本书从高维数据的特性出发，指出了高维数据给数据挖掘带来的影响以及高维数据挖掘的研究方向。对高维数据挖掘中的相似性搜索、高维数据聚类、高维数据异常检测、高维数据频繁模式发现及电子商务中的协同过滤技术进行了研究，提出了相关的解决方案和相应算法。 本书适用于从事数据挖掘和商业智能研究的高校教师、研究生、科研院所的科研人员以及从事商业智能项目开发的工程技术人员。

1 绪论
　1.1 研究背景
　　1.1.1 数据挖掘技术的产生和发展
　　1.1.2 高维数据挖掘的概念
　1.2 高维数据挖掘所遇到的困难
　　1.2.1 高维数据的特点
　　1.2.2 维灾(the curse of dimensionality)
　　1.2.3 高维对数据挖掘的影响
　1.3 高维数据挖掘的主要研究方向
　　1.3.1 高维空间中的距离函数或相似性度量函数
　　1.3.2 高效的高维数据相似性搜索算法
　　1.3.3 高效的高维数据挖掘算法
　　1.3.4 在高维空间中对失效的问题的处理
　　1.3.5 选维和降维
　1.4 术语和符号约定
　　1.4.1 基本术语
　　1.4.2 符号约定
　1.5 本书结
2 高维数据的相似性查询处理
　2.1 相似性查询
　2.2 维归约
　　2.2.1 选维
　　2.2.2 降维
　2.3 高维索引结构
　2.4 相似性查询方法
　　2.4.1 RKV算法
　　2.4.2 HS算法
　　2.4.3 其他高维数据的相似性搜索算法
　2.5 高维数据相似性搜索方法的讨论
　　2.5.1 维归约技术的局限
　　2.5.2 高维索引结构在性能上的局限
　2.6 本章小结
3 一种新的高维数据相似性度量函数Hsim()
　3.1 最近邻查询的不稳定性
　3.2 高维空间中的最近邻特性
　3.3 高维空间中的Lk-范数特性的深入探讨
　3.4 高维空间距离函数的重新设计
　3.5 Hsim()函数的讨论
　　3.5.1 Hsim()函数的推广
　　3.5.2 数据的规范化
　　3.5.3 对高维数据中空值的处理
　3.6 Hsim()与其他相似性度量方法的比较
　　3.6.1 由距离度量转换来的相似性度量
　　3.6.2 Cosine度量
　　3.6.3 PearSOEl相关系数
　　3.6.4 Jaccard系数
　3.7 本章小结
4 量化交易数据的相似性搜索
　4.1 量化交易数据
　4.2 量化交易数据的相似性度量
　4.3 索引结构的建立
　　4.3.1 特征表
　　4.3.2 特征划分
　4.4 相似性搜索算法
　4.5 举例
　4.6 性能分析 ......
……