量。
此外，一些互联网企业也在大数据分析和算法研发方面进行了深入探索，例如阿里巴巴和百度等。
三、国际大数据研究动态在国际上，大数据研究正朝着更加深入和广泛的方向发展。
首先，随着物联网技术的不断演进，大量传感器数据的产生将推动数据存储和分析的需求。
其次，在人工智能领域，深度学习技术的崛起为大数据研究提供了新的方法和思路。
此外，跨界研究也成为了大数据领域的趋势，例如将大数据与社会科学、医学等学科相结合，探索新的研究方向和方法。
四、国内大数据研究动态在国内，大数据研究也在不断推进和突破。
首先，政府加大了对大数据研究的支持力度，提出了一系列发展政策和资金扶持。
其次，学术界和产业界之间的合作交流也越来越频繁，加快了大数据技术的推广和应用。
此外，一些新兴领域的涌现，如人工智能、区块链等，也将为大数据研究带来新的机遇和挑战。
五、国际大数据研究趋势在国际上，大数据研究的趋势是多样化和复合化发展。
数据挖掘研究的现状与发展趋势
数据挖掘是一门交叉学科 ， 它把人们对数据的应 据中获得更有用 的信息． 实际上 ， 这些数据 中只有一 用从 低层 次 的简 单 查 询 ， 升 到从 数据 中挖 掘 知 识 ， 提 小部分 有用 ， 人们 却渴 求获 得知 识 ， 面 临“ 据丰 提供决 策 支 持 ． 建 立 在 数 据 库 、 工 智 能 、 器 学 但 正 数 是 人 机
的但又是潜 在有用 的信息 和知识 的过程 ］它 涉及 了四个阶段 ： ． 数据搜集、 数据访 问、 数据仓库和决策支 到对数 据库 中 的大量 数据 进 行 抽 取 、 转换 、 析 以及 持 （ 表 Ｉ ¨』 分 见 ） ． 模 型化处 理 ， 中提 取 辅助 决 策 的关 键 性 数 据 ． 据 从 数 挖 掘可 以帮助 决 策者 寻找 规 律 ， 现被 忽 略 的要 素 ， 发
的努力 ， 据 挖 掘 技 术 的研 究 已经 取 得 了 丰 硕 的成 数
Ｄｓｏｅｙｉ ａ ｂｓ， ｉ ｖｒ ｎＤ ｔ ａｅ简称 Ｋ Ｄ） 是 ２ 纪 ９ ｃ ａ Ｄ ， ０世 Ｏ年代 果 ， 少软 件公 司 已研 制 出数 据 挖 掘 软 件 产 品 ， 在 不 并 以来发展起 来 的数 据 库 系统 和 数据 库应 用 领 域 一 个 北 美 、 欧洲 等 国家得 到应用 ． 欣欣 向荣 的前 沿学科 ， 是从 大量 的、 不完 全 的 、 有噪 声 数 据挖 掘可 以认 为 是数 据库 技 术 和信 息 技 术 自 的、 糊 的、 模 随机 的实 际应 用 数据 中 ， 取 隐含在 其 中 然 演变 的结 果 ． 数据 库 业 界 ， 据 挖 掘 的进 化 经 历 提 在 数
第 ８卷 第 ２期 ２ １ ４月 ０ ０年
红河学院学报
Ｊｕｎ ｌ ｆＨｏ ｇ ｅＵ ｉｅｓｔ ｏ ｒａ ｎ ｈ ｎｖ ｒｉ ｏ ｙ
数据挖掘的发展趋势及未来的研究方向
数据挖掘的发展趋势及未来的研究方向一、数据挖掘简介近十几年来，信息数据增长之巨大已到了令人咂舌地步，大型数据库、数据仓库被用于商业管理、政府办公、科学研究和工程开发等等。
于是，我们又面临了新的问题：如何从中及时发现有用的知识，提高信息利用率？要想使数据真正成为一个公司的资源，只有充分利用它为公司自身的业务决策和战略发展服务才行，否则大量的数据只能成为包袱，甚至垃圾。
因此，数据挖掘技术应运而生。
我们可以把数据挖掘理解为：数据挖掘就是从海量的数据（包括结构化和非结构化）中挖掘出隐含在其中的、事先不为人知的、潜在的、有用信息和知识的技术。
这些信息是可能有潜在价值的，是用户感兴趣的、可理解、可运用的，支持决策，可以为企业带来利益，或者为科学研究寻找突破口。
二、数据挖掘的功能数据挖掘综合了各个学科技术，有很多的功能，当前主要功能如下：（1）分类：按照分析对象的属性、特征，建立不同的组类来描述事物。
例如：银行部门根据以前的数据将客户分成了不同的类别，现在就可以根据这些来区分新申请贷款的客户，以采取相应的贷款方案。
（2）聚类：识别出分析对内在的规则，按照这些规则把对象分成若干类。
例如：将申请人分为高度风险申请者，中度风险申请者，低度风险申请者。
（3）关联规则和序列模式的发现：关联是某种事物发生时其他事物会发生的这样一种联系。
例如：每天购买尿布的人也有可能购买啤酒，比重有多大，可以通过关联的支持度和可信度来描述。
与关联不同，序列是一种纵向的联系。
例如：今天银行调整利率，明天股市的变化。
（4）预测：把握分析对象发展的规律，对未来的趋势做出预见。
例如：对未来经济发展的判断。
（5）偏差的检测：对分析对象的少数的、极端的特例的描述，揭示内在的原因。
例如：在银行的100万笔交易中有500例的欺诈行为，银行为了稳健经营，就要发现这500例的内在因素，减小以后经营的风险。
需要注意的是：数据挖掘的各项功能不是独立存在的，在数据挖掘中互相联系，发挥作用。
数据挖掘技术在医学领域中的应用现状与发展趋势
数据挖掘技术在医学领域中的应用现状与发展趋势导语：随着科技的不断发展，数据挖掘技术在医学领域中的应用越来越广泛。
利用大量的医疗数据进行分析和挖掘，可以帮助医疗工作者更好地了解疾病的发展规律，提高医疗保健水平。
本文将对数据挖掘技术在医学领域中的应用现状和发展趋势进行探讨。
一、数据挖掘技术在医学领域中的应用现状1. 疾病预测和诊断数据挖掘技术可以利用大量的患者数据，建立准确的疾病预测和诊断模型。
通过分析患者的生理指标、病史、基因信息等数据，可以帮助医生更精准地进行疾病的预测和诊断。
例如，利用机器学习算法和神经网络模型，可以预测患者患心脏病、糖尿病等疾病的风险，并提供相应的治疗方案。
2. 药物研发与个体化治疗数据挖掘技术可以帮助医药企业在药物研发过程中分析大量的药物数据和患者数据，从而更好地理解药物的作用机制、副作用及药物治疗的个体化问题。
通过挖掘患者的基因信息和药物治疗的效果数据，可以实现个体化的药物治疗，提高治疗效果。
同时，还可以挖掘患者的用药信息，帮助医生更好地判断患者的治疗依从性，减少药物滥用和不良反应的发生。
3. 医疗资源优化和运营管理利用数据挖掘技术，可以分析医疗机构的历史数据、患者的用药数据等，优化医疗资源的配置和运营管理。
通过对就诊人数、医院排队情况等数据的分析，可以合理安排医疗资源，提高服务效率和患者满意度。
同时，还可以通过挖掘患者的疾病数据和用药数据，进行疾病风险评估、医疗费用预测，更好地进行医疗计划和医保管理。
二、数据挖掘技术在医学领域中的发展趋势1. 结合深度学习算法深度学习算法在图像识别、自然语言处理等领域取得了重大突破，对于医学图像分析、疾病预测等问题具有较大的潜力。
未来，数据挖掘技术将更多地结合深度学习算法，提高医学数据的处理和分析能力。
2. 智能医疗助手的发展随着智能终端设备的普及和人工智能技术的发展，智能医疗助手正在成为医学领域的新趋势。
智能医疗助手可以根据患者的症状和疾病信息，给出个性化的医疗建议和健康管理方案。
数据挖掘研究现状及发展趋势
数据挖掘研究现状及发展趋势数据挖掘研究现状及发展趋势引言：随着信息时代的到来，人们对于数据的需求不断增加，数据的挖掘技术也逐渐崭露头角。
数据挖掘是指通过从大量的数据中发现隐含的知识和信息，进行模式识别、预测行为、分类和聚类等任务的过程。
近年来，数据挖掘技术在各个领域取得了广泛的应用，并且不断推动了科学研究和商业发展。
本文将介绍数据挖掘研究的现状及其未来的发展趋势。
一、数据挖掘的研究现状1. 数据挖掘算法数据挖掘算法是数据挖掘研究的核心。
目前，常见的数据挖掘算法包括决策树、聚类、关联规则挖掘、支持向量机等。
这些算法可以有效地从数据中发现知识和信息，并为决策提供支持。
此外，随着深度学习的兴起，神经网络等人工智能算法也被广泛应用于数据挖掘领域。
2. 数据挖掘应用数据挖掘技术在各个领域都有广泛的应用。
在商业领域，数据挖掘可以用于市场分析、客户关系管理、风险评估等。
在金融领域，数据挖掘可以用于预测股票价格、信用评估等。
在医疗领域，数据挖掘可以用于疾病诊断、药物发现等。
在科学研究中，数据挖掘可以用于发现科学规律、推动科学进展。
3. 数据挖掘工具为了帮助人们更好地进行数据挖掘研究，许多数据挖掘工具被开发出来。
例如，Weka、RapidMiner、Python的scikit-learn等工具，它们提供了丰富的功能和算法供用户选择，大大简化了数据挖掘的过程。
二、数据挖掘研究的发展趋势1. 大数据时代的挑战随着互联网的普及和物联网技术的发展，大量的数据被生成和存储。
数据量的急剧增加给数据挖掘技术提出了挑战。
未来，数据挖掘研究将面临如何高效处理和分析大数据的问题。
2. 非结构化数据挖掘现有的数据挖掘技术主要针对结构化数据，例如数据库中以表格形式存储的数据。
然而，随着社交网络、文本和多媒体数据的大量产生，非结构化数据挖掘成为了一个重要的研究方向。
未来的研究将致力于如何从非结构化数据中提取有效的信息和知识。
3. 隐私保护与数据安全随着个人数据的大规模收集和分析，数据隐私和安全成为了一个严峻的问题。
数据挖掘技术的发展趋势
数据挖掘技术的发展趋势1. 机器研究与数据挖掘的结合机器研究是数据挖掘的关键组成部分，通过建立模型和算法来从数据中研究和预测。
近年来，机器研究技术发展迅速，为数据挖掘领域带来了许多创新。
未来，机器研究算法的改进和应用将继续推动数据挖掘技术的发展。
2. 大数据时代的数据挖掘随着互联网的普及和信息技术的快速发展，大数据时代已经到来。
海量的数据成为数据挖掘的新挑战和机遇。
数据挖掘技术在面对大数据时代需要适应更高的数据量、更复杂的数据结构和更高的算法效率。
因此，数据挖掘技术将继续发展和完善，以适应大数据时代的需求。
3. 数据挖掘在智能决策中的应用数据挖掘技术能够从大量的数据中发现隐藏的知识和模式，为决策提供支持和指导。
随着人工智能的发展和智能决策的需求增加，数据挖掘技术在智能决策中的应用前景广阔。
未来，数据挖掘技术将更加深入地与智能决策相结合，为各个领域的决策提供更准确、更可靠的支持。
4. 数据隐私和安全保护数据挖掘技术的发展也带来了一些挑战，其中之一是数据隐私和安全保护。
随着个人隐私意识的提高和相关法律法规的出台，数据挖掘技术在处理敏感信息时需要考虑隐私和安全保护问题。
未来，数据挖掘技术在隐私和安全方面的研究将成为一个重要的发展方向。
5. 跨领域合作和知识融合数据挖掘技术的应用已经渗透到各个领域，如医疗、金融、电子商务等。
在未来，数据挖掘技术将需要与其他学科和领域进行更紧密的合作，进行知识融合和交叉创新。
跨领域合作将为数据挖掘技术的发展带来更多的灵感和机遇。
综上所述，数据挖掘技术的发展趋势包括机器学习与数据挖掘的结合、大数据时代的数据挖掘、数据挖掘在智能决策中的应用、数据隐私和安全保护、以及跨领域合作和知识融合。
这些趋势将进一步推动数据挖掘技术的发展，为我们带来更多的机遇和挑战。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数据挖掘技术的研究现状及发展方向摘要：数据挖掘技术是当前数据库和人工智能领域研究的热点。
从数据挖掘的定义出发，介绍了数据挖掘的神经网络法、决策树法、遗传算法、粗糙集法、模糊集法和关联规则法等概念及其各自的优缺点；详细总结了国内外数据挖掘的研究现状及研究热点，指出了数据挖掘的发展方向。
关键词：数据挖掘；神经网络；决策树；粗糙集；模糊集；研究现状；发展方向The present situation and future direction ofthe data mining technology researchAbstract: Data mining technology is hot spot in the field of current database and artificial intelligence. From the definition of data mining, the paper introduced concepts and advantages and disadvantages of neural network algorithm, decision tree algorithm, genetic algorithm, rough set method, fuzzy set method and association rule method of data mining, summarized domestic and international research situation and focus of data mining in details, and pointed out the development trend of data mining.Key words: data mining, neural network, decision tree, rough set, fuzzy set, research situation, development direction0 引言随着信息技术的迅猛发展，许多行业如商业、企业、科研机构和政府部门等都积累了海量的、不同形式存储的数据资料[1]。
这些海量数据中往往隐含着各种各样有用的信息，仅仅依靠数据库的查询检索机制和统计学方法很难获得这些信息，数据和信息之间的鸿沟要求系统地开发数据挖掘工具，将数据坟墓转换成知识金砖，从而达到为决策服务的目的。
在这种情况下，一个新的技术——数据挖掘(Data Mining，DM)技术应运而生[2]。
数据挖掘正是为了迎合这种需要而产生并迅速发展起来的、用于开发信息资源的、一种新的数据处理技术。
数据挖掘通常又称数据库中的知识发现（Knowledge Discovery in Databases），是一个多学科领域，它融合了数据库技术、人工智能、机器学习、统计学、知识工程、信息检索等最新技术的研究成果，其应用非常广泛。
只要是有分析价值的数据库，都可以利用数据挖掘工具来挖掘有用的信息。
数据挖掘典型的应用领域包括市场、工业生产、金融、医学、科学研究、工程诊断等。
本文主要介绍数据挖掘的主要算法及其各自的优缺点，并对国内外的研究现状及研究热点进行了详细的总结，最后指出其发展趋势及问题所在。
1 数据挖掘算法数据挖掘就是从大量的、有噪声的、不完全的、模糊的、随机的实际应用数据中提取有效的、新颖的、潜在有用的知识的非平凡过程[3]。
所得到的信息应具有先前未知、有效和实用三个特征。
数据挖掘过程如图1所示。
这些数据的类型可以是结构化的、半结构化的、甚至是异构型的。
发现知识的方法可以是数学的、非数学的、也可以是归纳的。
最终被发现了的知识可以用于信息管理、查询优化、决策支持及数据自身的维护等[4]。
数据选择：确定发现任务的操作对象,即目标对象；预处理：包括消除噪声、推导计算缺值数据、消除重复记录、完成数据类型转换等；转换：消减数据维数或降维；数据开采：确定开采的任务，如数据总结、分类、聚类、关联规则发现或序列模式发现等，并确定使用什么样的开采算法；解释和评价：数据挖掘阶段发现的模式，经过用户和机器的评价，可能存在冗余或无关的模式，这时需要剔除，使用户更容易理解和应用。
十大经典算法如图2：目前，数据挖掘的算法主要包括神经网络法、决策树法、遗传算法、粗糙集法、模糊集法、关联规则法等。
图1 数据挖掘过程图2 十大经典算法1.1 神经网络法神经网络法是模拟生物神经系统的结构和功能，是一种通过训练来学习的非线性预测模型，可完成分类、聚类、特征挖掘等多种数据挖掘任务。
神经网络的学习方法主要表现在权值的修改上。
其优点是具有抗干扰、非线性学习、联想记忆功能，对复杂情况能得到精确的预测结果；缺点是不适合处理高维变量，不能观察中间的学习过程，具有/黑箱0性，输出结果也难以解释；其次是需较长的学习时间。
神经网络法主要应用于数据挖据的聚类技术中。
1.2 决策树法决策树是通过一系列规则对数据进行分类的过程，其表现形式是类似于树形结构的流程图。
最典型的算法是J.R.QUINLAN于1986年提出的ID3算法[5]，之后在ID3算法的基础上又提出了极其流行的C4.5算法[6]。
采用决策树法的优点是决策制定的过程是可见的，不需要长时间构造过程、描不需要长时间构造过程、描述简单，易于理解，分类速度快；缺点是很难基于多个变量组合发现规则。
决策树法擅长处理非数值型数据，而且特别适合大规模的数据处理。
1.3 遗传算法遗传算法是一种采用遗传结合、遗传交叉变异及自然选择等操作来生成实现规则的、基于进化理论的机器学习方法。
它的基本观点是/适者生存0原理，具有隐含并行性、易于和其它模型结合等性质。
主要的优点是可以处理许多数据类型，同时可以并行处理各种数据，对问题的种类有很强的鲁棒性；缺点是需要的参数太多，编码困难，一般计算量比较大。
遗传算法常用于优化神经元网络，解决其它技术难以解决的问题。
1.4 粗糙集法粗糙集法也称粗糙集理论，是一种新的处理含糊、不精确、不完备问题的数学工具，可以处理数据约简、数据相关性发现、数据意义的评估等问题。
其优点是算法简单，不需要关于数据的任何预备的或额外的信息；缺点是难以直接处理连续的属性，须先进行属性的离散化。
因此，连续属性的离散化问题是制约粗糙集理论实用化的难点[7]。
粗糙集理论主要应用于近似推理、数字逻辑分析和化简、建立预测模型等问题。
1.5 模糊集法模糊集法利用模糊集合理论对问题进行模糊评判、模糊决策、模糊模式识别和模糊聚类分析。
模糊集合理论是用隶属度来描述模糊事物的属性[7]。
系统的复杂性越高，模糊性就越强。
1.6 关联规则法关联规则反应了事物之间的相互依赖性或关联性。
其最著名的算法是R.AGRAWAL等人提出的Apriori算法。
最小支持度和最小可信度是为了发现有意义的关联规则给定的2个阈值。
在这个意义上，数据挖掘的目的就是从源数据库中挖掘出满足最小支持度和最小可信度的关联规则。
2 数据挖掘研究现状2.1 国外研究现状知识发现[8]( Knowledge Discovery in Databases，KDD)与DM是数据库领域中最重要的课题之一。
KDD一词是在1989年8月于美国底特律市召开的第十一届国际人工智能会议上正式形成的。
1995年在加拿大蒙特利尔召开的首届KDD & Data Mining国际学术会议上，把数据挖掘技术分为科研领域的知识发现与工程领域的数据挖掘[9]。
之后每年召开一次这样的会议，经过十几年的努力，数据挖掘技术的研究已经取得了丰硕的成果。
目前，对KDD 的研究主要围绕理论、技术和应用这三个方面展开。
多种理论与方法的合理整合是大多数研究者采用的有效技术。
目前，国外数据挖掘的最新发展主要有对发现知识的方法的进一步研究，如近年来注重对Bayes(贝叶斯)方法以及Boosting方法的研究和改进提高；KDD与数据库的紧密结合；传统的统计学回归方法在KDD 中的应用。
在应用方面主要体现在KDD商业软件工具从解决问题的孤立过程转向建立解决问题的整体系统，主要用户有保险公司、大型银行和销售业等。
许多计算机公司和研究机构都非常重视数据挖掘的开发应用，IBM和微软都相继成立了相应的研究中心[10]。
美国是全球数据挖掘研究最繁荣的地区，并占据着研究的核心地位。
由于数据挖掘软件市场需求量的增大，包括国际知名公司在内的很多软件公司都纷纷加入到了数据挖掘工具研发的行列中来，到目前已开发了一系列技术成熟、应用价值较高的数据挖掘软件。
以下为目前最主要的数据挖掘软件：(1) Knowledge Studio：由Angoss软件公司开发的能够灵活地导入外部模型和产生规则的数据挖掘工具。
最大的优点：响应速度快，且模型、文档易于理解，SDK中容易加入新的算法。
(2) IBM Intelligent Miner：该软件能自动实现数据选择、转换、发掘和结果呈现一整套数据挖掘操作；支持分类、预测、关联规则、聚类等算法，并且具有强大的API函数库，可以创建定制的模型。
(3) SPSS Clementine：SPSS是世界上最早的统计分析软件之一。
Clementine是SPSS的数据挖掘应用工具，它可以把直观的用户图形界面与多种分析技术如神经网络、关联规则和规则归纳技术结合在一起。
该软件首次引入了数据挖掘流概念，用户可以在同一个工作流环境中清理数据、转换数据和构建模型。
(4) Cognos Scenario：该软件是基于树的高度视图化的数据挖掘工具，可以用最短的响应时间得出最精确的结果。
此外，还有由美国Insightful公司开发的I-Miner、SGI公司和美国Standford大学联合开发的Minset、Unica公司开发的Affinium Model、加拿大Simon Fraser大学开发的DBMiner、HNC 公司开发的用于信用卡诈骗分析的Database MiningWorkstation、Neo Vista开发的Decision Series等。
2.2 国内研究现状与国外相比，国内对数据挖掘的研究起步稍晚且不成熟，目前正处于发展阶段。
最新发展：分类技术研究中，试图建立其集合理论体系，实现海量数据处理；将粗糙集和模糊集理论二者融合用于知识发现；构造模糊系统辨识方法与模糊系统知识模型；构造智能专家系统；研究中文文本挖掘的理论模型与实现技术；利用概念进行文本挖掘。
我国也有不少新兴的数据挖掘软件：(1) MSMiner：由中科院计算技术研究所智能信息处理重点实验室开发的多策略通用数据挖掘平台[11]。
该平台对数据和挖掘策略的组织有很好的灵活性。