大数据好的研究课题

1. 大数据分析时代对市场营销的影响研究

下面我为你准备的关于市场营销的论文，欢迎阅读借鉴，希望对大家有帮助。

一、数据分析时代演变历程

(一)数据1.0时代

数据分析出现在新的计算技术实现以后，分析1.0时代又称为商业智能时代。它通过客观分析和深入理解商业现象，取缔在决策中仅凭直觉和过时的市场调研报告，帮助管理者理性化和最大化依据事实作出决策。首次在计算机的帮助下将生产、客户交互、市场等数据录入数据库并且整合分析。但是由于发展的局限性对数据的使用更多的是准备数据，很少时间用在分析数据上。

(二)数据2.0时代

2.0时代开始于2005年，与分析1.0要求的公司能力不同，新时达要求数量分析师具备超强的分析数据能力，数据也不是只来源于公司内部，更多的来自公司外部、互联网、传感器和各种公开发布的数据。比如领英公司，充分运用数据分析抢占先机，开发出令人印象深刻的数据服务。

(三)数据3.0时代

又称为富化数据的产品时代。分析3.0时代来临的标准是各行业大公司纷纷介入。公司可以很好的分析数据，指导合适的商业决策。但是必须承认，随着数据的越来越大，更新速度越来越快，在带来发展机遇的同时，也带来诸多挑战。如何商业化地利用这次变革是亟待面对的课题。

二、大数据营销的本质

随着顾客主导逻辑时代的到来以及互联网电商等多渠道购物方式的出现，顾客角色和需求发生了转变，世界正在被感知化、互联化和智能化。大数据时代的到来，个人的行为不仅能够被量化搜集、预测，而且顾客的个人观点很可能改变商业世界和社会的运行。由此，一个个性化顾客主导商业需求的时代已然到来，大数据冲击下，市场营销引领的企业变革初见端倪。

(一)大数据时代消费者成为市场营销的主宰者

传统的市场营销过程是通过市场调研，采集目前市场的信息帮助企业研发、生产、营销和推广。但是在大数据以及社会化媒体盛行的今天，这种营销模式便黯然失色。今天的消费者已然成为了市场营销的主宰者，他们会主动搜寻商品信息，货比三家，严格筛选。他们由之前的注重使用价值到更加注重消费整个过程中的体验价值和情境价值。甚至企业品牌形象的塑造也不再是企业单一宣传，虚拟社区以及购物网站等的口碑开始影响消费者的购买行为。更有甚者，消费者通过在社交媒体等渠道表达个人的需求已经成为影响企业产品设计、研发、生产和销售的重要因素。

(二)大数据时代企业精准营销成为可能

在大数据时代下，技术的发展大大超过了企业的想象。搜集非结构化的信息已经成为一种可能，大数据不单单仅能了解细分市场的可能，更通过真正个性化洞察精确到每个顾客。通过数据的挖掘和深入分析，企业可以掌握有价值的信息帮助企业发现顾客思维模式、消费行为模式。尤其在今天顾客为了彰显个性，有着独特的消费倾向。相对于忠诚于某个品牌，顾客更忠诚与给自己的定位。如果企业的品牌不能最大化地实现客户价值，那么即使是再惠顾也难以保证顾客的持续性。并且，企业不能奢望对顾客进行归类，因为每个顾客的需求都有差别。正是如此，大数据分析才能更好地把握顾客的消费行为和偏好，为企业精准营销出谋划策。

(三)大数据时代企业营销理念――“充分以顾客为中心创造价值”

传统的营销和战略的观点认为，大规模生产意味着标准化生产方式，无个性化可言。定制化生产意味着个性化生产，但是只是小规模定制。说到底，大规模生产与定制化无法结合。但是在今天，大数据分析的营销和销售解决的是大规模生产和顾客个性化需求之间的矛盾。使大企业拥有传统小便利店的一对一顾客关系管理，以即时工具和个性化推荐使得大企业实现与顾客的实时沟通等。

三、基于数据营销案例研究――京东

京东是最大的自营式电商企业。其中的京东商城，涵盖服装、化妆品、日用品、生鲜、电脑数码等多个品类。在整个手机零售商行业里，京东无论是在销售额还是销售量都占到市场份额一半的规模。之所以占据这样的优势地位，得益于大数据的应用，即京东的JD Phone的计划。

JD Phone计划是依据京东的大数据和综合服务的能力，以用户为中心整合产业链的优质资源并联合厂商打造用户期待的产品和服务体验。京东在销售的过程中，通过对大数据的分析，内部研究出一种称为产品画像的模型。这个模型通过综合在京东网站购物消费者的信息，例如：年龄、性别、喜好等类别的信息，然后进行深入分析。根据分析结果结合不同的消费者便有诸如线上的程序化购买、精准的点击等营销手段，有效的帮助京东实现精准的营销推送。不仅如此，通过对于后续用户购物完成的售后数据分析，精确的分析商品的不足之处或者消费者的直接需求。数据3.0时代的一个特征便是企业不在单纯的在企业内部分析数据，而是共享实现价值共创。所以，京东把这些数据用于与上游供应商进行定期的交流，间接促进生产厂商与消费者沟通，了解市场的需求，指导下一次产品的市场定位。总的来说，这个计划是通过京东销售和售后环节的大数据分析，一方面指导自身精准营销，另一方面，影响供应商产品定位和企业规划，最终为消费者提供满足他们需求的个性化产品。

四、大数据营销的策略分析

(一)数据分析要树立以人为本的思维

“以人为本”体现在两个方面，一方面是数据分析以客户为本，切实分析客户的需求，用数据分析指导下一次的产品设计、生产和市场营销。另一方面，以人为本体现在对用户数据的保密性和合理化应用。切实维护好大数据和互联网背景下隐私保护的问题，使得信息技术良性发展。

(二)正确处理海量数据与核心数据的矛盾

大数据具有数据量大、类型繁多、价值密度低和速度快时效高的特点。所以在众多海量的数据中，只有反映消费者行为和市场需求的信息才是企业所需要的。不必要的数据分析只会影响企业做出正确的决策。鉴于此，首先企业需要明确核心数据的标准;其次企业要及时进行核心数据的归档;最后要有专业的数据分析专业队数据进行分析，得出科学合理的结果以指导实践。

(三)整合价值链以共享数据的方式实现价值创造

2. 大数据下的计算机信息处理技术研究论文

大数据下的计算机信息处理技术研究论文

摘要： 现如今，随着科学技术的快速发展，计算机技术已经融入到人们的生活之中，想想10年前的计算机技术和现如今的计算机技术，真的是天壤之别，发生了翻天覆地的变化。同时，大数据的应用也越来越广泛，带来了丰厚的利润，各种“云”层出不断，对大数据的背景下，计算机信息处理的技术提出更高的竞争和要求。本文首先介绍大数据的概念，阐述基于大数据背景下的各种计算机信息处理技术，并对技术进行分析研究，最后对大数据未来的发展的机会做出分析。

关键词： 大数据；计算机信息；技术研究

随着科技的迅猛发展，大数据的应用愈来愈广，随之产生的数据系统总量大，十分庞大，这就对大数据时代下的计算机信息处理技术提出了更高的要求，如何将大数据处理的井然有序，有条不紊，值得每一位考研人员进行探讨。

一、大数据的概念

什么是大数据？大数据，另一种叫法称之为巨型资料，是一个十分复杂密集的数据集，这样的数据集在一定的时间内，依靠于传统普通的数据加工软件无法最终实现管理、抓取及处理的功能，需要进行创新，用新的处理模式才能够实现。大数据具有虚拟化、按需服务、低成本等等特点。在每一个消费者的角度来看，大数据中的计算技术资源服务可以帮助每一个大数据用户完成想要的资源信息，用户只需进行付费就可以直接使用，根本不需要到处搜寻资料，跑来派去的打听。这从根本上改变了人们对信息资源的需求方式，为用户提供一种超大规模的网络资源共享。同时，面对海量的大数据库资源，如何对大数据资源进行处理，得到用户们想要的信息资源，需要计算机信息技术不断的进行挖掘。

二、大数据下的计算机信息处理技术

总体的来说，基于大数据背景下的计算机信息处理技术总共可以分成以下3个方面：信息的获取及加工技术、信息的存储技术和信息安全方面的技术。下面就针对这三种技术，进行研究分析。1）信息的获取及加工技术。信息的获取及加工技术是实现信息化的第一步，是最基础的工作内容，只有完成了信息数据的搜集工作，才能进行下面的计算机信息技术的处理。因此，如若进行信息的采集工作，需要首先明确信息的目标源，对信息数据进行监控，时刻把握信息的流向及动态，然后将采集的信息数据输入至计算机数据库中，实现了信息的获取采集工作。接下来是第二步，信息的加工及处理工作，所有的加工和处理技术的核心在于用户的指引，完全由用户导向，设定信息的筛选范围，确定信息的丰富度等等。最后是依照于用户的要求，将信息资源传输到用户手中。这样就实现了整个信息从采集到处理，再从处理到传送工作的整个流程。2）信息的存储技术。在大数据的背景下，对于整个计算机信息的处理，信息技术的存储是十分关键的环节，可以将处理加工的数据得以保存，更方便用户对于数据的调取和应用。而且，现如今的信息数据总量大、更新速度快，合理的运用存储方面的技术，可以快速的实现信息的存储工作，提高工效效率，将复杂变简单。在目前的时代下，应用最广泛的是分布式数据存储技术，应用十分方便，能够实现快速大量的数据存储。3）信息安全方面的技术。大数据在方便用户使用和享受的同时，信息数据资源的安全性也是不容忽略的，而且随着社会的发展，数据资源的安全性和隐私性逐渐受到关注，如何实现数据库的安全是个十分值得研究的课题。首先最主要的是建立计算机安全体系，充分引进更多的人才。其次需要加强安全技术的研发速度，由于大数据发展及更新速度快，需要快速的更新原有的安全体系，尽快的适应大数据时代的更新速度。除此之外，加强对信息的监测是十分必要的，避免不法之人进行数据的盗取，在信息数据庞大的体量下，依然能够提供稳定有效的安全体系。

三、大数据下的计算机信息技术的发展前景

1）云技术的发展是必然趋势。云计算网络技术是越来越得到大的发展，一方面由于计算机硬件系统的数据处理技术有限，云技术可以完全的将弊端破除，同时，它能够利用最新的数据资源和处理技术，不依赖于计算机硬件系统。因此，随着庞大的数据越来越复杂，传统的数据处理方式已经不能够适应，未来将计算机信息处理必将朝着云计算发展。2）计算机网络不再受限于计算机硬件。未来，计算机网络技术将会不再受制于计算机硬件的限制，网络的传输技术更加趋向于开放化，计算机网络和计算机硬件将会分隔开，重新定义新的网络架构。3）计算机技术和网络相互融合。传统的计算机技术需要运用计算机的硬件系统才能够实现信息的处理、加工及存储工作，未来新的.计算技术将脱离于计算机硬件配备，可以仅仅用计算机网络就可以实现数据的加工和处理。同时，二者也将会相互融合、相互发展真正的满足由于大数据时代的更新所带来的困扰，这是未来大数据背景下计算机技术发展的又一个方向。

四、大数据下的计算机信息技术面临的机遇和挑战

在大数据背景下，计算机信息技术的机遇和挑战并存，首先，病毒及网站的恶意攻击是少不了的，这些问题是站在计算机信息技术面前的巨大挑战，同时，近些年，网络诈骗不断，社会关注度逐渐提高，网络的安全问题也是不同忽视，再者，信息之间的传送速度也有限，需要对传送技术进行创新，以适应更高的用户需求。最后，随着大数据库的不断丰富，越来越庞大的数据资源进行加工和处理，对数据的存储又有了新的要求，如何适应不断庞大的数据信息量，实现更加便捷的、满足用户需求的调取也是一个巨大的挑战。与此同时，也存在着许多的机遇。首先，大数据对信息安全的要求越来越大，一定程度上带动了信息安全的发展，其次，大数据在应用方面，对企业及用户带来了巨大的便利，同时也丰富了产业资源，未来用户及企业面前的竞争可能会转化为大数据信息资源的竞争。最后，大数据时代的来临，构造了以信息安全、云计算和物联网为主要核心的新形势。

五、结论

通过一番研究，目前在大数据时代下，计算机信息技术确实存在着一定的弊端，需要不断的进行创新和发展，相信未来的云计算会越来越先进，越来越融入到人们的生活及工作当中，计算机信息技术面临的巨大的挑战和机遇，面对挑战，抓住机遇，相信未来我国的计算机技术会越来越好，必将超过世界领先水平！

参考文献：

[1]王秀苏.计算机信息处理技术在办公自动化上的应用[J].科技经济市场,2010(03).

[2]张连杰.企业管理中计算机技术的应用[J].电脑知识与技术,2011(26).

[3]陈静.浅谈计算机处理技术[J].科技与企业,2012(11).

[4]赵春雷,乔治纳汉."大数据"时代的计算机信息处理技术[J].世界科学,2012.

[5]庄晏冬.智能信息处理技术应用与发展[J].黑龙江科技信息,2011.

[6]艾伯特拉斯洛,巴拉巴西,著.马慧,译.爆发:大数据时代预见未来的新思维[M].北京:中国人民大学出版社,2012.河南省高等学校重点科研项目计划（16A520008）

;

3. 如何有效利用大数据分析

1.可视化分析
大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。
2. 数据挖掘算法

大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统
计
学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如
果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。
3. 预测性分析
大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。
4. 语义引擎
非结构化数据的多元化给数据分析带来新的挑战，我们需要一套工具系统的去分析，提炼数据。语义引擎需要设计到有足够的人工智能以足以从数据中主动地提取信息。
5.数据质量和数据管理。 大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。
大数据分析的基础就是以上五个方面，当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法。

大数据的技术
数据采集： ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
数据存取： 关系数据库、NOSQL、SQL等。
基础架构： 云存储、分布式文件存储等。
数
据处理： 自然语言处理(NLP，Natural Language
Processing)是研究人与计算机交互的语言问题的一门学科。处理自然语言的关键是要让计算机”理解”自然语言，所以自然语言处理又叫做自然语言理
解也称为计算语言学。一方面它是语言信息处理的一个分支，另一方面它是人工智能的核心课题之一。
统计分析：
假设检验、显著性检验、差异分析、相关分析、T检验、 方差分析 、
卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、
因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析（最优尺度分析）、bootstrap技术等等。
数
据挖掘： 分类
（Classification）、估计（Estimation）、预测（Prediction）、相关性分组或关联规则（Affinity
grouping or association rules）、聚类（Clustering）、描述和可视化、Description and
Visualization）、复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)
模型预测 ：预测模型、机器学习、建模仿真。
结果呈现： 云计算、标签云、关系图等。

大数据的处理
1. 大数据处理之一：采集
大
数据的采集是指利用多个数据库来接收发自客户端（Web、App或者传感器形式等）的
数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除
此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。
在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时
有可能会有成千上万的用户
来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间
进行负载均衡和分片的确是需要深入的思考和设计。
2. 大数据处理之二：导入/预处理
虽然采集端本身会有很多数据库，但是如果要对这些
海量数据进行有效的分析，还是应该将这
些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使
用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。
导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。
3. 大数据处理之三：统计/分析
统
计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通
的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于
MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。
统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。
4. 大数据处理之四：挖掘
与
前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数
据上面进行基于各种算法的计算，从而起到预测（Predict）的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于

统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并
且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。

整个大数据处理的普遍流程至少应该满足这四个方面的步骤，才能算得上是一个比较完整的大数据处理。

4. 在大数据或数据挖掘方面可以研究的课题有哪些

数据获取等方向都有涉及、数据维护、数据挖掘偏业务的可以称之为运专营分析师，偏管理的属可以称之为数据决策分析师，偏金融的可以称之为注册项目数据分析师，因行业和发展方向的不同，工作方向为维护数据可以称之为数据库管理员，数据库工程师，工作方向为挖掘方向的称之为数据挖掘师等等，数据分析师在 业务

5. 求一个大数据方向的开题点,研究生毕业论文开题点

大数据（Big Data）又称为巨量资料，指需要新处理模式才能具有更强的决策力、洞察力和流程优化能力的海量、高增长率和多样化的信息资产。“大数据”概念最早由维克托·迈尔·舍恩伯格和肯尼斯·库克耶在编写《大数据时代》中提出，指不用随机分析法（抽样调查）的捷径，而是采用所有数据进行分析处理。对于“大数据”（Big data）研究机构Gartner给出了定义，“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。换言之，如果把大数据比作一种产业，那么这种产业实现盈利的关键，在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”。

6. 大学生科研立项课题 本人是学统计的 才大二 想做大数据方向的课题 有没有什么好的建议 和统计或者数

“社会统计学与数理统计学的统一”理论的重大意义
2011-10-23 23:05

王见定教授指出：社会统计学描述的是变量，数理统计学描述的是随机变量，而变量和随机变量是两个既有区别又有联系，且在一定条件下可以相互转化的数学概念。王见定教授的这一论述在数学上就是一个巨大的发现。

我们知道“变量”的概念是17世纪由著名数学家笛卡尔首先提出，而“随机变量”的概念是20世纪30年代以后由苏联学者首先提出，两个概念的提出相差3个世纪。截至到王见定教授，世界上还没有第二个人提出变量和随机变量两者的联系、区别以及相互的转化。我们知道变量的提出造就了一系列的函数论、方程论、微积分等重大数学学科的产生和发展；而随机变量的提出则奠定了概率论和数理统计等学科的理论基础和促进了它们的蓬勃发展。可见变量、随机变量概念的提出其价值何等重大，从而把王见定教授在世界上首次提出变量、随机变量的联系、区别以及相互的转化的意义称为巨大、也就不视为过。

下面我们回到：“社会统计学和数理统计学的统一”理论上来。王见定教授指出社会统计学描述的是变量，数理统计学描述的是随机变量，这样王见定教授准确地界定了社会统计学与数理统计学各自研究的范围，以及在一定条件下可以相互转化的关系，这是对统计学的最大贡献。它结束了近400年来几十种甚至上百种以上五花八门种类的统计学混战局面，使它们回到正确的轨道上来。

由于变量不断地出现且永远地继续下去，所以社会统计学不仅不会消亡，而且会不断发展状大。当然数理统计学也会由于随机变量的不断出现同样发展状大。但是，对随机变量的研究一般来说比对变量的研究复杂的多，而且直到今天数理统计的研究尚处在较低的水平，且使用起来比较复杂；再从长远的研究来看，对随机变量的研究最终会逐步转化为对变量的研究，这与我们通常研究复杂问题转化为若干简单问题的研究道理是一样的。既然社会统计学描述的是变量，而变量描述的范围是极其宽广的，绝非某些数理统计学者所云：社会统计学只作简单的加、减、乘、除。从理论上讲，社会统计学应该复盖除了数理统计学之外的绝大多数数学学科的运作。所以王见定教授提出的：“社会统计学与数理统计学统一”理论，从根本上纠正了统计学界长期存在的低估社会统计学的错误学说，并从理论上和应用上论证了社会统计学的广阔前景。

7. 大数据培训课题有哪些

大数据培训的话分开发方向和运维方向，主要包括前端、java、数据库、大数据自身的一些课程

8. 大数据挖掘在虚拟医药科研方面的思考

大数据挖掘在虚拟医药科研方面的思考
1.基于大数据挖掘的虚拟医药科研案例
数据挖掘发展到今天，按照时下的概念应该到了“大”数据挖掘的时代了。我们还是先从几个相关案例开始吧。
1.1 虚拟临床试验-大数据采集
我们首先来看这样一个案例。2011年06月，辉瑞制药有限公司宣布开展一项“虚拟”临床研究，该项研究是一个得到美国食品和药物管理局批准的试点项目，首字母缩写为“REMOTE”。“REMOTE”项目是在美国开展的第一项病人只需使用手机和互联网、而不用重复跑医院的临床研究，该项目的目标是要确定此类“虚拟”临床研究能否产生和传统临床研究一样的结果。而传统的临床研究要求病人住在医院附近，并且定期前往医院或诊所进行初次检查和多次后续检查。如果这一项目有效，那它可能意味着全美国的病人都能参加今后的许多医学研究。这样一来，原先的科研项目中未得到充分代表的群体将得以参加，数据收集速度将大大加快，而且成本也很可能会大幅下降，参与者退出的几率也很可能会降低不少。
从上例中，我们可以看到，利用互联网可以收集远远大于传统临床科研样本数目的超大量病人的临床数据，而且其中有些临床数据可能来自于更加便捷的可穿戴健康监测设备。如果这样的研究，在科研设计严谨、质量标准得到有效执行、各种误差得到有效控制的情况下，科研的效率和成果的可信度可以显著提高。正如辉瑞公司首席医疗官弗蕾达?刘易斯-霍尔所说的：“让更多样化的人群得以参与研究有可能会推动医学进步，并为更多的病人带来更好的疗效。”
1.2 虚拟药物临床试验-大数据挖掘
我们再来看另外一个案例。1992年，抗抑郁药物帕罗西汀（Paxil）获准上市；1996年，降胆固醇药物普拉固（Pravachol）正式开售。两种药品生产企业的研究证明：每种药物在单独服用时是有效且安全的。可是，患者要是同时服用两种药是否安全，没有人知道，甚至很少有人想过。美国斯坦福大学的研究人员应用数据挖掘技术分析了数万例患者的电子病历后，很快发现了一个出人意料的答案：同时服用两种药物的患者血糖含量较高。这对于糖尿病患者来说影响很大，过多的血糖对他们来说是一种严重的健康威胁！科学家还通过分析血糖检测结果和药物处方，来寻找隐藏的规律。
对于单个医生来说，他所经历的同时服用这两种药物的病人是很有限的，虽然其中可能有少数的糖尿病患者莫名其妙地血糖升高了，但医生很难意识到这是由于病人同时服用了Paxil和Pravachol造成的。因为这是一种掩藏在大数据中的隐含规律，如果不是有人有目的地专门研究Paxil和Pravachol联合用药的安全性的话，个体医生是很难揭示这个规律的。但是，临床药品成千上万，我们怎么可能对任意组合的两、三种药联合应用的安全性和有效性进行逐一研究呢？数据挖掘很可能是一种有效的、快速的、主动式的探索多种药联合应用问题的方法！
研究者不必再召集患者去做临床试验，那样做的话花费太大了。电子病历及其计算机应用的普及为医疗数据挖掘提供了新的机遇。科学家不再局限于通过召集志愿者来开展传统的课题研究，而是更多地从现实生活中的实验中，如日常的大量的临床案例中筛选数据并开展虚拟科研，这些并非来自计划的课题立项的实验数据保存在许多医院的医疗记录中。
类似本案例，应用数据技术使得研究人员可以找出在药物批准上市时无法预见的问题，例如一种药物可能对特定人群产生怎样的影响。另外，对医疗记录的数据挖掘不仅将为研究带来好处，还会提高医疗服务系统的效率。
1.3 虚拟药物靶标发现-知识发现
我们再看看这样的一类研究。通常新药研发的过程都比较漫长,投入巨大，风险也很高。有数据表明，新药研发的平均时间长达15年,平均耗费超过8亿美元。但是,由于药物疗效的不佳和毒副作用太高，使得许多药物的研发经常在临床阶段就失败了，造成了巨大的经济损失。作为药物研发的源头,药物靶标的发现和识别对药物的研发成功率具有举足轻重性的作用。随着生物信息技术的不断发展,以及蛋白质组学数据、化学基因组学数据的日益增长,应用数据挖掘技术结合传统生物实验技术,可为药物新靶标的发现提供新的技术手段,为靶标识别预测提供新的方法。构建药物靶标数据库，利用智能计算技术和数据挖掘技术对现有的药物靶标数据开展深入探索，以期发现新的药物靶标正是这样一类研究，我们也称之为药物靶标的知识发现。
传统的药物靶标的发现，通常大都是通过大量的、反复的生物化学实验来实现的，不仅成本高、效率低，成功率也很低，犹如瞎子摸象一样，不好掌握方向。而应用数据挖掘这一自动的、主动的、高效的探索技术，可以开展虚拟药物靶标发现，不仅大大加快了药物靶标发现的进程，而且大幅减少了生物化学实验的次数和成本，同时也提高了传统生化实验的成功率。
2. 数据挖掘在虚拟医药科研上的应用
大数据时代，医药研发面临更多的挑战和机遇，为了更好的节约研发成本，提高新药研发成功率，研发出更有竞争力的新药，可以应用数据挖掘技术开展虚拟医学科研和药物研究。数据挖掘在虚拟医药科研上的应用，可以总结为如下几个方面。
2.1 通过预测建模帮助制药公司降低研发成本提高研发效率。模型基于药物临床试验阶段之前的数据集及早期临床阶段的数据集，尽可能及时地预测临床结果。评价因素包括产品的安全性、有效性、潜在的副作用和整体的试验结果。通过预测建模可以降低医药产品公司的研发成本，在通过数据建模和分析预测药物临床结果后，可以暂缓研究次优的药物，或者停止在次优药物上的昂贵的临床试验。
2.2 通过挖掘病人数据，评估招募患者是否符合试验条件，从而加快临床试验进程，提出更有效的临床试验设计建议。例如: 通过聚类方法对患者群体进行聚类，寻找年龄、性别、病情、化验指标等方面的特征，判定是否满足试验条件，也可以根据这些特征更好的设立对照组。
2.3 分析临床试验数据和病人记录可以确定药品更多的适应症和发现副作用。在对临床试验数据和病人记录进行分析后，可以对药物进行重新定位，或者实现针对其他适应症的营销。通过关联分析等方法对试验数据进行挖掘可能会发现事先想不到一些成果，大大提高数据的利用程度。
2.4 实时或者近乎实时地收集不良反应报告可以促进药物警戒。药物警戒是上市药品的安全保障体系，对药物不良反应进行监测、评价和预防。通过聚类、关联等大数据挖掘手段分析药品不良反应的情况，用药、疾病、不良反应的表现，是否跟某种化学成分有关等。例如不良反应症状的聚类分析，化学成分与不良反应症状的关联分析等。另外在一些情况下，临床实验暗示出了一些情况但没有足够的统计数据去证明，现在基于临床试验大数据的分析可以给出证据。
2.5 针对性药物研发：通过对大型数据集(例如基因组数据)的分析发展个性化药物。这一应用考察遗传变异、对特定疾病的易感性和对特殊药物的反应的关系，然后在药物研发和用药过程中考虑个人的遗传变异因素。很多情况下，病人用同样的用药方案但是疗效却不一样，部分原因是遗传变异。针对同病种的不同的患者研发不同的用药，或者给出不同的用法。
2.6 对药物化学成分的组合和药理进行挖掘，激发研发人员的灵感。例如针对于中医药物研发，用数据挖掘手段对于中药方剂和症候进行分析研究，探讨方剂和针对症状之间的联系，从功效、归经、药性和药味等方面进行分类特征分析。
3. 虚拟药物临床试验分析系统
现在越来越多的临床科研和药物临床试验都是从日常的临床工作中生成的大数据中经过严格的条件筛选来提取数据的。正如我们在本文1.1和1.2中提到的案例一样，所谓虚拟药物临床试验，是以更广泛的临床数据采集，和从海量的医院电子化的病历中按照事先的设计需求经过严格的条件筛选来开展的，虽然是虚拟的方法而不是传统的方法，这种药物临床试验研究有样本代表更广泛、成本低、效率高、研究成果更丰富等优点。采用虚拟研究的方法可以完全替代某些传统的药物临床研究，也可以作为某些传统的药物临床研究的预试验或探索性研究，以使真正的药物临床研究工作多、快、好、省。我们现在来看一下虚拟药物临床试验分析系统是如何工作的。
3.1 虚拟药物研究的基本思路
1、建设药物临床试验数据仓库，充分整合和积累的临床数据和药物应用数据。 2、设计、选取药物临床试验的观察组样本与对照组样本。 3、应用数据挖掘技术探索药物对于疾病治疗的效果和产生的副作用。 4、应用统计学技术进行药物临床试验效果的推断和评价。
3.2 建立药物临床数据仓库
建设药物临床试验数据仓库有两种途径，一种是通过经典的药物临床试验设计来定制化和采集相关数据，传统的方法主要记录在纸质文档上，也有专门数据录入软件，这种方法采集的数据是按照预先设计进行的，直接形成药物临床试验的专用数据，但通常样本数据量不会太大；另外一种是将医院大量的、历史的临床用药数据进行抽取、变换、装载，然后充分整合积累的其他临床数据和药物应用数据，形成药物临床试验数据源，为生成药物临床试验数据提供支撑，这样的样本数据量可能很大，我们后面演示的方法就是采用种数据进行“虚拟”样本筛选和分析的。
3.3 药物临床试验样本设计
药物临床试验样本根据药物研究的需要可以有很多设计，例如单因素单水平设计，单因素两水平设计，单因素多水平设计，配对设计设计，区组设计设计，重复测量设计等。我们这里以两因素区组设计为例来介绍一下样本筛选。本例仅以方法演示为目的，不考虑严格的医学专业意义。
本研究的疾病为动脉硬化心脏病，处理因素为药物应用，共有三种药物，分别为倍他乐克、诺和灵、硝酸异山梨脂。区组因素为年龄，分了三个年龄段。观察指标为血钠。我们科研设计按照“三要素、四原则”进行数据筛选。所谓“三要素”是研究人群，处理因素和观察对象。所谓四原则是指随机、对照、重复、均衡等原则。按照如下图一的输入条件，可以将数据集筛选出来，然后再用统计分析工具进行统计分析。

3.4 药物临床数据挖掘
应用数据挖掘技术不仅可以提高药物临床数据的利用程度，而且可以探索和发现药物临床应用中的新的积极作用和新的消极作用。利用多种数据挖掘方法分析临床试验数据和病人的电子化数据，可以确定药物更多的适应症和发现未知的副作用。在对临床试验数据和病人记录进行挖掘分析后，可以对药物进行重新定位，或者实现针对其他适应症的推广应用。通过对药物试验数据进行挖掘可能会发现意想不到一些成果，大大提高数据的应用效益。
如本例，我们使用数据挖掘的方法深入研究药物对于实验室指标的影响。探索和发现药物临床应用中的正负影响，可以通过观察病人用药前后的很多医学特征和生理指标来进行，而观察更加客观的各种实验室指标是很多药物研究的必备设计之一。下面是一个应用倍他乐克药物治疗冠心病的研究，我们应用了数据挖掘的有关技术分析了倍他乐克的血药浓度的变化对病人各个实验室指标的影响，如下图二，显示了部分实验室指标的影响结果。

以上结果需要与临床医务人员以及药物研究人员共同探讨。在刨去了各种人为因素以及业务系统客观影响因素之后，我们可以发现先前未知的倍他乐克对病人生理指标的影响，其中有些影响在医学上可能是积极的，而有些影响在医学上可能是反面的。
3.5 统计分析设计
虚拟药物临床试验分析系统的统计分析模块，包含了药物研发中常用的统计分析方法，如T检验、方差分析、相关分析、回归分析、非参数检验等，设计思路按照统计学思维，首先对数据进行验证，根据验证结果选择统计分析方法。下面我们以重复测量设计为例进行说明。
本研究的疾病为动脉硬化心脏病，处理因素为药物应用倍他乐克，观察指标为我们从数据挖掘中发现有影响的血钾指标。我们可以使用3.3提供的模块对筛选的样本进行提取和分析，也可以从本模块直接选取所需的数据并分析。重复测量分析有两种方法，一个是Hotelling T2检验，另一个是方差分析，本系统提供了这两种统计检验方法。
部分样本数据如下图三所示：

这里，我们仅观察一下方差分析方法的结果输出，如下图四所示。

从图中我们可以看到，根据P值得到：处理因素“倍他乐克”药物对血钾起作用，测量时间对血钾有影响，处理因素和测量时间有交互影响。从而验证了我们应用数据挖掘得到的结果。
4. 数据挖掘在中药研发上的应用
以上内容，我们重点是以西药的研究应用为例来说明以数据挖掘为特色的虚拟医药研究的方法。其实，数据挖掘和虚拟药物研究还非常适合于中医中药的研究工作，因为中医学本身是一个经过几千年不断摸索、积累和验证的、知识体系庞大的、具有完整理论体系的医学科学，但我们还需要应用现代知识不断地深入理解、挖掘、提高和应用，以便与现代科学能更好地融合。而数据挖掘正是探索和解释中医学奥秘的有力工具！
国内许多单位也开展一些中医中药数据挖掘的局部性的尝试。现在，我们就将这些数据挖掘在中医中药研究中的尝试加以汇总，分列如下： 1、中药配方中的文本数据挖掘； 2、对“药理”起关键作用的“有效成分”——单体或化学成分的挖掘； 3、中药方剂配伍规律的数据挖掘与研究； 4、方剂配伍物质基础与药效如(证侯、症状)关系的数据挖掘； 5、方剂配伍的用量与方剂效用级别间的关系(量效关系及模型) 挖掘； 6、中药药性理论与中药有效成份的关系挖掘； 7、方剂中各药味间的相关性挖掘； 8、相似病症的隐含相似关系挖掘； 9、同种疾病不同药方的相似性和差异性的挖掘和研究。 10、数据挖掘用于不确切病症的分类和研究。

9. 基于大数据的视觉搜索应用与组织模式研究

基于大数据的视觉搜索应用与组织模式研究
当前视觉搜索已成为信息科学领域的前沿课题，主要用于分析和研究现实世界实体属性、行为、事件与视觉大数据资源之间的发展规律，针对视觉大数据资源的获取、组织、描述与利用问题，研究视觉资源及其时空关联信息之间的价值发现与资源整合的内在机理
当前视觉搜索已成为信息科学领域的前沿课题，主要用于分析和研究现实世界实体属性、行为、事件与视觉大数据资源之间的发展规律，针对视觉大数据资源的获取、组织、描述与利用问题，研究视觉资源及其时空关联信息之间的价值发现与资源整合的内在机理，解决其多维关联与协同融合问题，进而实现视觉大数据资源的有效整合、知识发现与实时交互。
基于此，本研究从宏观与中观角度，从信息科学视角下视觉搜索研究的起源着手，对其发展历程、概念与特点进行描述，围绕其理论与应用研究的几个关键问题展开讨论，并简要探讨其最新研究进展及应用。
1、大数据环境下视觉搜索的发展历程及特点
1.1 问题的提出
视觉搜索不是一个新名词，它最早出现于心理学与生理学领域，用于描述人们通过视觉通道在特定区域内检测某特定目标是否出现或出现后确定其位置的行为。如在地图上找某大学所处位置、在食堂内点菜、在书架上找书或在图书馆内找人等。在现实世界中，人们经常需要利用视觉搜索在复杂物理环境中获取有价值的信息，来决定接下来的语言和行为。因此，视觉搜索理论受到心理学家和人因(HumanFactors)学家的广泛关注，大量研究集中在对人类视觉认知、生理反馈机理的理解与表达上，并总结出了许多应用型和理论型知识。正是由于视觉搜索的可用性和有效性，使得许多工作、行业、领域都离不开这一生理行为。
相关基础理论和关键技术的不断发展与完善，促使传统视觉搜索应用不断向信息化、技术化和网络化方向发展，如何将传统视觉搜索行为转换成“所见即所知”式视觉搜索模式，这一难题逐渐摆在了人们面前。与此同时，网络环境、信息技术、计算性能、存储空间、数据规模与软硬件设施等方面的飞速提升，也为客观物理世界与虚拟网络空间之间建立起密不可分的关联关系，使视觉搜索技术的实现成为可能。人们可以方便快捷地采集客观物理世界中的视觉对象，从互联网中获取与之相关的关联信息。
1.2 视觉搜索发展历程及发展趋势
近几年来，随着大数据环境的逐步完善和大数据技术的迅速发展，关于视觉资源整合与视觉搜索研究的呼声越来越大。Nature和Science分别于2008年、2011年出版了大数据专题研究，提出图像、视频与用户交互信息是未来大数据的重要组成部分。2009年，Stanford University的Griod、Chandrasekhar等学者将视觉搜索理论引入到信息检索领域，提出Visual Search、Mobile Visual Search等概念，举办了第一届移动视觉搜索研讨会，并对其体系结构、应用与服务模式等问题进行了探讨。2010年，Google技术研究部前主管Norvig在Nature上发表的专题论文2020Visions中指出，“文本、图像和视频等视觉资源及用户交互信息、传感信息的有机融合，会给搜索引擎带来巨大挑战，如何对视觉搜索结果进行资源深度整合将会成为Google未来10年面临的最大挑战。”同年，北京大学高文、黄铁军与段凌宇等将其引入国内，举办了第二届移动视觉搜索研讨会，并围绕其关键技术、体系结构、视觉资源组织与描述方法、视觉资源标准化与视觉知识库建设等问题展开了研讨。2012年，这一理论与技术迅速被中国计算机学会所接受，认为将视觉搜索与增强现实技术相结合的信息检索模式，将是继搜索引擎之后的新一代互联网服务范式。随后，张兴旺、朱庆华等尝试将其引入数字图书馆领域，并围绕相关理论与应用模式展开了研究。
根据视觉搜索研究的发展轨迹来看，国内关于视觉搜索研究总体仍处于探索与尝试阶段，研究轨迹已基本跨过早期理论性尝试过程，正步入中期技术性和应用性探索阶段。尤其是在我国科学技术部于2011年启动国家重点基础研究发展计划(“973”计划)“面向公共安全的跨媒体计算理论与方法”，对跨媒体视觉资源的统一表示和建模方法、关联推理和深度挖掘、综合搜索和内容合成等关键科学问题进行研究之后，国内相关研究步入快速发展阶段。自2015年以来，视觉搜索理论与应用研究的重要性和必要性更加凸显，国务院2015年9月印发的《促进大数据发展行动纲要》提出，要充分利用大数据，提升领域数据资源的获取和利用能力，推动各类数据融合和资源整合。国务院2015年7月印发的《关于积极推进“互联网+”行动的指导意见》提出“构建包括语音、图像、视频、地图等数据的海量训练资源库，加强人工智能基础资源和公共服务等创新平台建设”。国家自然科学重大研究计划“大数据驱动的管理与决策研究”认为“大数据价值的产生机理和转换规律具有高度的应用领域依赖性”。科技部2016年发布的《关于发布国家重点研发计划精准医学研究等重点专项2016年度项目申报指南的通知》的“云计算和大数据重点专项”中更是明确将“面向大范围场景透彻感知的视觉大数据智能分析关键技术”列为重点研究内容之一，要求对视觉语义建模、视觉对象的时空定位与搜索、跨场景数据关联技术等展开研究。
1.3 视觉搜索研究对象及视觉大数据资源特点
视觉搜索的研究已逐渐发展成为信息检索领域的主要研究趋势，到目前为止，关于视觉搜索的定义尚未形成统一的认识，但从信息检索角度来看，大家对它的普遍理解是指将客观物理世界中的视觉资源作为检索对象，通过互联网去获取关联信息的一种信息检索方式。它是以视觉大数据资源及其关联信息为研究对象，以视觉大数据资源的获取、分析、组织、理解和表达方法为主要研究内容，以信息技术与方法为主要研究手段，以发现视觉大数据资源蕴含的知识价值和拓展其利用能力为主要研究目标的一种综合性的应用型前沿领域。它主要针对的是当前大数据环境下海量、多元异构、动态无序和高速进化的视觉资源的分析和利用问题，重点研究的是如何充分利用当前飞速发展的信息技术来解决视觉大数据资源的理解和表达，如何有效地实现视觉搜索，如何利用视觉搜索技术来从海量视觉大数据资源中发现新的知识。
毫无疑问，未来是一个智慧(或称之为“互联网+”)的时代。智慧地球、智慧城市、智慧图书馆等理论与应用的迅速发展，给视觉搜索理论与应用研究提供了“沃土”。“互联网+”时代所衍生的数据规模的剧增，文本、图像、音视频、用户交互信息与各种传感信息会成为“数据海洋”的主流，而这些数据来源中超过80%来自于人类视觉通道，现阶段把握“互联网+”时代信息检索和知识服务未来发展脉络的最重要手段可能是视觉搜索。
视觉大数据资源因其包含文本、图像、音视频与用户观看记录等复杂无序、动态变化的时空信息，使其成为数字图书馆中内容最丰富的信息载体，并将会成为“互联网+”时代最为重要的信息表达和信息传播媒介。而以视觉大数据资源为研究对象的视觉搜索，由于前者所处知识空间的知识实体与知识价值在时间、空间和属性三个方面的自有特性，使得视觉搜索也呈现出复杂无序、动态变化和时空语义关联等特性，同时也需要对视觉大数据资源的形式化表达、系统化组织、结构化描述与时空关联关系分析方法等进行研究。由此可得知视觉大数据资源主要具有以下特征：
视觉大数据资源包含文本、图像、视频、用户观看信息及用户交互信息等时空信息，并且它所包含的视觉对象、事物内容、事件过程在时间、空间、语义等方面具有时序或时空关联关系。
视觉大数据资源具有时空语义关联、动态变化、数据规模大和结构复杂等特点，这些基于视觉对象、事物内容、事件过程的动态变化可以用时空语义关联进行表达和描述，其获取、组织和描述过程可以用机器语言来进行表达，通过视觉对象、事物内容、事件过程之间的语义关联映射，建立视觉大数据资源的时空语义关联关系。
视觉大数据资源具有数据规模大、结构复杂、类型多元、多维尺度关联和纵深纬度高等特性，可根据视觉大数据资源的时空语义关系建立对应的尺度关联机制。针对不同尺度、纵深纬度的视觉大数据资源的时空关联关系，可实现视觉对象、事物内容、事件过程之间的多维尺度转换和重置，进而实现视觉大数据资源的语义关联关系分析。
视觉大数据资源能提供基于视觉资源内容来理解视觉对象行为，根据视觉对象的时空语义关联关系建立起发展趋势模型，并根据有效组织、理解和描述来预测某特定事物在某特定阶段将可能发生的行为态势。
可针对视觉大数据资源的获取、组织、理解和描述问题，来实现用户与视觉大数据资源之间的实时交互、反馈和视觉对象知识库的构建。根据视觉对象的相似行为特征、时空关联关系和实时交互结果，来帮助人们制作、生产、运营和消费新的视觉资源，满足数字图书馆用户的多元化知识服务需求。
2、大数据环境下视觉搜索的应用与组织模式
视觉大数据资源经过组织、分析、处理和整合，并建立基于特定领域的数字图书馆视觉搜索平台之后，才能为用户提供大数据知识服务。不同学科、领域的视觉搜索模式对视觉大数据资源的获取、组织、处理与整合模式会有所不同。正因如此，当前大部分应用是从知识服务与信息检索角度，建立起领域导向的视觉大数据资源整合平台，通过视觉搜索来对视觉大数据资源进行有效管理与利用，并按照特定学科、专业和领域的知识服务需求来提供服务，从而满足各类大数据知识服务需求。
2.1 基于深度学习的视觉搜索工业应用模式
传统视觉搜索研究主要是先采用人工标注方法对视觉资源的底层特征进行标注后，再采用机器学习方法来解决视觉资源之间的语义鸿沟、异构鸿沟与语义关联之间的问题。基于人工标注的视觉大数据资源整合与利用方法，需要标注者拥有丰富的专业领域知识和工业应用经验，需耗费大量的时间和人力成本，且精确性低。与对视觉资源特征进行人工标注方法不同的是，深度学习一般都是通过对视觉资源特征进行多层神经网络训练后，进行视觉特征学习，进而获取到特征提取更合理、区分性更强的视觉特征理解和描述。大量研究证明通过深度分析方法所提取到的视觉特征在图像分类与识别、视觉场景识别、智能监控、语音识别、知识图谱构建等应用领域都获得过成功。视觉资源的显著性特征提取和分割方法，能够采用模拟人类视觉系统和生理认知体系来提取视觉资源中显著性特征区域。目前，性能相对最好的视觉资源特征提取方法在公开的视觉大数据资源数据集中的显著性特征检测准确率在95%左右，视觉资源前景特征分割准确率将近92%，这一比例在近几年全球性各类大规模视觉资源分析与识别比赛中，仍然在不断增加。比如，Google研究组在大规模视觉识别挑战赛(ILSVRC)中，采用改进的深度卷积网络Google Net将图像识别准确率提升到93%;Google小组在微软图像标题生成挑战赛(MS COCO ICC)中，采用基于深度分析的图像特征提取方法获得冠军;悉尼科技大学与卡耐基梅隆大学、微软亚洲研究院和浙江大学在THUMOS比赛中，均将深度分析方法与视觉对象运动特征结合起来对视觉资源进行动作识别，分别获得前三名。
传统学术研究的理论成果往往需要很长一段时间发展，才能逐渐走向成熟，并进入到实际的工业应用中去。但无论是深度学习，还是视觉搜索，它们都拥有着极强的工程理论模型。一方面，它们在被学术界关注和研究的同时，也被工业领域所密切关注和尝试;另一方面，由于工业领域(如Google、网络、微软等)早就拥有着大规模的视觉大数据资源，且一直活跃在诸多信息科学领域的研究前沿，在很多领域，它们相较于学术界更有优势。如Google的知识图谱Knowledge Graph，Google Now与Google街景地图，微软的语音助手Cortana，爱奇艺的爱奇艺大脑，Facebook的Graph Search等均属于工业界视觉搜索较为经典的应用案例。事实上，国外工业界各大公司，如Google，Facebook，Microsoft等对视觉搜索不仅仅只是开展大量的研究，甚至还在内部成立了专门研究机构，国内的网络、华为、腾讯和阿里巴巴也不例外。
2.2 基于知识计算的视觉搜索知识服务模式
数字图书馆领域对视觉搜索理论与应用展开研究的一个重要目的，就是为高校和科研机构的研究人员提供嵌入式协作化的知识服务，而数字图书馆视觉搜索平台是将海量视觉大数据资源与平台提供的视觉大数据资源的组织、分析和处理功能嵌入到知识服务过程中。
视觉大数据资源整合与利用是当前国内外人工智能、信息检索领域的研究热点，拥有非常广泛的应用与研究前景。事实上，图像搜索作为视觉搜索的一个研究分支方向，近几年来，国内已有很多个人(如中国科学院高科、北京大学高文与黄铁军、南京大学朱庆华)、机构(如浙江大学、清华大学、北京大学、中国科学院计算所等)、企业(如爱奇艺、网络、腾讯、360、搜狗等)正在做与之相关的研究，并且很多已经推出了基于内容的图像搜索平台，为用户提供图像搜索服务。而美国的麻省理工学院、加州大学伯克利分校、伊利诺伊大学和英国的牛津大学等相关研究工作开始得更早，也研发出了相应的基于图像内容的图像搜索系统。
在以上所有相关研究中，它们都具有一个典型的研究特征：研究目的是为了解决视觉搜索的应用问题，而对应的视觉搜索模式大部分是基于知识计算。由于视觉搜索需要组织、分析和处理的对象主要包括文本、图像、视频等各类蕴含大量价值的视觉资源，因此，如何从视觉大数据资源中获取有价值的知识，就成为国外学术界和工业界一直以来的研究热点。以发掘视觉大数据资源中蕴含的丰富的、复杂关联的知识为目的的知识库称之为视觉对象知识库。目前，全球基于文本、图像、音视频等视觉资源的各类知识库有不少于60种，而基于这些视觉对象知识库的具体应用案例和系统平台也有几百种。其中，比较有代表性的应用案例有维基网络的DBpedia(2014版中包含8.7万部电影、12.3万张唱片、45万个物件等)、Google的知识图谱Knowledge Graph(包括地标、城市、人名、建筑、电影、艺术作品等5亿个搜索结果实体与350亿条关联知识条目)、Facebook的Graph Search(包含10亿名用户、2400亿张图像、10000亿次页面访问量等)等。
借助视觉搜索的相关理论与技术，开展对海量、异构、多元的视觉大数据资源的研究，不仅可丰富信息检索的外延和内涵，而且可以有效地解决当前数字图书馆所面临的“大数据、小知识、小服务”的瓶颈，具有一定的应用价值和现实意义。
2.3 基于语义分析的视觉内容关联组织模式
从已有研究来看，视觉搜索的研究对象大部分集中在文本与图像上，其中图像搜索是学者们着力解决的重点方向。视觉搜索研究可分为3个阶段：一是20世纪70年代末期开始的基于文本/元数据的图像搜索。这一方式主要通过人工标注元数据对图像进行描述，来实现对图像的信息检索功能，缺点是元数据标注费时费力，描述标准与反馈内容不完整，且容易有太多主观色彩。二是20世纪90年代开始提出基于视觉内容的图像搜索方法。这一方式其本质是采用人工构造图像底层视觉特征的方式来进行图像相似性比较，进而实现图像搜索，缺点是对图像底层特征和高层语义之间存在的语义鸿沟问题没有得到较好解决。三是21世纪初期提出的基于深度学习的图像搜索方法。社交网络与用户生成内容成为网络数据的主要来源，利用用户标签对图像语义进行组织、表达和理解成为研究主流，深度学习方法由此融入到相关领域。
与图像搜索相比，视频表达和分析则是视觉搜索领域相对较新的研究领域。视频由大量图像帧组成，且图像帧之间有较为紧密的时空与语义关联关系，这对视觉搜索技术要求更高。但由于深度学习在文本与图像搜索领域所取得的成功，学者们开始借助于深度学习框架，对视频进行组织、理解和描述，尤其是在视频特征提取这一关键环节采取了以下几种方法：一是视频静态关键帧特征描述。由于视频是由大量图像帧按时序与语义关联组成，故可采用深度学习方法对静态视频帧(即图像关键帧)进行特征学习。在具体应用中，一旦确定合理的静态关键帧提取和编码方式，也能形成较好的视频描述效果。二是动态视频时序特征描述。有学者曾提出密集轨迹方法对视频进行分析，取得了不错效果。三是前面两种方法的有机结合。牛津大学的Simonyan等提出采用时间和空间深度神经网络来对视频进行分析，时间轴输入的原始视频，用于对视频中的视觉对象进行识别，空间轴输入的时序关联场，用于对视频中视觉对象的动作及其轨迹进行识别。
目前国内外也有大量针对视觉内容分析与表达方面的竞赛，比如2013年美国佛罗里达大学组织开展的THUMOS比赛，就对海量视觉数据集中异构无序的视觉资源进行分析和理解，该项赛事随后每年都会开展相关研究。国内外许多高校、科研机构都积极参与到该项赛事中，如清华大学、浙江大学、香港中文大学、卡耐基梅隆大学、悉尼科技大学等。美国国家标准与技术研究所2011年组织开展的TRECVID比赛，针对大规模视觉数据集中复杂视觉资源中事件监测问题展开研究。近几年来，该项赛事也一直在围绕着这个主题开展相关研究，国内许多高校，如复旦大学、浙江大学、北京理工大学与同济大学等，在这项赛事中也获得了一定成绩。
目前虽然在视觉大数据资源的组织、分析、理解和利用方法上有很多研究成果，但这些成果最终目的是应用于视觉搜索。近年来一系列研究对于视觉搜索及其在各行业、领域的应用与推广工作起到了积极作用，这对于数字图书馆领域而言，是一个积极信号。
3 大数据环境下视觉搜索研究的5个核心问题
尽管视觉搜索已经获得了工业界和学术界(包括数字图书馆领域在内)的高度关注，但目前在国内并未得到广泛应用及推广，主要原因是由于相关技术与应用产品尚未完全成熟，存在着视觉搜索性能不够理想或不够稳定、用户体验质量不佳、应用局限性较强等问题，围绕这些问题，就需要从视觉搜索研究基础理论与技术角度来解决。从数字图书馆视觉搜索模式构建流程[1]来看，视觉搜索研究主要包括5个核心问题，分别描述如下。
视觉大数据资源的获取与组织方法。互联网环境下视觉大数据资源的存在形式是动态无序和异构离散的，视觉资源的生产和发布是动态变化的。视觉资源所蕴含的信息内容都包含多个异构、复杂的信息主题，彼此之间存在语义时空关联关系。而传统基于人工标注的视觉资源标注方法往往不够精确，因此，如何快速获取到所需视觉资源，是视觉搜索应用的关键问题。而对与待搜索视觉对象无关的视觉资源的清洗过滤，以及视觉大数据资源的有效组织是视觉搜索应用的核心问题。
视觉大数据资源的理解与表达方法。为了在海量视觉大数据资源中找到与待搜索对象一致的视觉资源，就需要从符合待搜索视觉资源的特征分析与理解出发，对其视觉内容进行多元化、结构化、多层次的深度理解和表达。
视觉大数据资源整合与交互方法。视觉搜索作为一种信息检索模式，其服务对象是用户。对视觉大数据资源的获取与组织、理解与表达的目的是为了给用户提供智慧化、人性化的知识服务。因此，如何围绕视觉大数据资源整合全生命周期进行多维度分析，从而满足用户对视觉大数据资源的多元化知识服务需求，也是视觉搜索研究能否成为现实的核心问题。
视觉对象知识库建设及标准化问题。视觉搜索依赖于视觉对象知识库的建设。基于高质量的视觉对象知识库，用户可快速将待搜索视觉对象与虚拟信息空间中的视觉大数据资源进行有效关联，从而享受到数字图书馆提供的视觉搜索知识服务。同时，标准化问题也是视觉搜索应用能否顺利应用和推广的关键所在。
视觉搜索体系的安全与可靠性理论。无论在任何时候，网络安全及系统可靠性问题是永远无法回避的难题，视觉搜索亦不例外。在视觉搜索体系中，数据安全性与知识产权、用户隐私权、系统可用性与可靠性等问题亦是视觉搜索能否得到有效推广与应用的核心问题。
4 总结与展望
在“互联网+”时代，信息服务正越来越广泛地深入到用户智慧化、个性化和嵌入式的知识服务需求中去，数字图书馆领域开始呼唤新型的杀手级信息检索模式。视觉搜索是当前信息检索领域发展的一个重要前沿和创新突破口，在充分汲取国内外信息科学领域先进研究成果的基础上，开展数字图书馆视觉搜索基础理论与应用研究，不仅有望从理论上丰富数字图书馆知识服务研究思想与未来发展框架，也有利于揭示数字图书馆中视觉大数据资源价值的产生机理与转换规律。
毫无疑问，人类正在向“‘互联网+’时代”迈进，作为一种技术与理念创新，视觉搜索必然符合一般信息技术生存、发展与成熟基本规律，需要经历技术诞生的萌芽期、飞速进步的发展期、迅速膨胀的高峰期、去泡沫化的低谷期、稳步发展的光明期和实际应用的高峰期6个阶段。目前来看，国内外已有视觉搜索研究正处于发展期，存在着理论与技术交叉之后学科间的不平衡这一问题。当前视觉搜索的理论、方法与技术研究主要集中在商业型视觉搜索应用上，对于产生视觉大数据资源的学术领域则关注较少。实际上，以科学研究、学科服务等学术领域为代表的视觉大数据资源，具有异于商业型应用的丰富内涵与独特特征，只有全面掌握商业应用与学术领域的相关研究，才有助于建立更加科学、系统、合理的视觉搜索理论体系和应用框架。

10. 大数据技术在网络营销中的策略研究论文

大数据技术在网络营销中的策略研究论文

从小学、初中、高中到大学乃至工作，说到论文，大家肯定都不陌生吧，论文的类型很多，包括学年论文、毕业论文、学位论文、科技论文、成果论文等。那要怎么写好论文呢？以下是我帮大家整理的大数据技术在网络营销中的策略研究论文，欢迎阅读与收藏。

摘要：

当今，随着信息技术的飞速发展，互联网用户的数量日益增加，进一步促进了电子商务的快速发展，并使企业能够更准确地获取消费者数据，大数据技术应运而生。该技术已被一些企业用于网络营销，并取得了显着的营销效果。本文基于大数据的网络营销进行分析，分析传统营销存在的问题和挑战，并对大数据技术在网络营销中的作用进行研究，最后针对性地提出一些基于大数据的网络营销策略，以促进相关企业在大数据时代加强网络营销，并取得良好的营销效果。

关键词：

大数据；网络营销；应用策略；营销效果；

一、前言

现代社会已经完全进入了信息时代，在移动互联网和移动智能设备飞速发展与普及之下，消费者的消费数据都不断被收集、汇总并处理，这促进了大数据技术的发展。大数据技术可以精准的分析消费者的习惯，借助大数据技术，商家可以针对顾客进行个性化营销，极大地提高了精准营销的效果，传统的营销方式难以做到这一点。因此，现代企业越来越重视发展网络营销，并期望通过大数据网络营销以增加企业利润。

二、基于大数据的网络营销概述

网络营销是互联网出现之后的概念，初期只是信息爆炸式的轰炸性营销。后来随着移动智能设备的普及、移动互联网的发展以及网络数据信息的海量增长，大数据技术应运而生。大数据技术是基于海量的数据分析，得出的科学性的结果，出现伊始就被首先应用于网络营销之中。基于大数据的网络营销非常精准，是基于海量数据分析基础上的定向营销方式，因此也叫着数据驱动营销。其主要是针对性对顾客进行高效的定向营销，最为常见的就是网络购物App中，每个人得到的物品推荐都有所区别；我们浏览网络时，会不断出现感兴趣的内容，这些都是大数据营销的结果。

应用大数据营销，企业可以精准定位客户，并根据客户的喜好与类型对产品与服务进行优化[1]，然后向目标客户精准推送。具体来说，基于大数据技术的精准网络营销过程涉及三个步骤：首先是数据收集阶段。企业需要通过微博、微信、QQ、企业论坛和网站等网络工具积极收集消费者数据；其次，数据分析阶段，这个阶段企业要将收集到的数据汇总，并进行处理形成大数据模型，并通过数据挖掘技术等高效的网络技术对数据进行处理分析，以得出有用的结论，比如客户的消费习惯、消费能力以及消费喜好等；最后，是营销实施阶段，根据数据分析的结果，企业要针对性地制定个性化的营销策略，并将其积极应用于网络营销以吸引客户进行消费。基于大数据的网络营销其基本的目的就是吸引客户主动参与到营销活动之中，从而提升营销效果和经济收益。

三、传统网络营销存在的一些问题

(一)传统网络营销计划主要由策划人主观决定，科学性不足

信息技术的迅速发展，使得很多企业难以跟上时代的步伐，部分企业思想守旧，没有跟上时代潮流并开展网络营销活动，而是仍然继续使用传统的网络营销模型和方式。即主要由策划人根据自己过去的经验来制定企业的营销策略，存在一定的盲目性和主观性，缺乏良好的信息支持[2]。结果，网络营销计划不现实，难以获得有效的应用，导致网络营销的效果不好。

(二)传统网络营销的互动性不足，无法进行准确的产品营销

传统的网络营销互动性较差，主要是以即时通信软件、邮箱、社交网站以及弹窗等推送营销信息，客户只能被动的接受信息，无法与企业进行良性互动和沟通，无法有效的表达自己的诉求，这导致了企业与客户之间的割裂，极大的影响了网络营销的效果。此外，即使一些企业获得了相关数据，也没有进行科学有效的分析，但却没有得到数据分析的结果，也没有根据客户的需求进行有效的调整，从而降低了营销活动的有效性。

(三)无法有效分析客户需求，导致客户服务质量差

当企业进行网络营销时，缺乏对相关技术的关注以及对客户需求的分析的缺乏会导致企业营销策略无法获得预期的结果。因此，企业只能指望出于营销目的向客户发布大量营销内容。这种营销效果非常糟糕。客户不仅将无法获得有价值的信息，而且此类信息的“轰炸”也会使他们感到烦躁和不耐烦，这将适得其反，并降低客户体验[3]。

四、将基于大数据的网络营销如何促进传统的网络营销

(一)使网络营销决策更科学，更明智

在传统的网络营销中，经理通常根据过去的经验来制定企业的营销策略，盲目性和主观性很多，缺乏可靠的数据。基于大数据的网络营销使用可以有效地收集有关市场交易和客户消费的数据，并利用数据挖掘技术等网络技术对收集到的数据进行全面科学的分析与处理，从中提取有用的相关信息，比如客户的消费习惯、喜好、消费水平以及行为特征等，从而制定针对客户的个性化营销策略，此外，企业还可以通过数据分析获得市场发展变化的趋势以及客户消费行为的趋势，从而对未来的市场形势作出较为客观的判断，进而帮助企业针对未来一段时间内的行为制定科学合理的'网络营销策略，提升企业的效益[4]。

(二)大大提高了网络营销的准确性

如今，大数据驱动的精准网络营销已成为网络营销的新方向。为了有效地实现这一目标，企业需要在启动网络营销之前依靠大数据技术来准确分析大量的客户数据，以便有效地捕获客户的消费需求，并结合起来制定准确的网络营销策略[5]。此外，在实施网络营销策略后，积极收集客户反馈结果并重新分析客户评论，使企业对客户的实际需求有更深刻的了解，然后制定有效的营销策略。如果某些企业无法有效收集客户反馈信息，则可以收集客户消费信息和历史消费信息，然后对这些数据进行准确的分析，从而改善企业的原始网络营销策略并进行促销以获取准确的信息，进而制定有效的网络营销策略。

(三)显着提高对客户网络营销服务水平

通过利用大数据进行准确的网络营销，企业可以大大改善客户服务水平。这主要体现在两个方面：一方面可以使用大数据准确地分析客户的实际需求，以便企业可以进行有针对性的的营销策略，可以大大提高客户服务质量。另一方面，使企业可以有效地吸收各种信息，例如客户兴趣、爱好和行为特征，以便向每个客户发布感兴趣的推送内容，以便客户可以接收他们真正需要的信息，提高客户满意度。

五、基于大数据的网络营销优势

(一)提高网络营销广告的准确性

在传统的网络营销中，企业倾向于使用大量无法为企业带来相应经济利益的网络广告进行密集推送，效率低下。因此，必须充分利用大数据技术来提高网络营销广告的准确性。首先，根据客户的情况制定策略并推送合适的广告，消费场景在很大程度上影响了消费者的购买情绪，并可以直接确定消费者的购买行为。如果客户在家中购买私人物品，则他们第二天在公司工作时，却同送前一天相关私人物品的各种相关的广告。前一天的搜索行为引起的问题可能会使消费者处于非常尴尬的境地，并影响他们的购买情绪。这表明企业需要有效地识别客户消费场景并根据这些场景发布更准确的广告[6]。一方面，通过IP地址来确定客户端在网络上的位置。客户在公共场所时，广告内容应简洁明了。另一方面，可以通过指定时间段来确定推送通知的内容。在正确的时间宣传正确的内容。其次，提高客户选择广告的自主权。在传统的网络营销中，企业通常采用弹出式广告，插页式广告和浮动广告的形式来强力吸引客户的注意力，从而引起强烈的客户不满。一些客户甚至会毫不犹豫地购买广告拦截软件，以防止企业广告。在这方面，大数据技术可用于改善网络广告的形式和内容并提高其准确性。

(二)提高网络营销市场的定位精度

在诸如电子邮件营销和微信营销之类的网络营销方法中，一个普遍现象是企业拥有大量的粉丝，并向这些粉丝发送了大量的营销信息，但是却没有得到较好的反馈，营销效果较差。造成这种现象的主要原因是企业产品的市场定位不正确。可以通过以下几个方面来提高网络营销市场中的定位精度：

1、分析客户数据并确定产品在市场上的定位：

首先，收集大量基本数据并创建客户数据库。在此过程中，应格外小心，以确保收集到的有关客户的信息是全面的。因此，可以使用各种方法和渠道来收集客户数据。例如，可以通过论坛、企业官方网站、即时通信软件以及购物网站等全面的收集客户的各种信息。收集完成后利用高效的数据分析处理技术对信息进行处理，并得出结果，包括客户的年龄、收入、习惯以及消费行为等结果，然后根据结果对企业的产品进行定位，并与客户的需求相匹配，进而明确市场[7]。

2、通过市场调查对产品市场定位进行验证：

在利用大数据及时对企业产品进行市场定位之后，有必要对进一步进行市场调查，以进一步清晰产品的市场定位，如果市场调查取得较为满意的效果，则表明网络营销策略较为成功，可以加大推广力度以促进产品的销售，如果效果不满意，则要积极分析问题，寻找原因并提出针对性的解决改进措施，以获得较为满意的结果[8]。

3、建立客户反馈机制：

客户反馈机制可以有效的帮助企业改进产品营销策略，主要体现有两个主要功能：一是营销产品在市场初步定为成功后可以通过客户反馈积极征询客户的意见，并进一步改进产品，确保产品更适应市场；二是如果营销产品市场定位不成功，取得的效果不佳，可以通过客户反馈概括定位失败的原因，这将有助于将来的产品准确定位。

(三)增强网络营销服务的个性化

为了增强网络营销服务的个性化，企业不仅必须能够使用大数据识别客户的身份，而且还必须能够智能地设计个性化服务。首先，通过大数据了解客户的身份。一方面，随着网络的日益普及，企业可以在网络上收集客户各个方面的信息。但是，众所周知，由于互联网管理的不规范与复杂性，大多数信息不是高度可靠的，甚至某些信息之间存在着极为明显的矛盾。因此，如果企业想要通过大数据来了解其客户的身份，则必须首先确保所收集的信息是可信且准确的。另一方面，企业必须能够从大量的客户信息中选择最能体现其个性的关键信息，并降低分析企业数据的成本[9]。二是合理设计个性化服务。个性化服务的合理设计要求企业在两个方面进行运营：一方面，由于现实环境的限制，企业无法一一满足所有客户的个性化需求。这就要求企业尽一切努力来满足一部分客户的个性化需求，并根据一般原则开发个性化服务。另一方面，如果完全根据客户的个人需求向他们提供服务，则企业的服务成本将不可避免地急剧上升。因此，企业应该对个性化客户服务进行详细分析，并尝试以适合其个人需求的方式为客户提供服务，而不会给企业造成太大的财务负担。

六、基于大数据网络营销策略

使用大数据的准确网络营销模型基本上包括以下步骤。首先，收集有关客户的大量信息；其次，通过数据分类和分析选择目标客户；第三，根据分析的信息制定准确的网络营销计划；第四，执行营销计划；第五，评估营销结果并计算营销成本；第六，在评估过程的基础上，进一步改善，然后更准确地筛选目标客户。在持续改进的过程中，上述过程可以改善网络营销。因此，在大数据时代，电子商务企业必须突破原始的广泛营销理念，并采用新的营销策略。

(一)客户档案策略

客户档案意味着在收集了有关每个人的基本信息之后，可以大致了解每个人的主要销售特征。客户档案是准确进行电子商务促销的重要基础，也是实现精确营销目标的极其重要的环节。电子商务企业利用客户档案策略可以获得巨大收益。首先，借助其专有的销售平台，电子商务企业可以轻松，及时且可靠地收集客户使用情况数据。其次，在传统模型中收集数据时，由于需要控制成本，因此经常使用抽样来评估数据的一般特征[10]。大数据时代的数据收集模型可以减少错误并提高数据准确性。当分析消费者行为时最好以目标消费者为目标。消费者行为分析是对客户的消费目的和消费能力的分析，可帮助电子商务企业更好地选择合适的目标客户。在操作中，电子商务企业需要在创建数据库后继续优化分析结果，以最大程度地分析消费者的偏好。

(二)满足需求策略

为了满足多数人的需求，传统的营销方法逐渐变得更加同质。结果，难以满足少数客户的特殊需求，并且导致利润损失。基于大数据客户档案技术的电子商务企业可以分析每个客户的需求，并采取差异化人群的不同需求最大化的策略，从而获取较大的利润。为了满足每个客户的需求，最重要的是实现差异化，而不仅仅是满足多数人的需求，因此必须准确地分析客户的需求，还必须根据客户的需求提供更多个性化的产品[11]。比如当前，定制行业非常流行，卖方可以根据买方提供的信息定制独特的产品，该产品的利润率远高于批量生产线。

(三)客户服务策略

随着网络技术的逐步发展，电子商务企业和客户可以随时进行通信，这基本上消除了信息不对称的问题，使客户可以更好地了解他们想要购买的产品以及遇到问题时的情况。当出现问题时，可以第一时间解决，提高交易速度。因此，当电子商务企业制定用于客户服务的营销策略时，一切都以客户为中心。为了更好地实施此策略，必须首先改善数据库并加深对客户需求的了解[12]。二是提高售前、售后服务质量，开展集体客户服务培训，缩短客户咨询等待时间，改善客户服务。最后，我们必须高度重视消费者对产品和服务的评估，及时纠正不良评论，并鼓励消费者进行更多评估，良好的服务态度和高质量的产品可以大大提高目标客户对产品的忠诚度，并且可以吸引消费者进行第二次购买。

(四)多平台组合策略

在信息时代，人们可以在任何地方看到任何信息，这也将分散他们的注意力，并且重新定向他们的注意力已经成为一个大问题。如果希望得到更多关注，则可以组合跨多个平台的营销策略，并在网络平台和传统平台上混合营销。网络平台可以更好地定位自己并吸引更多关注，而传统平台则可以更好地激发人们的购买欲望。平台融合策略可以帮助电子商务企业扩大获取客户的渠道，不同渠道的用户购买趋势不同，可以改善数据库[13]。

七、结语

总体而言，大数据时代不仅给网络营销带来了挑战，而且还带来了新的机遇。大数据分析不仅可以提高准确营销的效果，更好地服务消费者，改变传统的被动营销形式，并提升网络营销效果。

参考文献

[1]刘俭云.大数据精准营销的网络营销策略分析[J].环球市场，2019(16):98.

[2]栗明，曾康有.大数据时代下营业网点的精准营销[J].金融科技时代，2019(05):14-19.

[3]刘莹.大数据背景下网络媒体广告精准营销的创新研究[J].中国商论，2018(19):58-59.

[4]李研，高书波，冯忠伟.基于运营商大数据技术的精准营销应用研究[J].信息技术，2017(05):178-180.

[5]袁征.基于大数据应用的营销策略创新研究[J].中国经贸导刊(理论版),2017(14):59-62.

[6]邱媛媛.基于大数据的020平台精准营销策略研究[J].齐齐哈尔大学学报(哲学社会科学版),2016(12):60-62.

[7]张龙辉.基于大数据的客户细分模型及精确营销策略研究[J].河北工程大学学报(社会科学版),2017,34(04):27-28.

[8]李巧丹.基于大数据的特色农产品精准营销创新研究——以广东省中市山为例[J].江苏农业科学，2017,45(06):318-321.

[9]孙洪池，林正杰.基于大数据的B2C网络精准营销应用研究——以中国零售商品型企业为例[J].全国流通经济，2016(12):3-6.

[10]赵玉欣，王艳萍，关蕾.大数据背景下电商企业精准营销模式研究[J].现代商业，2018(15):46-47.

[11]张冠凤.基于大数据时代下的网络营销模式分析[J].现代商业，2014(32):59-60.

[12]王克富.论大数据视角下零售业精准营销的应用实现[J].商业经济研究，2015(06):50-51.

[13]陈慧，王明宇.大数据：让网络营销更“精准”[J].电子商务，2014(07):32-33.

;