知识驱动的多目标决策数据挖掘理论框架及应用实验系统研究

近年来，多目标决策在数据挖掘中的研究侧重于模型和算法的建立或改进,而对数据挖掘中的其他环节未给于足够的重视，导致了数据预处理时间过长，缺乏对已有知识的再利用，用户参与度低，挖掘结果的理解度和直接可操作性低。增强知识在数据挖掘过程中的作用和提高挖掘结果的实用性是当前数据挖掘及相关领域所关注的热点和难点问题。针对这些问题，本项目拟建立知识驱动的多目标决策数据挖掘理论框架和应用实验系统，对知识在多目标决策数据挖掘方法的数据筛选、数据转换、模型建立、结果评估等步骤中的理论基础和具体应用展开研究。在理论框架和应用实验系统的基础上，进而以商业银行个人信用卡行为分析和管理为例进行实证研究。旨在缩短多目标决策数据挖掘方法的数据预处理时间；加强数据挖掘项目中知识的管理、共享和再利用；缩小挖掘结果和用户期望间的差距；提高挖掘结果的智能性。

近年来数据挖掘技术和多目标决策方法在各行业得到了广泛应用。数据挖掘面临着数据预处理和数据转换步骤效率低下、缺乏将挖掘结果付诸实施的机制和对挖掘结果进行评估的方法以及数据挖掘过程缺乏有效管理等诸多现实问题；多目标决策方面面临着主、客观决策的分歧大、决策结果可解释性差等问题。针对上述问题，本项目着重研究多目标决策和数据挖掘的基础理论，二者的综合集成，以及相关应用研究。在大量的理论与实证研究的基础上取得了许多成果：在多目标决策领域，创造性地建立了多目标决策方法的融合理论和多目标决策的数据一致性判断理论；在数据挖掘和多目标决策的综合集成方面，探索了跨学科、跨行业的多种定量分析方法的扩展集成；并在理论创新的基础上开发了多个具有重要实用价值的多目标决策和数据挖掘方法，在信用评分、金融风险预测、软件缺陷预测、自然灾害评估和预测等重要领域开展了研究。在相关领域国际期刊和会议发表论文46篇，其中SCI/SSCI检索18篇，EI检索9篇，3篇论文入选美国ISI Web of Science 基本科学指标ESI高引用论文。部分成果获2012 Green Group Award of Computational Finance and Business Intelligence（美国）和教育部高等学校科学研究优秀成果奖-自然科学一等奖（项目负责人为第一完成人）。