1、傳統(tǒng)的聚類分析方法一般都沒有考慮大容量數(shù)據(jù)集合的問題,而數(shù)據(jù)挖掘技術(shù)在金融領(lǐng)域的研究重點(diǎn)之一就是如何從海量數(shù)據(jù)中高效率地獲取知識(shí);另外,傳統(tǒng)聚類方法的研究多集中于數(shù)字屬性的數(shù)據(jù),而電匯數(shù)據(jù)中存在大量非數(shù)字屬性以及具有多種特征的數(shù)據(jù)集合;聚類輸出的結(jié)果不容易理解也是傳統(tǒng)聚類分析方法的問題之一.因此,反洗錢系統(tǒng)中的聚類算法的研究主要集中在如何提高大型數(shù)據(jù)集合的聚類效率、如何處理具有各種特征的數(shù)據(jù)集合,如文檔數(shù)據(jù)、分類數(shù)據(jù)等以及如何對(duì)聚類結(jié)果

2、給出概念性解釋.國(guó)家外匯管理局決策支持系統(tǒng)已經(jīng)著手研究在非現(xiàn)場(chǎng)監(jiān)管系統(tǒng)中數(shù)據(jù)挖掘技術(shù)的應(yīng)用.將大規(guī)模數(shù)據(jù)集合高效地劃分為有意義的子集是金融數(shù)據(jù)挖掘的基本問題之一.由于數(shù)據(jù)采集時(shí)的隨意性和不規(guī)則性,加上市場(chǎng)發(fā)展的漸進(jìn)過程和管理制度的滯后,使得金融數(shù)據(jù)挖掘必須在缺少背景知識(shí)的情況下,處理屬性類型復(fù)雜、有噪音及孤立點(diǎn)和不完整的數(shù)據(jù).傳統(tǒng)的BIRCH算法由于其增量特性適應(yīng)于大型數(shù)據(jù)庫(kù),但是該算法利用的匯總信息的思想無(wú)法處理分類屬性的數(shù)據(jù);K-m

3、eans算法雖然可以處理分類屬性的數(shù)據(jù)但是由于其高昂的代價(jià)而無(wú)法適應(yīng)于大型的數(shù)據(jù)庫(kù).筆者結(jié)合基于分類方法的K-means中心點(diǎn)算法以及基于層次方法的BIRCH增量算法提出核心樹(Core-Tree)的思想來(lái)彌補(bǔ)兩個(gè)算法的缺點(diǎn),即:使用中心點(diǎn)的思想來(lái)表示BIRCH算法中匯總信息,利用類核心的思想來(lái)提高確定中心點(diǎn)的效率;與此同時(shí),將基于概念模型的方法應(yīng)用到聚類輸出結(jié)果中,使輸出結(jié)果被解釋為可以理解的層次關(guān)系,從而改善提高該算法的輸出質(zhì)量.最