论文部分内容阅读
得益于计算机科学与信息技术的进步,企业可以方便的收集并储存大量数据。但收集到的数据仅仅占用了大量的存储空间,无法对企业的价值产生有效的帮助,因此企业开始着手于从数据中挖掘信息。以往的信息挖掘过程由专家分析并解释数据,这种方式随着数据量以及属性的急剧增加而变得越来越困难。所以,如何有效地从巨大数据库中自动的发现知识,更进一步加工转化成企业不可或缺的商业智慧,逐渐成为二十一世纪企业和机构所必须面对的重要课题。在生产实践中,数据的增加速度与数据分析所消耗的大量时间已经形成了越来越突出的矛盾。数据挖掘正是为了解决传统分析方法的问题,针对大规模数据的分析处理而出现的技术。数据挖掘通过将自学习算法应用在大规模数据集上,得到隐藏在数据中难以获取的知识与信息。海关作为国家商品进出口的主要监管单位,是海量进出口数据的生产者和拥有者。随着业务流程信息化建设的深入和完善,海关已经基本实现了较为完整的数据化监管和数字化运营能力。但同时,相对有限的数据分析手段与不断增长的数据和业务复杂度之间的矛盾也日益突出。如何对海量的报关商品进行有效的归类和管理成为海关监管中亟待解决的问题。本论文以海关商品数据分析项目为主线,在MapReduce框架的基础上实现了对商品数据的一系列处理模块,形成了商品数据的分布式聚类系统。主要内容包括商品数据的预处理、TF-IDF计算、倒排索引的构建、相似度矩阵的计算、单连接层次聚类计算等。最后利用层次聚类的结果对海关的商品数据进行了整理,为海关情报分析研判模块提供精确的分组统计依据,在实际应用中产生了效果。