下面是小编收集整理的数据挖掘在学校体育档案管理中的应用初探，本文共7篇，供大家参考借鉴，希望可以帮助到有需要的朋友。
篇1：数据挖掘在学校体育档案管理中的应用初探
数据挖掘在学校体育档案管理中的应用初探
学校体育档案管理是一项利在当代,功在千秋的工作.建立健全规范的.体育教学档案,充分发挥其在学校体育工作中的作用,能有效地推动体育教学管理走向科学化、规范化,促进高校体育教学改革的深化.数据挖掘在学校体育档案管理中的应用,能够有效开发体育档案信息资源,把学校的体育档案管理工作提高到一个新水平.
作 者：王跃华 作者单位：燕山大学 刊 名：中国外资 英文刊名：FOREIGN INVESTMENT IN CHINA 年，卷(期)： “”(12) 分类号：G80 关键词：高校体育 档案管理 数据挖掘篇2：模糊数据挖掘在CRM中的应用
1 CRM概述
客户关系管理(CRM)就其功能来看，就是借助先进的信息技术、网络技术和管理思想，通过对企业业务流程的重组来整合客户信息资源，并在企业内部实现客户信息和资源的共享，为客户提供更经济、更快捷更满意的产品和服务，提高客户价值、忠诚度和满意度，保持和吸引更多的客户，从而增强企业的赢利能力，最终实现企业利润的最大化，
为实现这样的目标，企业可通过建立完整的客户数据、量身订制的产品及服务、有效的管理来建立以客户为中心的组织，去了解客户生命周期、掌握最有价值的客户及其需求、发展以个人财务需求为导向的销售模式，最终达到提高客户满意度，并提升企业的竞争力与获利率。
客户划分是 CRM中的首要问题，一个企业在经营策划时要非常明确以下问题:销售对象是哪个客户层，哪些客户需要这样的产品，是否考虑了客户生命周期，是否建立了以客户需求为导向的客户关系，谁是公司最有价值的客户。要回答和解决以上问题，首要任务就是综合各种数据，从不同角度对客户进行分群、分组划分。
2 数据挖掘技术概述
数据挖掘是一种知识发现的过程，它主要基于统计学、人工智能、机器学习等技术，从大量的数据中，抽取出潜在的、有价值的知识、模型或规则的过程。高度自动化地分析数据，做出归纳性的推理，从中挖掘出潜在的模式，并对未来情况进行预测，以辅助决策者评估风险，做出正确的决策。对于企业而言，数据挖掘有助于发现业务的趋势，揭示已知的事实、预测未知的结果，提高市场决策能力。其演化过程如图 1所示。
然而单纯的数据挖掘可能会导致“尖锐边界”等问题，因此考虑将模糊逻辑和数据挖掘结合起来的模糊数据挖掘技术引人到客户关系管理系统中。
3 模糊数据挖掘方法
3.1 确定模糊集
建立样本特性指标矩阵，设聚类的对象的全体集合X={x1，x2，…，xn}，为了使分类效果科学合理，首先要选取具有实际意义且有较强分辨性和代表性的统计指标。现假设X中每一个元素Xj(j=1,2,…,n。)有m个统计指标Xij=(x1j，x2j，…，xnj)，其中，分量Xij表示第j个元素的第i项统计指标值(i=1，2，…，m;j=1，2，…，n)。本步骤的关键是统计指标值的求法。统计指标值反映实际的精确程度，是取得最优聚类的先决条件，由于各企业的实际情况不一样，所选取的统计指标也应各不相同。因此，统计指标值的求法因实际问题而定。
3.2 对样本特性指标矩阵进行数据规格化
在实际问题中，通常不同的数据有不同的量纲。因此，需要根据模糊矩阵的要求，进行标准化处理。一般可通过以下变换来实现。
3.2.1平移/标准差变换
3.3 标定― 建立模糊相似矩阵所谓标定，是指根据实际情况，选用一定的方法对对象进行比较得出模糊相似矩阵。根据上述已建立的指标体系Xj(j=1，2，…n)，求出相似系数rij表示Xi与Xj按m个特征相似的程度，得到模糊相似矩阵R=(rij)mxn本步骤的关键是如何合理地求出相似系数rij，由于求相似系数的方法很多，而且需要因实际情况不同而选用不同的方法。
求相似系数的方法很多，主要有最大最小法、算术平均值最小法、几何平均值最小法、相关系数法、夹角余弦法、距离法、数量积法、绝对值指数法、绝对值倒数法、绝对值减数法等方法。
对于一些实际问题，很难用解析表达式来刻画事务间的相关程度，这时只有请有经验者或专家进行评分，用〔0，1〕上的数表示。选取什么样的方法描述两个元素之间的相似程度，将直接影响分类的效果。通常是同时选三四种，最后看分类与实际吻合的情况，择优选取。
3.4 求传递闭包― 构造模糊等价矩阵
用传递闭包法求R的模糊等价矩阵，
传递闭包是包含R的最小传递矩阵，设 t(R)是R的传递闭包，通常采用平方法求R的传递闭包，即R→R2→R4 →Rg →…→R2k经有限次运算后，一定有R2k=R2k+1，于是t(R)=R2k。
3.5 聚类结果
利用各个需求对该次分类的相对隶属度数据应用相对类别(级别)特征公式，得到各个部件归属各类的相对类别特征值H(r)表，从而获得了该分类数目下的部件类别划分结果。
根据择近原则，判断该样本接近哪个模式，从这个模式的整体情况预测其发展结果。
4 应用模糊数据挖掘实现客户分类
假定每一个客户对一类产品的外观、使用环境功能、可靠性都有各自的要求，那么，对于产品簇建模过程来说，要将这些不同客户的不同需求转化为产品的工程指标，并最终转化为产品的零部件，工作量是非常大的，也是不科学的。所以要对不同客户的需求进行必要的聚类，通过聚类将产品需求分为不同的簇，同一簇中的产品需求视为相同，不同簇中的产品需求视为相异。这样就可以减少产品模型的种类，并且使形成的产品种类最大限度地满足不同客户的需求。
4.1构造模糊集
选取样本为5x5阶矩阵。设从外观、使用环境、产品功能、可靠性、忠诚度5个方面描述对产品的需求，构建模糊集 R如表1所示。
4.2 关联矩阵规格化
首先根据各个产品需求在产品中的地位给出其相应的权重(相当于指标对聚类作用的权重)。应用式(1)和式(2)实现规格化，结果如表2所示。
4.3 求传递闭包― 构造模糊等价矩阵
用传递闭包法求R的模糊等价矩阵。传递闭包是包含R的最小传递矩阵，设 t(R)是 R的传递闭包，通常采用平方法求R的传递闭包，即R→R2→R4 →Rg →…→R2k经有限次运算后，一定有R2k=R2k+1，于是t(R)=R2k。求得最优模糊矩阵。最优模糊矩阵表述的内容是每一个需求对各类别(共有m个)的相对隶属度。
4.4聚类结果
利用各个需求对该次分类的相对隶属度数据，应用相对类别(级别)特征公式，得到各个部件归属各类的相对类别特征值H(r)表，从而获得了该分类数目下的部件类别划分结果。应用下述的公式对最优模糊矩阵进行处理。
设分类状态为1~m，某部件对某正态的相对隶属度表示为RA1(r)~ RAc(r)，即表达了上文的最优模糊矩阵。首先，相对隶属度满足归一化条件:
设状态变量i以对应的相对隶属度为权重，其总和 称为相对状态特征值或级别特征值。表示了i与H(r)分布列的整体相对特征，因此，H(r)可以作为样本R对模糊概念或指标Ai归属状态判断的相对指标，它利用了状态变量i对全部相对隶属度信息，使样本 R的归属更为全面和客观。改变分类的数目m，重复上述步骤，产生新的分类，最终得到针对不同m分类的产品需求聚类结果。当m=3时，最优模糊矩阵如表3所示。通过对m=3时产品需求聚类分析结果的观察，可以容易地发现各个需求指标的聚分程度:{R5}，{R1，R3}，{R2，R4}。这说明，在考虑客户需求时，对于忠诚度高的客户群体，可以将他们的需求作为一类产品类型来重点构建;对于第二种分类，说明应该着重针对产品外观和产品功能来构建一类产品模型;同理，另外一种产品模型的构建应着重考虑产品的使用环境和产品的可靠性。可以看出，通过这样的聚类，产品模型的种类减少了，但产品模型覆盖的客户需求是完备的。
5 结束语
模糊数据挖掘能够自动地从数据库中发掘出新的知识，经过检验和验证，然后返回对用户有用的结果，而不是根据用户对事物的假设去检验和验证。它与传统的数据分析本质的区别是:它是在没有明确假设的前提下去挖掘信息、发现知识。数据挖掘系统已成功地用于超大型数据库的知识挖掘。
在信息时代，要充分利用企业的信息资源，从以产品为中心的管理模式转变为以客户为中心的管理模式上来，利用模糊数据挖掘技术，分析客户的特征，探索企业和所对应市场的运营规律，不断提高企业的经济效益是企业发展的必由之路。
篇3：数据挖掘在CRM中的应用论文
数据挖掘在CRM中的应用论文
摘要：对于CRM数据挖掘的应用程序，本文做出了系统性的总结和研究，这包括了面向CRM数据挖掘的体系和结构，立足于客户生命周期的角度，并结合本行业发展的前景，对CRM中的数据挖掘进行了分析。
关键词：数据挖掘；客户关系管理(CRM)；知识发现
如今，经济全球化发展的速度不断加快，在市场经济的背景之下呈现出蓬勃发展的局面，外加互联网技术的日益普及化，促使当前的市场竞争不断加剧。众所周知，客户对于一家企业来说至关重要，因此为了更好的促使现代企业发展顺利，理应不断维护好企业与客户之间的关系。这种关系对于不断增强企业的综合竞争力十分重要，因此企业不断改善客户关系，便成了企业发展中一项重要的任务。客户分析是企业发展中处理好客户关系管理的基本，然而如何做好客户分析呢，这就需要对数据挖掘进行应用，数据挖掘的研究应用在现代企业客户关系管理意义非凡。
1CRM体系结构
客户关系管理(CustomerRelationshipManagement，CRM)起源于上个世纪的八十年代初期，首次提出了接触管理，也就是不断收集客户与企业联系的所有有关信息。到了九十年代初，又增加了电话服务以及客户服务支持数据等相关的分析。经过20多年的发展，如今企业发展中的客户之间的关系其管理的手段和方式逐渐走向成熟化，并且在理论和实践方面不断成熟化。CRM是一个把客户看做中心的营销理念，通过信息化的技术方式，重新设计企业业务单元，优化工作中的每一个环节的过程。它将现代信息技术也就是我们常说的互联网技术、多媒体信息技术、电子商务技术、数据仓库管理信息技术、专家数据管理系统以及人工智能呼叫中心等融合在了一起。CRM具有较强的自动化特点，并且能够处理好销售与客户管理之间的关系。它的目的在于不断的缩短销售的周期以及销售中投入的成本，进而不断增加企业在盈利方面的能力，并且寻找一片新的产品市场，逐渐增加企业的业务领域，从而提高潜在客户以及忠诚客户的满意度，盈利能力以及忠诚度等。
2CRM中数据挖掘的应用研究领域
2.1从客户生命周期角度分析数据挖掘技术的应用
从CRM的广义来看，可以简单化的理解为管理所有的和客户之间的一系列互动。在购买实践的过程中，这就需要运用多种信息对客户之间的多维关系进行预测以及分析。在不同的阶段过程中，客户关系可以看做是客户的生命周期。一般说来，客户的生命周期可以划分为3个主要的过程：其一是寻找到客户，其二是能够提升客户的价值，其三是不断维护好效益客户，使其持续受益。如果实现了各个阶段效益的最大化，便可以在此基础上不断提高企业的利润。其一是借助数据挖掘寻找潜在的新客户：CRM中首先应该做的便是识别那些潜在的客户，寻找到之后就要尽可能使其转变成企业发展中的忠实客户，数据挖掘可以帮助企业实现这一切。其二是不断提升客户的价值：通过客户盈利能力的相关具体化分析，进一步挖掘和预测客户本身所具有的盈利能力以及未来的具体变化；通过对客户购买模式的相关研究，实现客户的细分化，这样一来可以针对性的提供更加具有针对性的个性化服务，从而能够有效的实现多维化的交叉销售。其三是维护好客户，要及时的对客户忠诚度进行分析研究，以防客户流失。借助数据的深入研究和挖掘，及时分析好客户的历史交易记录，提醒消费者行为，并提出相应的对策和建议。
2.2各行业中CRM的应用
(1)零售业CRM中的数据挖掘零售业CRM它是数据挖掘领域中最重要的应用方面，伴随着网络以及电子商务模式的不断发展而呈现出繁荣发展的态势。通过对零售数据的挖掘可以对客户的购买行为进行识别和具体化的分析，并且及时发现客户的购买嗜好以及未来的购买趋势，这样便不断提高了服务的质量，为客户满意度的提高提供了条件。例如，我们可以借助多个特性化的数据进行全面的销售，这样一来便实现了客户与产品之间的多维联系，使用多维、相关化的分析来做好促销的'有效性，借助序列模式我们可以挖掘客户忠诚度，通过相关性分析可以为购买参考提供建设性的意见和建议。(2)电信业CRM中的数据挖掘当前的电信行业，已经从纯粹的市话服务领域不断转向提供一些综合性的电信服务。它能够把互联网、电信网以及其他的各种通信和计算融合在一起，这是时代发展的大潮流。借助数据挖掘等相关技术可以为一些商业化的实践提供条件，确定好电信服务的基本方式，捕捉每一个盗窃，从而更好地借助技术方面的资源，实现颇具人性的服务。电信数据一般具有多维化的分析功能，可以实现数据的识别与比较，更可以实现数据通信与系统负载等。通过量化分析，聚类分析以及异常值分析对盗用、异常模式进行识别和破解。(3)金融业CRM中的数据挖掘如今，大部分的银行以及一些金融性的专业机构能够为客户提供了多种选择，例如最基本的储蓄、投资以及信贷服务等。有时也可以提供一些保险和股票服务。在金融市场中，数据生成已经相对成熟，从整体看来金融领域的数据相对较完整、可靠，它为数据分析提供了基点。下面的几个是平时常见的应用情况：通过多维化的数据分析、挖掘可以做好数据仓库的基本任务；通过特征比较研究做好数据的衡量和计算帮助客户对贷款偿还进行科学化的预测和分析；通过分类以及聚类的方式对客户群体进行识别，对目标市场进行分析；借助数据的可视化以及关联性分析对金融洗钱以及其他的一些金融犯罪进行侦破。
作者:吴 磊 单位:吉林省长春市吉林建筑大学计算机科学与工程学院
参考文献
[1]王一鸿.体检中心CRM构建及数据挖掘的应用研究[D].华东理工大学.
[2]潘光强.基于数据挖掘的CRM设计与应用研究[D].安徽工业大学.2011
[3]石彦芳,石建国,周檬.数据挖掘技术在CRM中的应用[J].中国商贸.(02)
[4]王芳,杨奕.论数据挖掘技术在客户关系管理(CRM)中的应用[J].现代商贸工业.(01)
[5]郑玲,陶红玉,阚守辉.数据挖掘在CRM中的应用[J].中国电力教育.(S3)
篇4：数据挖掘在电子商务中的应用论文
1数据挖掘的概念及其过程
1.1数据挖掘
数据挖掘，即在数据库中的信息发现，是指在大量的、不完整的、模糊的、有噪音的和随机的数据中，提取出潜在的、不为人知的、同时又是非常有用的知识和信息的过程。数据挖掘是一项应用技术广泛的交叉学科，它聚集了众多不同领域的知识，例如人工智能、可视化、数据库、数理统计等。从始至终数据挖掘技术都是面向应用领域，不仅是对于特定数据库的简单检索查询，还包括对数据的不同层面、不同角度的统计、分析、推理和综合，以此得到问题的求解，以及发现事件之间的联系，还有对未发生活动的预测。另外数据挖掘技术在存在大量数据积累的电子商务行业有着广泛的应用，是现代商务企业发展的不二选择。
1.2数据挖掘的过程
1.2.1数据预处理
在实际情况中，企业获得的数据具有不完整性、模糊性和冗余性，所以数据挖掘技术针对的不是已得到的数据，而是潜在的数据信息，并通过预处理技术获得简洁、准确的数据。预处理的工作分为三步，数据合并、数据选择和数据清洗。先将多个数据库和文件中的数据进行合并，然后选择适合分析的数据信息集合，最后剔除无关记录，并将各个文件转换成方便数据挖掘的格式。
1.2.2模式发现
这个阶段就是利用挖掘计算技术挖掘出有用的、潜在的、新颖的、可以理解的知识和信息。像关联分析、聚类分析、路径选择、序列分析等都可以用于Web的挖掘技术。
1.2.3模式分析
这个阶段是将模式发现中没有用的模式和规则过滤掉。通过技术分析，得到有效的结论。常用关联规则、序列等手段。
2数据挖掘技术的方法
2.1关联分析
所谓的关联分析，就是利用数据间相互关联的规则进行数据挖掘，为的是挖掘数据间潜在的联系规则。比如，在进行关联分析时，能发现类似哪些产品更受客户的欢迎、为什么、产品优势有哪些、有多少客户会再次购买等问题。
2.2序列模式分析
这个过程和第一个关联分析有些类似，但主要任务是发现数据间的`前后顺序联系，比如在这段时间里，企业先销售出x产品，随后销售y产品，然后是z产品，所以就形成x-y-z的销售序列，出现频率较高，进而对其进行分析。序列模式分析工作方向是：在指定的交易数据库中，找出按照时间排布的交易集，发现其中的高频序列，从而进行下一个步骤。
2.3分类分析
假设有一个数据库和一组互相区别的标记，利用特殊标记数据库中的每一个数据，这样的数据库被叫做训练集或者实例数据库。分类分析就是利用分析标记数据库中的每一个数据，对每个类别建立分析模型或做出精准的描述或者挖掘出分析模型，然后利用分类模式对数据库中的数据进行分类分析。
2.4聚类分析
聚类分析所根据的分类规则主要取决于聚类分析工具。不同的聚类方法，对于同样的记录集合会有不同的划分结果。聚类分析针对的未分类的记录，而且所有记录适合分成几类，事先也不知情，然后依据一定的分类规则，分析记录数据，确定每一个数据所对应的类别。
篇5：数据挖掘在电子商务中的应用论文
3.1优化企业资源
企业盈利的关键是节约成本，利用数据挖掘技术可以找到企业消耗资源的关键点和各种活动的投入与产出比例，进而为企业提供科学合理的调整方案，例如资源循环利用、降低库存等方法。通过数据挖掘技术，企业可以预先知道市场上的商业信息，使企业把握市场动态，创造更多的盈利。
3.2管理客户资料
俗话说知己知彼，百战不殆。对于企业来说，了解客户是至关重要的，比如客户是男是女、爱好是什么、职业是什么等，从而根据不同客户需求，改善网络结构，推出个性化网页，吸引更多的客户对本企业的关注。例如对电子商务网站的网站流量进行分析。人们在点击或者是访问某一个网站的同时，就将个人对网站内容的反馈信息反映了出来，用户点击了哪一个链接，在哪个网页中停留的时间最长，采用了哪个搜索的项目或者是总共使用的浏览时间等信息都会被保存在网站中，将这些信息保存下来，进行数据分析，能够有效的确定用户的访问特点以及产品特征，从而提高电子商务信息提供的精确性。
3.3评估商业信誉
一个企业若是没有良好的商业信誉做基础，一切都是空口说白话。所以建立有效的商业评估制度就成了重中之重。利用数据挖掘技术对企业营销进行追踪，开展资产评估、发展潜力预测以及利润收益分析，建立完善的安全系统，对企业商誉安全进行保障，可以有效的预防和解决信用风险，提高企业信誉度。例如，商品售卖出去，要进行科学有效的跟踪，了解客户用后体验，对客户使用产品情况进行追踪式分析，开展科学合理的资产评估，不断发展潜在用户体验，通过客户的反馈信息进行综合性分析，提高客户满意度，提高商家的信用。
3.4确定异常事件
在商业领域中，确定异常事件具有十分重要的商业价值。在企业经营时间里，经常会有异常事件发生，例如话费拖欠、客户流失、信用卡欺诈等，通过数据挖掘技术中的异常点分析可以十分准确快速地发现异常点，使企业及时修整系统，减少不必要损失。例如，当客户将商品加入购物车后，对没有付款的原因进行科学合理的分析，从而确定要催付的客户群体。这种催付的行为在一定程度上可能会打扰到客户，所以需要准确的分析其真正的原因。例如客户没有付款的主要原因为：遗忘、冲动消费不想买了、货比三家，发现更好地商品、支付发生故障等。这个时候就需要商家对号入座，确定是否要进行客户催付。这就需要数据挖掘技术发挥自身的优势，进行数据分析，提出相应的解决方案。在催付时间的选择上，根据数据挖掘技术的分析通常情况下理论上在第三天进行催付是最为合理的，因为在第二天有不少会自发付款的客户。同时还需要考虑到女性消费者冲动购物的习惯，过了这个冲动期就不容易再购买。所以实际上要在客户下单的第二天进行催付最为合理。在拟定催付内容的时候需要科学分析客户一天各个时间段的情绪变化，减少客户对商家的排斥与厌烦的心理。
4结语
随着网络技术的不断发展，电子商务已经成为现如今经济发展的主要方式。数据挖掘技术是电子商务发展的重要手段。利用数据挖掘可以帮助企业从大量的繁杂的数据中发现潜在的规律，找到有效的信息，以此指导企业调整经营策略，提高企业声誉，获得更有利的竞争能力。
篇6：数据挖掘应用案例
蒙特利尔银行是加拿大历史最为悠久的银行，也是加拿大的第三大银行。在20世纪90年代中期，行业竞争的加剧导致该银行需要通过交叉销售来锁定1800万客户。银行智能化商业高级经理JanMrazek说，这反映了银行的一个新焦点--客户(而不是商品)。银行应该认识到客户需要什么产品以及如何推销这些产品，而不是等待人们来排队购买。然后，银行需要开发相应商品并进行营销活动，从而满足这些需求。
在应用数据挖掘之前，银行的销售代表必须于晚上6点至9点在特定地区通过电话向客户推销产品。但是，正如每个处于接受端的人所了解的那样，大多数人在工作结束后对于兜售并不感兴趣。因此，在晚餐时间进行电话推销的反馈率非常低。
几年前，该银行开始采用IBMDB2IntelligentMinerScoring，基于银行账户余额、客户已拥有的银行产品以及所处地点和信贷风险等标准来评价记录档案。这些评价可用于确定客户购买某一具体产品的可能性。该系统能够通过浏览器窗口进行观察，使得管理人员不必分析基础数据，因此非常适合于非统计人员。
“我们对客户的财务行为习惯及其对银行收益率的影响有了更深入的了解。现在，当进行更具针对性的营销活动时，银行能够区别对待不同的客户群，以提升产品和服务质量，同时还能制订适当的价格和设计各种奖励方案，甚至确定利息费用。“
蒙特利尔银行的数据挖掘工具为管理人员提供了大量信息，从而帮助他们对于从营销到产品设计的任何事情进行决策。
篇7：数据挖掘应用案例
就算没去过纽约，也应该都听说过拥有百年历史的纽约地铁，又脏又臭又阴暗，但是纽约客以及自世界各地来的旅客又都离不开地铁，每天 550 万人搭乘，想必每一座地铁、每一层阶梯、每一列车厢，到处沾满人类陈年积淀的汗渍与污垢。不过，真实情况可能要你大吃一惊，不是没那么脏，而是比我们想象得更奇幻。
康乃尔大学 Weill 医学院的研究者们，花了 18 个月的时间执行了一项大数据项目。他们用鉴识科学常用的棉花棒，在 486 个纽约地铁站搜集目标样本，车厢门、楼梯扶手、座椅、灯杆、垃圾桶都不放过，最后总共发现 1 万 5 千多种微生物，将近一半的样本是人类未知的有机生物，27% 是活性并俱有抗药性的细菌，虽然所有细菌仅有 12% 与疾病相关，还发现了三个与腺鼠疫、炭疽相关样本，但幸而这些样本都没有活性。而与人类的基因组相匹配的只占了不到 2%。
这项研究的主要作者康乃尔医学院遗传学家 Christopher E. Mason 说：「人们望着地铁上的手扶梯时，从来不会有『这上面充满生命』的念头，但是知道这项研究之后，他们可能会开始这么想。不过我想让他们以看待热带雨林的眼光看待地铁，这里有那么多物种，但并没有影响到你的健康，简直让人敬畏和赞叹。」
关于地铁细菌的研究，不只是有趣，也不只是满足了科学家的好奇心，研究者们将把这些物种分门别类，未来就能把它们当作对照样本，确定某些疾病、甚至也可预测未来若恐怖份子把某些细菌当做生物武器攻击的物质，是否已经扩散。
文档为doc格式
