|
知識發(fā)現(xiàn)與數(shù)據(jù)挖掘
知識發(fā)現(xiàn)與數(shù)據(jù)挖掘 武漢電信 宋利
【摘要】本文介紹了知識發(fā)現(xiàn)及其數(shù)據(jù)挖掘的發(fā)展歷史，數(shù)據(jù)挖掘常用技術(shù)及應(yīng)用。
【關(guān)鍵詞】知識發(fā)現(xiàn)，數(shù)據(jù)挖掘
１、引言
隨著數(shù)據(jù)庫技術(shù)的成熟和數(shù)據(jù)應(yīng)用的普及，人類積累的數(shù)據(jù)量正在以指數(shù)速度迅速增長。進(jìn)入九十年代，伴隨著因特網(wǎng)（Internet）的出現(xiàn)和發(fā)展，以及隨之而來的企業(yè)內(nèi)部網(wǎng)（Intranet）和企業(yè)外部網(wǎng)（Extranet）以及虛擬私有網(wǎng)（VPNVirtualPrivatenetwork）的產(chǎn)生和應(yīng)用，將整個世界聯(lián)成一個小小的地球村，人們可以跨越時空地在網(wǎng)上交換數(shù)據(jù)信息和協(xié)同工作。這樣，展現(xiàn)在人們面前的已不是局限于本部門，本單位和本行業(yè)的龐大數(shù)據(jù)庫，而是浩瀚無垠的信息海洋,數(shù)據(jù)洪水正向人們滾滾涌來。當(dāng)數(shù)據(jù)量極度增長時,如果沒有有效的方法,由計算機及信息技術(shù)來提取有用信息和知識，人們也會感到面對信息海洋像大海撈針一樣束手無策。據(jù)估計，一個大型企業(yè)數(shù)據(jù)庫中數(shù)據(jù)，只有百分之七得到很好應(yīng)用。這樣，相對于“數(shù)據(jù)過剩”和“信息爆炸”,人們又感到“信息貧乏”（Informationpoor）和"數(shù)據(jù)關(guān)在牢籠中”(datainjail)，奈斯伯特(JohnNaisbett)驚呼“Wearedrowningininformation，butstarvingforknowledge”（人類正被數(shù)據(jù)淹沒，卻饑渴于知識）。
面臨浩渺無際的數(shù)據(jù)，人們呼喚從數(shù)據(jù)汪洋中來一個去粗存精、去偽存真的技術(shù)。從數(shù)據(jù)庫中發(fā)現(xiàn)知識(KDD)及其核心技術(shù)——數(shù)據(jù)采掘(DM)便應(yīng)運而生了。
２、知識發(fā)現(xiàn)過程
知識發(fā)現(xiàn)（KDD）是從數(shù)據(jù)中發(fā)現(xiàn)有用知識的整個過程；數(shù)據(jù)開采（DM）是KDD過程中的一個特定步驟，它用專門算法從數(shù)據(jù)中抽取模式（patterns）。1996年，F(xiàn)ayyad、PiatetskyShapiror和Smyth將KDD過程定義為：從數(shù)據(jù)中鑒別出有效模式的非平凡過程，該模式是新的、可能有用的和最終可理解的。
KDD過程是多個步驟相互連接、反復(fù)進(jìn)行人機交互的過程。具體包括：
①學(xué)習(xí)某個應(yīng)用領(lǐng)域：包括應(yīng)用中的預(yù)先知識和目標(biāo)。
②建立目標(biāo)數(shù)據(jù)集：選擇一個數(shù)據(jù)集或在多數(shù)據(jù)集的子集上聚焦。
③數(shù)據(jù)預(yù)處理：去除噪聲或無關(guān)數(shù)據(jù)，去除空白數(shù)據(jù)域，考慮時間順序和數(shù)據(jù)變化等。
④數(shù)據(jù)轉(zhuǎn)換：找到數(shù)據(jù)的特征表示，用維變換或轉(zhuǎn)換方法減少有效變量的數(shù)目或找到數(shù)據(jù)的不變式。
⑤選定數(shù)據(jù)挖掘功能：決定數(shù)據(jù)挖掘的目的。
⑥選定數(shù)據(jù)挖掘算法：用KDD過程中的準(zhǔn)則，選擇某個特定數(shù)據(jù)挖掘算法（如匯總、分類、回歸、聚類等）用于搜索數(shù)據(jù)中的模式。
⑦數(shù)據(jù)挖掘：搜索或產(chǎn)生一個特定的感興趣的模式或一個特定的數(shù)據(jù)集。
⑧解釋：解釋某個發(fā)現(xiàn)的模式，去掉多余的不切題意的模式，轉(zhuǎn)換某個有用的模式，以使用戶明白。
⑨發(fā)現(xiàn)知識：把這些知識結(jié)合到運行系統(tǒng)中，獲得這些知識的作用或證明這些知識。用預(yù)先、可信的知識檢查和解決知識中可能的矛盾。
３、知識發(fā)現(xiàn)的核心――數(shù)據(jù)挖掘
所謂數(shù)據(jù)挖掘，就是從數(shù)據(jù)庫中抽取隱含的、以前未知的、具有潛在應(yīng)用價值的信息的過程。數(shù)據(jù)挖掘是KDD最核心的部分。數(shù)據(jù)挖掘與傳統(tǒng)分析工具不同的是數(shù)據(jù)挖掘使用的是基于發(fā)現(xiàn)的方法，運用模式匹配和其它算法決定數(shù)據(jù)之間的重要聯(lián)系。
數(shù)據(jù)挖掘算法的好壞將直接影響到所發(fā)現(xiàn)知識的好壞。目前大多數(shù)的研究都集中在數(shù)據(jù)挖掘算法和應(yīng)用上。需要說明的是，有的學(xué)者認(rèn)為，數(shù)據(jù)開采和知識發(fā)現(xiàn)含義相同，表示成KDD/DM。它是一個反復(fù)的過程，通常包含多個相互聯(lián)系的步驟：預(yù)處理、提出假設(shè)、選取算法、提取規(guī)則、評價和解釋結(jié)果、將模式構(gòu)成知識，最后是應(yīng)用。在實際，人們往往不嚴(yán)格區(qū)分?jǐn)?shù)據(jù)挖掘和數(shù)據(jù)庫中的知識發(fā)現(xiàn)，把兩者混淆使用。一般在科研領(lǐng)域中稱為KDD，而在工程領(lǐng)域則稱為數(shù)據(jù)挖掘。
４、數(shù)據(jù)挖掘中常用技術(shù)
目前市面數(shù)據(jù)挖掘應(yīng)用方面有著種類繁多的商品工具和軟件，大致可以歸納為下列主要類型：
[1]傳統(tǒng)主觀導(dǎo)向系統(tǒng)：這是針對專業(yè)領(lǐng)域應(yīng)用的系統(tǒng)。如基于技術(shù)分析方法對金融市場進(jìn)行分析。采用的方法從簡單的走向分析直到基于高深數(shù)學(xué)基礎(chǔ)的分形理論和譜分析。這種技術(shù)需要有經(jīng)驗?zāi)Ｐ蜑榍疤?屬于這類商品有美國的Metastak,SuperCharts,CandlestickForecaster和WallStreetMoney等
[2]傳統(tǒng)統(tǒng)計分析：這類技術(shù)包括相關(guān)分析、回歸分析及因子分析等。一般先由用戶提供假設(shè),再由系統(tǒng)利用數(shù)據(jù)進(jìn)行驗證。缺點是需經(jīng)培訓(xùn)后才能使用，同時在數(shù)據(jù)探索過程中，用戶需要重復(fù)進(jìn)行一系列操作。屬于這類商品有美國的SAS,SPSS和Stargraphis等。由于近年來更先進(jìn)的DM方法的出現(xiàn)和使用，這些廠商在原有系統(tǒng)中綜合一些DM部件，以獲得更完善的功能。以上兩種技術(shù)主要基于傳統(tǒng)的數(shù)理統(tǒng)計等數(shù)學(xué)的基礎(chǔ)上，一般早已開始用于數(shù)據(jù)分析方面。
[3]神經(jīng)元網(wǎng)絡(luò)（NN）技術(shù)：神經(jīng)元網(wǎng)絡(luò)技術(shù)是屬于軟計算（SoftComputing)領(lǐng)域內(nèi)一種重要方法，它是多年來科研人員進(jìn)行人腦神經(jīng)學(xué)習(xí)機能模擬的成果，已成功地應(yīng)用于各工業(yè)部門。在DM（KDD）的應(yīng)用方面,當(dāng)需要復(fù)雜或不精確數(shù)據(jù)中導(dǎo)出概念和確定走向比較困難時，利用神經(jīng)網(wǎng)絡(luò)技術(shù)特別有效。經(jīng)過訓(xùn)練后的NN可以想像具有某種專門知識的“專家”，因此可以像人一樣從經(jīng)驗中學(xué)習(xí)。NN有多種結(jié)構(gòu)，但最常用的是多層BP（backpropagation）模型。它已廣泛地應(yīng)用于各種DM（KDD）工具和軟件中。有些是以NN為主導(dǎo)技術(shù)，例如俄羅斯的PolyAnalyst,美國的BrainMaker,Neurosell和OWL等。NN技術(shù)也已廣泛地做為一種方法嵌入各種DM成套軟件中。其缺點是用它來分析復(fù)雜的系統(tǒng)諸如金融市場，NN就需要復(fù)雜的結(jié)構(gòu)為數(shù)眾多神經(jīng)元以及連接數(shù)，從而使現(xiàn)有的事例數(shù)（不同的紀(jì)錄數(shù)）無法滿足訓(xùn)練的需要。另外由受訓(xùn)后的NN所代表的預(yù)測模型的非透明性也是其缺點，盡管如此，它還是廣泛而成功地為各種金融應(yīng)用分析系統(tǒng)所采用。
[4]決策樹：在知識工程領(lǐng)域，決策樹是一種簡單的知識表示方法，它將事例逐步分類成代表不同的類別。由于分類規(guī)則是比較直觀的，因而比較易于理解，。這種方法一般限于分類任務(wù)。在系統(tǒng)中采用這種方法的有美國的IDIS，法國的SIPINA。英國的Clementinc和澳大利亞的C5.0。
[5]進(jìn)化式程序設(shè)計（Evolutionaryprogramming）：這種方法的獨特思路是：系統(tǒng)自動生成有關(guān)目標(biāo)變量對其他多種變量依賴關(guān)系的務(wù)種假設(shè)，并形成以內(nèi)部編程語言表示的程序。內(nèi)部程序（假設(shè)）的產(chǎn)生過程是進(jìn)化式的，類似于遺傳算法過程。當(dāng)系統(tǒng)找到較好地描述依賴關(guān)系的一個假設(shè)時，就對這程序進(jìn)行各種不同的微小修正，生成子程序組，再在其中選擇能更好地改進(jìn)預(yù)測精度的子程序，如此依次進(jìn)行，最后獲得達(dá)到所需精度的最好程序時，由系統(tǒng)的專有模塊將所找到的依賴關(guān)系由內(nèi)部語言形式轉(zhuǎn)換成易于為人們理解的顯式形式，如數(shù)學(xué)公式，預(yù)測表等。由于采用通用編程語言，這種主法在原則上能保證任何一種依賴關(guān)系和算法都能用這種語言來描述。這種方法的商用產(chǎn)品還只見諸俄羅斯的PolyAnalyst。據(jù)報導(dǎo)，它用于金融到醫(yī)療方面軍的各種應(yīng)用于，能獲得者很好的結(jié)果。
[6]基于事例的推理方法（CBR—Casebasedreasoning）：這種方法的思路非常簡單，當(dāng)預(yù)測未來情況或進(jìn)行正確決策時，系統(tǒng)尋找與現(xiàn)有情況相類似的事例，并選擇最佳的相同的解決方案，這種方法能用于很多問題求解，并獲得好的結(jié)果，其缺點是系統(tǒng)不能生成匯總過去經(jīng)驗的模塊或規(guī)則。采用這種方法的系統(tǒng)有美國的PatternRecognitionWorkbench和法國的KATEtools.
[7]遺傳算法（GA—GeneticAlgorithms）：嚴(yán)格說來，DA不是GA應(yīng)用的主要領(lǐng)域，它是解決各種組合或優(yōu)化問題的強有力的手段，但它在現(xiàn)代標(biāo)準(zhǔn)儀器表中也用來完成DA任務(wù)。這種方法的不足之處是：這種問題的生成方式使估計所得解答的統(tǒng)計意義的任何一種機會不再存在。另外一方面，只有專業(yè)人員才能提出染色體選擇的準(zhǔn)則和有效地進(jìn)行問題描述與生成。在系統(tǒng)中包含遺傳算法的有美國的GeneHunter.
[8]非線性回歸方法：這種方法的基礎(chǔ)是，在預(yù)定的函數(shù)的基礎(chǔ)上，尋找目標(biāo)度量對其它多種變量的依賴關(guān)系。這種方法在金融市場或醫(yī)療診斷的應(yīng)用場合，比較好的提供可信賴的結(jié)果。在俄羅斯的PalyAnalyst以及美國的Neuroshell系統(tǒng)中包括了這種技術(shù)。
上面所列DM技術(shù)不可能是詳盡的囊括，因為多年來數(shù)理統(tǒng)計分析以及AI與KE的研究提供了種類繁多特點各異的手段，DM開發(fā)人員完全可以根據(jù)不同任務(wù)加以選擇使用，另外近年來在軟計算（SoftComputing）和不確定信息處理（dealingwithUncertaintyofinformation）方法的研究，促使DM（KDD）技術(shù)向更深層次發(fā)展。
需要說明的，上面所說的DM中的數(shù)據(jù)是指數(shù)據(jù)庫中表格形式中的記錄和條目,這種數(shù)據(jù)稱作結(jié)構(gòu)型數(shù)據(jù)（Structureddata）。在一個企業(yè)中，還有一類像文本和網(wǎng)頁形式的數(shù)據(jù)，稱作非結(jié)構(gòu)型數(shù)據(jù)(unstructureddata)。它來自不同的信息源，如文本圖像影視和音響等，當(dāng)然文本是最主要的一種非結(jié)構(gòu)數(shù)據(jù)。1995年分析家已預(yù)言，像文本這樣非結(jié)構(gòu)型數(shù)據(jù)將是在線存貯方面占支配地位的數(shù)據(jù)形式。到1998年初，在Internet上的信息網(wǎng)頁數(shù)，已超過5億。隨著Internet的擴展和大量在線文本的出現(xiàn)，將標(biāo)志這巨大的非結(jié)構(gòu)型數(shù)據(jù)海洋中，蘊藏著極其豐富的有用信息即知識。人們從書本中獲取知識方法是閱讀和理解。開發(fā)一種工具能協(xié)助用戶從非結(jié)構(gòu)數(shù)據(jù)中抽取關(guān)鍵概念以及快速而有效地檢索到關(guān)心的信息，這將是一個非常引人入勝的研究領(lǐng)域。目前，基于圖書索引檢索以及超文本技術(shù)的各類搜索引擎，能協(xié)助用戶尋找所需信息，但要深入發(fā)掘這類數(shù)據(jù)中的有用用信息，尚需要更高層次的技術(shù)支持，人工智能領(lǐng)域有關(guān)知識表示及獲取的方法（如語義網(wǎng)絡(luò)概念映射等），和自然語言理解的研究成果，可望被采用。還可能要涉及到語言學(xué)心理學(xué)等領(lǐng)域。最近已出現(xiàn)針對文本的DM工具的報導(dǎo)。如IBM公司的TexMiner,NetQuestion,WedCawler和megaputer公司的TextAnalyst等。
５、數(shù)據(jù)挖掘?qū)嶋H應(yīng)用
DM（KDD）工具和軟件已在各個部門得到很好的應(yīng)用，并收到明顯的效益。
[1]金融方面:銀行信用卡和保險行業(yè)，預(yù)測存/貸款趨勢，優(yōu)化存/貸款策略，用DM將市場分成有意義的群組和部門，從而協(xié)助市場經(jīng)理和業(yè)務(wù)執(zhí)行人員更好地集中于有促進(jìn)作用的活動和設(shè)計新的市場運動。
[2]在客戶關(guān)系管理方面:DM能找出產(chǎn)品使用模式或協(xié)助了解客戶行為，從而可以改進(jìn)通道管理（如銀行分支和ATM等）。又如正確時間銷售（RightTimeMarKeting）就是基于顧客生活周期模型來實施的。
[3]在零售業(yè)/市場營銷方面:是數(shù)據(jù)挖掘技術(shù)應(yīng)用最早也是最重要的領(lǐng)域，DM用于顧客購貨籃的分析可以協(xié)助貨架布置，促銷活動時間，促銷商品組合以及了解滯銷和暢銷商品狀況等商業(yè)活動。通過對一種廠家商品在各連鎖店的市場共享分析,客戶統(tǒng)計以及歷史狀況的分析，可以確定銷售和廣告業(yè)務(wù)的有效性。
[4]在過程控制/質(zhì)量監(jiān)督保證方面:DM協(xié)助管理大數(shù)量變量之間的相互作用，DM能自動發(fā)現(xiàn)出某些不正常的數(shù)據(jù)分布，暴露制造和裝配操作過程中變化情況和各種因素，從而協(xié)助質(zhì)量工程師很快地注意到問題發(fā)生范圍和采取改正措施。
[5]在遠(yuǎn)程通訊部門:基于DM的分析協(xié)助組織策略變更以適應(yīng)外部世界的變化，確定市場變化模式以指導(dǎo)銷售計劃.在網(wǎng)絡(luò)容量利用方面，DM能提供對客戶組類服務(wù)使用的結(jié)構(gòu)和模式的了解，從而指導(dǎo)容量計劃人員對網(wǎng)絡(luò)設(shè)施作出最佳投資決策。
[6]化學(xué)/制藥行業(yè)：從各種文獻(xiàn)資料總自動抽取有關(guān)化學(xué)反應(yīng)的信息，發(fā)現(xiàn)新的有用化學(xué)成分。在遙感領(lǐng)域針對每天從衛(wèi)星上及其它方面來的巨額數(shù)據(jù)，對氣象預(yù)報，臭氧層監(jiān)測等能起很大作用。
[7]軍事方面：使用DM進(jìn)行軍事信息系統(tǒng)中的目標(biāo)特征提取、態(tài)勢關(guān)聯(lián)規(guī)則挖掘等。
總之，DM可廣泛應(yīng)用于銀行金融、零售與批發(fā)、制造、保險、公共設(shè)施、政府、教育、遠(yuǎn)程通訊、軟件開發(fā)、運輸?shù)雀鱾�企事業(yè)單位及國防科研上。據(jù)報導(dǎo)，DM的投資回報率有達(dá)400%甚至10倍的事例。
|