传统的反洗钱系统基本上都是单一依赖于数据挖掘技术的算法和OLAP联机挖掘的技术而构造的,一般都没有考虑在海量数据集合下连续的进行反洗钱工作的问题,而数据挖掘技术在金融领域的研究重点之一就是如何从海量数据中高效率地获取知识;但是,传统的数据挖掘的方法如聚类关联等对数据样本都有着极高的要求,对数据中的噪音数据的识别能力都不是很强。特别是对与金融领域中的数据,有些数据间的关联性非常高,单一使用某些数据挖掘算法和数据挖掘算法的组合而产生的模式并不容易理解。研究多集中于数字属性的数据,而电汇数据中存在大量非数字属性以及具有多种特征的数据集合;聚类输出的结果不容易理解也是传统聚类分析方法的问题之一。因此,反洗钱系统中的聚类算法的研究主要集中在如何提高大型数据集合的聚类效率、如何处理具有各种特征的数据集合,如文档数据、分类数据等以及如何对聚类结果给出概念性解释。 目前银行已积累了大量的客户交易数据,但是对数据的使用主要仍是结构化的查询和统计,对于数据挖掘在金融中的应用也只是针对客户关系管理,分析和预测金融市场等有限的几个范围。 1) 提出一个应用系统的框架在结果上它能够完成数据挖掘的一般功能,在内容上能够综合金融领域知识,有监督地发觉洗钱活动的各种模式,找出洗钱活动的规律和特点,得出相关知识,帮助人们自动识别出手段不同的洗钱行为。 2) 针对金融领域中挖掘洗钱模式的特殊性,讨论了如何将金融领域知识应用于数据预处理中以提高数据挖掘的效率和准确性,并结合统计学知识和IBM大型机提出了一套针对金融领域中反洗钱的数据预处理方法。