基于web的数据挖掘技术研究
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
计 算机 光盘 软件 与应用
２１ ０ ０年 第 ｌ Ｏ期
Ｃ ｍ ｕ ｅ ＤＳ ｆ ｗ ｒ ｎ ｐ ｌ ｃ ｔ ｏ ｓ ｏ ｐ ｔ ｒＣ ｏ ｔａ ｅａ ｄＡ ｐ ｉａ ｉｎ
工 程 技 术
基于 ｗ ｂ的数据挖掘技术研究 ｅ
王 婉 晨
（ 天津工业大学，天津
３ ０６ ） ０ １０
摘 要 ：ｗｅ ｂ数据挖 掘 简称 ｗ ｅ ｂ挖掘 ，是从 数 据挖掘 技 术发展 而 来 ，是数 据挖 掘技 术应 用 于 Ｗｅ 信 息 的一 个崭新 领 ｂ 域 。它是 帮助人们 从 海量信 息 中进 行 智 能的、 自动 的抽取 有价值 的知识 ，从 中揭 示 出蕴含在 这 些数据 背后 的客观 世界 的 内 在 联 系和规律 ，解决社 会发展 中的 实际 问题 并 用于宏 观辅 助决 策的 。 关键 词 ：Ｗｅ ｂ数据挖 掘 ；电子 商务 ；Ｘ ＭＬ应 用 中 图分 类号 ：Ｔ ３ １ ３ Ｐ １． 文 献标识 码 ：Ａ １ 文章编 号 ：１０— ５９ （ ００ １— ０３ ０ ０７ ９９ ２１ ） ０ ０８— １
应 用 ．０ ３１ ２０ ．
『 康 晓 东． 于数据 仓 库的数 据挖 掘技 术． 工 业 出版 社， ０ ， ４ １ 基 机械 ２ ４ ０ １
［ Ｊ ｄ ｅ ｒ ａ ａａ Ｒｏ ｅ ｏ ｌ ， ｋ ｎ ｓ ａｄ ． ｅ ｓ ｅ ５ ａ ｅｐＳ ｖｓ ｖ ， ｂ ｍＣ ｏ ｙ Ｍｕ ｕ ｄ ｈ ｎ ｅＷ ｂＵ ａ ］ｉ ｉ ｔ ｅ Ｄｅ ｐ ｇ
Ｍｉ ｎ ｎｉｇ： Ｄ ｉｃ ｖｅｙ ｎ Ａｐ ｉａｉ ｎ ｏｆＵ ｓｇ Ｐａｔｒ ｆｏ ｅ ｓｏ ｒ ａ ｄ ｐｌ ｔｏ ｓ ａ ｅ ｃ ｔｅｎｓ ｒ ｍ Ｗ ｂ
Ｄ ａ ａ Ｓ ｇ ｄ ｐｌ ｒ ｔｏｎ ， ０ ， ： ２５ ３８ ｔ ． ｉ ｋ ｄ Ｅｘ ｏ ａ ｉ ｓ ２０ ０ ２ ３ —３
Ｗ ｅ ｂ－ｂ ｓ ｄ Ｄａ ａ Ｍ ｉ ｎ ｃ ａ ｅ ｔ ｎｉ ｇ Ｔｅ ｈｎｏ ｏ ｙ ｌｇ
Ｗ ａｎｇ Ｗ ａｎ ｈｅｎ ｃ
（ｉｎｎＰ ｌ ｅｈ ｉＵ ｉ ｒｔ，ｉ ｊ ３ ０ ０Ｃ ｉ ） Ｔａ ｊ ｏｙ ｃ ｎ ｎ ｅｓｙＴａ ｉ ０ １ ，ｈｎ ｉ ｔ ｃ ｖ ｉ ｎｎ ６ ａ
ｗｏ ｌ ｎ ｅｌｗ ｆｉ ｅｎａ ｅａｉｎｓｆｏ ｔ ｓ ａ ａｔ ｏｖ ａ ｔｃ ｌｐ ｏ ｅ ｓｉ ｓ ｃａ ｅ ｌｐ ｅ ｎｄ ｆｒｍ ａ ｒ ｕ ｐｏ ｔ ｇ ｒｄａ ｄ ｔ ａ ｏ ｒ ｌ ｌｔｏ ｒ ｍ ｈｅ ｅｄ ｔ，ｏｓ ｌｅｐｒｃ ａ ｒ ｂｌｍ ｎ ｏ ｉｌｄ ｖｅｏ ｍ ｎｔａ ｏ ｃ ｏ ｓ ｐ ｒｉ ｈ ｎｔ ｒ ｉ ｎ ｄ ｃｓｏ － ａ ｎ ｅ ｉｉｎ ｍ ｋｉｇ．
数 据通 常具 有杂 乱性 、冗 余性 、不 完整 性等特 点 ，为 此数据 采掘 必 须经 过数据 准 备阶 段 以提高 数据挖 掘质 量 。挖 掘操 作包括 选择 合 适 的算法 ，进 行挖 掘知 识 的操 作 ，最后 证 实发现 的 知识 ：表达 和 解释 阶段 是对 结果 进行 分析 ，提取 出最 有 价值 的信 息 。如 果获 得 的信 息不 能使 决策 者满意 ，则 需要 重复 以上数 据挖 掘 阶段 。 （ ）分 析 与评估 四 分 析与评 估 模块 是对 数据挖 掘所 得 到的 知识模 式进 行可 信度 和 有效 性分析 ，并对 其做 出评估 结论 。为用户 的经 营 决策提 供信 息 支持 。 （ ）知 识表 述 五 知 识表 述 模块 是 指将 利用 数 据挖 掘 工 具从 Ｗｂ 据 中挖 掘 出 ｅ数 来 的知 识模式 ．用适 当的形 式表 现 出来 ， 以利 于用 户接 受和 相互 交流。 三 、数据 挖掘 工具 的评 价标 准 评价 一个 数据 挖掘 工 具 ，需 要从 以下 几个 方面 来考 虑 ：产生 的模 式种 类 的多 少 ；解 决 复杂 问题 的能力 ： 易操作 性 ；数据存 取 能力； 与其 他产 品的接 口。 于Ｗ ｂ 基 ｅ 的数据 挖 掘技术 在处 理极 大量 的数 据 时 ，如 何提 高算 法效 率 的 问题 ；对 于挖 掘迅 速更 新 的数据 的挖 掘算 法 的进 一步研 究 ；在挖 掘 的过程 中 ，提 供 一种 与用 户进 行交 互 的方法 ，将 用户 的领 域知 识结 合在 其 中：对 于数 值型 字段 在关 联规 则 中的 处理 问题 ；生成 结果 的可 视化方 面 等等 有待 于进 步 的研 究 。
ｎ ｏ ｉ ． ｌ ｐ ｏ ｌ ｉｔ ｌ ｅ ｔ ｎ ｕｏ ｔ ａ ｙ ｇｔ ａ ａ ｌ ｎ ｗ ｅ ｅｆ ｍ ｔ ｓ ｉｆ ｉｆｒ ｔ ｎ ｔ ｅ ｅ ｐｅ ｎｅ ｉ ｎｌ ａ ｄａ ｔｍａ ｃ ｌ ｅ ｖ ｌ ｂｅｋ ｏ ｌ ｇ ｏ ｅｍａｓ ｎｏ ａ ｏ ， ｖ ａ ｔ ｂｅｔ ｅ ｍａ ｏ Ｉ ｈ ｐ ｌｇ ｙ ｉ ｌ ｕ ｄ ｒ ｈ ｒ ｔ ｎ ｅ ｅｌ ｈ ｏｊ ｃ ｖ ｍ ｉ ｒ ｅ ｉ
一
参考 文献 ： 『 陈京 民． 据仓 库 与数据 挖掘技 术 ． ： １ １ 数 北京 电子工业 出版社 ， ０ ２ ２ ０
ｆ 谢 丹夏 ． ｅ上 的数 据 挖 掘 技 术和 工具 设 计 ． 算 机 工 程 与 应 ２ 】 Ｗ ｂ 计
用 ，０ １６ ２０ ，
ｆ 孙 颖， 波 ． 于数据挖 掘技 术 的虚 拟社 区成 员行 为研 究 ．Байду номын сангаас３ １ 毛 基 计算机
［］ ｅ ． ａｋ ， ． ｆｃｅ ｔ ｔＭ ｉ ｇｆｒ ａｈＴ ａ ｅｓｌ ６Ｃｈ ｎＭ Ｓ Ｐ ｒ ＪｓＹｕＰＳ Ｅｆ ｉｎ ａ ｍｎ ｔ ｒｖ ｒａ ｉ Ｄａ ｏＰ
Ｐａ ｔ ｒ ｓ ｎ ｔｅ ｉ Ｄｉｔ ｂｕ ｅ Ｓ ｓｅ ｓ Ｐｒ ｃ． ｏ ｈ １ ｔ ＥＥＥ Ｉ ｔ ｍ ｅ ｎ ｓｒ ｔ ｄ ｙ ｔ ｍ ． ｉ ｏ ｆ ｔ ｅ ６ ｈｌ ｎｅ ｔ Ｃｏ ｆ ｏｎ Ｄ ｉ ｒ ｔ ｄ Ｃｏ ｐ ｉ ｙ ｔ ｍｓ １ ９ ２ ： ８ ｎ． ｓ ｉ ｅ ｍ ｕｔ ｔ ｂｕ ｎｇ Ｓ ｓｅ ， ９ ６， ７ ３ ５—３ ２ ９
Ｋ ｅ ｗ ｏ ｄｓＷ ｅ ａａｍ ｉｉ ； ｃ ｍ ｍ ｅｃ ； ｙ ｒ ： ｂ ｄ ｔ ｎｎｇＥ—ｏ ｒ ｅＸＭ Ｌ ｐ ｉａｉｎｓ ａ ｐｌ ｔｏ ｃ
基于 ｗｂ ｅ 的数 据挖 掘需 要解 决 的几个 问题 （ ）异构 数据库 环境 一 Ｗｂ 的 每一 个站 点 就 是一 个数 据 源 。每 个数 据源 都 是 异构 ｅ上 的 ，因而每 一站 点之 间 的信 息和 组织 都 不一样 ，这 就构 成 了一个 巨大 的异构 数据 库环 境 。如果 想要利 用 这些 数据进 行数 据挖 掘 ， 首先 ，必须 要研 究站 点之 间异构 数据 的集 成 问题 。其次 ，还 要解 决Ｗ ｂ 的数 据查 询 问题 。 ｅ上 （ ）半结 构化 的数据 结构 二 Ｗｂ 的数据 非常 复杂 ， 有特定 的模 型描 述 ， ｅ上 没 每一 站点 的数 据 都各 自独 立设 计 ，并且数 据本 身具 有 自述性 和动 态可 变性 。因 而 。 ｅ 上 的数据 具有一 定 的结构 性 ， 因 自述层 次的存 在 。从而 Ｗｂ 但 是一种 非完 全结 构化 的数据 ，这 也被 称之 为 半结构 化数 据 。半结 构化是Ｗ ｂ 数据 的最 大特 点 。 ｅ上 二 、Ｗ ｂ ｅ 数据 挖掘 的主要 过程 Ｗｂ ｅ 数据 的特 点决 定 了对 其进 行 有 效数 据挖 掘 具有 极 大 的挑 战性 。 根据 Ｗ ｂ ｅ 数据 的特 点 。 结合数 据挖 掘 的一般 过程 ， 以将Ｗ ｂ 可 ｅ 数 据挖 掘流程 描述 如 图所示 的数据 采集 、数据预 处理 、 据挖 掘 、 数 分 析与评 估 和知 识表述 ５ 个功 能模 块 。 （ ）数据采 集 一
Ａｂｓｒ ｃ ： ｅ ａａｍ ｉ ｎｇ ｒ ｆｒｅ ｏ ａ ｅ ｍｉ ｉ ，ｅ ｅｏ ｍ ｅ ｔｆｏ ｔ ｅｄａａｍ ｉ ｎ ｅ ｈ ｏｌｇ ，ｌｏ ａｎ ｗ ｒａ ｏ ｅ ｔ ａ ｔＷ ｂ ｄ ｔ ｎｉ ｅｅ ｒ ｄｔ ｓＷ ｂ ｎｎｇｄ ｖ ｌｐ ｎ ｍ ｈ ｔ ｎｉｇ ｔｃ ｎ ｏ ｙａｓ ｅ ａ ｅ ｆＷ ｂ ｒ
一
、
据 挖掘 过程 一般 由数据 准 备、 掘 操作 、 果表达 和解 释３ 挖 结 阶段组 成 。数 据挖 掘算 法对 数据 有一 定 的要求 ，如 数据 冗余 性小 、数据 属 性之 间 的相 关 性小 、数 据 出错 率 小等 。而 现实 世界所 采集 到 的
按照 主题 相关 的原 则 ， 数据 采集 模块 完成 从外 部的Ｗ ｂ 境中 ｅ环 有选 择地 获取 数据 ，为后面 的数据 挖掘 提供 素材 和 资源 。 ｅ环 境 Ｗｂ 所提 供 的数据 源包 括Ｗｂ ｅ 页面 数据 、 链接 数据 和记 录用 户访 问情 超 况 的数据 等 。 根据 数 据源形 式 的不 同可 以将 Ｗｂ ｅ 数据 挖掘 分为基 于 内容 的挖 掘 、 基于 结构 的挖 掘和基 于用 户使 用 的挖 掘 等３ 。 一 种 每 种数 据挖 掘类 型在 数据 采集 过程 中会使 用不 同的方法 和技 术 ，但 它们 都有 共 同的基本 过 程。通 常 ，数据 采集 由数 据搜 索 、数据 选 择和 数据 收集等 ３ 相对独 立 的过程 组成 。 个 （ ）数据 预处 理 二 数据 预处 理模块 主 要对 数据采 集所 获得 的源 数据 进行 加工 处 理和 组织 重构 ．构建 相 关主题 的数 据仓 库 ．为下 一步 的数据 挖 掘 过程 创建 基础平 台。数据 预 处理是 为数 据挖 掘所 做 的前期准 备 ， 它主 要包 括数据 清理 、数据 集成 、 数据变 换 、数据 约简 等 。 （ ）数据 挖掘 三 数据挖 掘模 块是 数据 挖掘 系统 的核 心部 分 ，它 的主 要 功能 是 运用 各种数 据挖 掘技 术 。从海量 的经过 预处 理的 数据 中提取 出潜 在 的、有 效且 能被人 理解 的知 识模 式 。概括 地讲 。数据 挖掘 的最 终 目标只有 描述 和预 测两 个 ，所 谓 描述 就是用 可 理解 的模式 表达 数据所 包含 的属 性和 特征 信息 ：而 预测 则是指 根据 属性 的现 有数 据值 找出其 规律 性 ，进而 推测 出其 在未 来可 能出现 的属 性值 。数
２１ ０ ０年 第 ｌ Ｏ期
Ｃ ｍ ｕ ｅ ＤＳ ｆ ｗ ｒ ｎ ｐ ｌ ｃ ｔ ｏ ｓ ｏ ｐ ｔ ｒＣ ｏ ｔａ ｅａ ｄＡ ｐ ｉａ ｉｎ
工 程 技 术
基于 ｗ ｂ的数据挖掘技术研究 ｅ
王 婉 晨
（ 天津工业大学，天津
３ ０６ ） ０ １０
摘 要 ：ｗｅ ｂ数据挖 掘 简称 ｗ ｅ ｂ挖掘 ，是从 数 据挖掘 技 术发展 而 来 ，是数 据挖 掘技 术应 用 于 Ｗｅ 信 息 的一 个崭新 领 ｂ 域 。它是 帮助人们 从 海量信 息 中进 行 智 能的、 自动 的抽取 有价值 的知识 ，从 中揭 示 出蕴含在 这 些数据 背后 的客观 世界 的 内 在 联 系和规律 ，解决社 会发展 中的 实际 问题 并 用于宏 观辅 助决 策的 。 关键 词 ：Ｗｅ ｂ数据挖 掘 ；电子 商务 ；Ｘ ＭＬ应 用 中 图分 类号 ：Ｔ ３ １ ３ Ｐ １． 文 献标识 码 ：Ａ １ 文章编 号 ：１０— ５９ （ ００ １— ０３ ０ ０７ ９９ ２１ ） ０ ０８— １
应 用 ．０ ３１ ２０ ．
『 康 晓 东． 于数据 仓 库的数 据挖 掘技 术． 工 业 出版 社， ０ ， ４ １ 基 机械 ２ ４ ０ １
［ Ｊ ｄ ｅ ｒ ａ ａａ Ｒｏ ｅ ｏ ｌ ， ｋ ｎ ｓ ａｄ ． ｅ ｓ ｅ ５ ａ ｅｐＳ ｖｓ ｖ ， ｂ ｍＣ ｏ ｙ Ｍｕ ｕ ｄ ｈ ｎ ｅＷ ｂＵ ａ ］ｉ ｉ ｔ ｅ Ｄｅ ｐ ｇ
Ｍｉ ｎ ｎｉｇ： Ｄ ｉｃ ｖｅｙ ｎ Ａｐ ｉａｉ ｎ ｏｆＵ ｓｇ Ｐａｔｒ ｆｏ ｅ ｓｏ ｒ ａ ｄ ｐｌ ｔｏ ｓ ａ ｅ ｃ ｔｅｎｓ ｒ ｍ Ｗ ｂ
Ｄ ａ ａ Ｓ ｇ ｄ ｐｌ ｒ ｔｏｎ ， ０ ， ： ２５ ３８ ｔ ． ｉ ｋ ｄ Ｅｘ ｏ ａ ｉ ｓ ２０ ０ ２ ３ —３
Ｗ ｅ ｂ－ｂ ｓ ｄ Ｄａ ａ Ｍ ｉ ｎ ｃ ａ ｅ ｔ ｎｉ ｇ Ｔｅ ｈｎｏ ｏ ｙ ｌｇ
Ｗ ａｎｇ Ｗ ａｎ ｈｅｎ ｃ
（ｉｎｎＰ ｌ ｅｈ ｉＵ ｉ ｒｔ，ｉ ｊ ３ ０ ０Ｃ ｉ ） Ｔａ ｊ ｏｙ ｃ ｎ ｎ ｅｓｙＴａ ｉ ０ １ ，ｈｎ ｉ ｔ ｃ ｖ ｉ ｎｎ ６ ａ
ｗｏ ｌ ｎ ｅｌｗ ｆｉ ｅｎａ ｅａｉｎｓｆｏ ｔ ｓ ａ ａｔ ｏｖ ａ ｔｃ ｌｐ ｏ ｅ ｓｉ ｓ ｃａ ｅ ｌｐ ｅ ｎｄ ｆｒｍ ａ ｒ ｕ ｐｏ ｔ ｇ ｒｄａ ｄ ｔ ａ ｏ ｒ ｌ ｌｔｏ ｒ ｍ ｈｅ ｅｄ ｔ，ｏｓ ｌｅｐｒｃ ａ ｒ ｂｌｍ ｎ ｏ ｉｌｄ ｖｅｏ ｍ ｎｔａ ｏ ｃ ｏ ｓ ｐ ｒｉ ｈ ｎｔ ｒ ｉ ｎ ｄ ｃｓｏ － ａ ｎ ｅ ｉｉｎ ｍ ｋｉｇ．
数 据通 常具 有杂 乱性 、冗 余性 、不 完整 性等特 点 ，为 此数据 采掘 必 须经 过数据 准 备阶 段 以提高 数据挖 掘质 量 。挖 掘操 作包括 选择 合 适 的算法 ，进 行挖 掘知 识 的操 作 ，最后 证 实发现 的 知识 ：表达 和 解释 阶段 是对 结果 进行 分析 ，提取 出最 有 价值 的信 息 。如 果获 得 的信 息不 能使 决策 者满意 ，则 需要 重复 以上数 据挖 掘 阶段 。 （ ）分 析 与评估 四 分 析与评 估 模块 是对 数据挖 掘所 得 到的 知识模 式进 行可 信度 和 有效 性分析 ，并对 其做 出评估 结论 。为用户 的经 营 决策提 供信 息 支持 。 （ ）知 识表 述 五 知 识表 述 模块 是 指将 利用 数 据挖 掘 工 具从 Ｗｂ 据 中挖 掘 出 ｅ数 来 的知 识模式 ．用适 当的形 式表 现 出来 ， 以利 于用 户接 受和 相互 交流。 三 、数据 挖掘 工具 的评 价标 准 评价 一个 数据 挖掘 工 具 ，需 要从 以下 几个 方面 来考 虑 ：产生 的模 式种 类 的多 少 ；解 决 复杂 问题 的能力 ： 易操作 性 ；数据存 取 能力； 与其 他产 品的接 口。 于Ｗ ｂ 基 ｅ 的数据 挖 掘技术 在处 理极 大量 的数 据 时 ，如 何提 高算 法效 率 的 问题 ；对 于挖 掘迅 速更 新 的数据 的挖 掘算 法 的进 一步研 究 ；在挖 掘 的过程 中 ，提 供 一种 与用 户进 行交 互 的方法 ，将 用户 的领 域知 识结 合在 其 中：对 于数 值型 字段 在关 联规 则 中的 处理 问题 ；生成 结果 的可 视化方 面 等等 有待 于进 步 的研 究 。
ｎ ｏ ｉ ． ｌ ｐ ｏ ｌ ｉｔ ｌ ｅ ｔ ｎ ｕｏ ｔ ａ ｙ ｇｔ ａ ａ ｌ ｎ ｗ ｅ ｅｆ ｍ ｔ ｓ ｉｆ ｉｆｒ ｔ ｎ ｔ ｅ ｅ ｐｅ ｎｅ ｉ ｎｌ ａ ｄａ ｔｍａ ｃ ｌ ｅ ｖ ｌ ｂｅｋ ｏ ｌ ｇ ｏ ｅｍａｓ ｎｏ ａ ｏ ， ｖ ａ ｔ ｂｅｔ ｅ ｍａ ｏ Ｉ ｈ ｐ ｌｇ ｙ ｉ ｌ ｕ ｄ ｒ ｈ ｒ ｔ ｎ ｅ ｅｌ ｈ ｏｊ ｃ ｖ ｍ ｉ ｒ ｅ ｉ
一
参考 文献 ： 『 陈京 民． 据仓 库 与数据 挖掘技 术 ． ： １ １ 数 北京 电子工业 出版社 ， ０ ２ ２ ０
ｆ 谢 丹夏 ． ｅ上 的数 据 挖 掘 技 术和 工具 设 计 ． 算 机 工 程 与 应 ２ 】 Ｗ ｂ 计
用 ，０ １６ ２０ ，
ｆ 孙 颖， 波 ． 于数据挖 掘技 术 的虚 拟社 区成 员行 为研 究 ．Байду номын сангаас３ １ 毛 基 计算机
［］ ｅ ． ａｋ ， ． ｆｃｅ ｔ ｔＭ ｉ ｇｆｒ ａｈＴ ａ ｅｓｌ ６Ｃｈ ｎＭ Ｓ Ｐ ｒ ＪｓＹｕＰＳ Ｅｆ ｉｎ ａ ｍｎ ｔ ｒｖ ｒａ ｉ Ｄａ ｏＰ
Ｐａ ｔ ｒ ｓ ｎ ｔｅ ｉ Ｄｉｔ ｂｕ ｅ Ｓ ｓｅ ｓ Ｐｒ ｃ． ｏ ｈ １ ｔ ＥＥＥ Ｉ ｔ ｍ ｅ ｎ ｓｒ ｔ ｄ ｙ ｔ ｍ ． ｉ ｏ ｆ ｔ ｅ ６ ｈｌ ｎｅ ｔ Ｃｏ ｆ ｏｎ Ｄ ｉ ｒ ｔ ｄ Ｃｏ ｐ ｉ ｙ ｔ ｍｓ １ ９ ２ ： ８ ｎ． ｓ ｉ ｅ ｍ ｕｔ ｔ ｂｕ ｎｇ Ｓ ｓｅ ， ９ ６， ７ ３ ５—３ ２ ９
Ｋ ｅ ｗ ｏ ｄｓＷ ｅ ａａｍ ｉｉ ； ｃ ｍ ｍ ｅｃ ； ｙ ｒ ： ｂ ｄ ｔ ｎｎｇＥ—ｏ ｒ ｅＸＭ Ｌ ｐ ｉａｉｎｓ ａ ｐｌ ｔｏ ｃ
基于 ｗｂ ｅ 的数 据挖 掘需 要解 决 的几个 问题 （ ）异构 数据库 环境 一 Ｗｂ 的 每一 个站 点 就 是一 个数 据 源 。每 个数 据源 都 是 异构 ｅ上 的 ，因而每 一站 点之 间 的信 息和 组织 都 不一样 ，这 就构 成 了一个 巨大 的异构 数据 库环 境 。如果 想要利 用 这些 数据进 行数 据挖 掘 ， 首先 ，必须 要研 究站 点之 间异构 数据 的集 成 问题 。其次 ，还 要解 决Ｗ ｂ 的数 据查 询 问题 。 ｅ上 （ ）半结 构化 的数据 结构 二 Ｗｂ 的数据 非常 复杂 ， 有特定 的模 型描 述 ， ｅ上 没 每一 站点 的数 据 都各 自独 立设 计 ，并且数 据本 身具 有 自述性 和动 态可 变性 。因 而 。 ｅ 上 的数据 具有一 定 的结构 性 ， 因 自述层 次的存 在 。从而 Ｗｂ 但 是一种 非完 全结 构化 的数据 ，这 也被 称之 为 半结构 化数 据 。半结 构化是Ｗ ｂ 数据 的最 大特 点 。 ｅ上 二 、Ｗ ｂ ｅ 数据 挖掘 的主要 过程 Ｗｂ ｅ 数据 的特 点决 定 了对 其进 行 有 效数 据挖 掘 具有 极 大 的挑 战性 。 根据 Ｗ ｂ ｅ 数据 的特 点 。 结合数 据挖 掘 的一般 过程 ， 以将Ｗ ｂ 可 ｅ 数 据挖 掘流程 描述 如 图所示 的数据 采集 、数据预 处理 、 据挖 掘 、 数 分 析与评 估 和知 识表述 ５ 个功 能模 块 。 （ ）数据采 集 一
Ａｂｓｒ ｃ ： ｅ ａａｍ ｉ ｎｇ ｒ ｆｒｅ ｏ ａ ｅ ｍｉ ｉ ，ｅ ｅｏ ｍ ｅ ｔｆｏ ｔ ｅｄａａｍ ｉ ｎ ｅ ｈ ｏｌｇ ，ｌｏ ａｎ ｗ ｒａ ｏ ｅ ｔ ａ ｔＷ ｂ ｄ ｔ ｎｉ ｅｅ ｒ ｄｔ ｓＷ ｂ ｎｎｇｄ ｖ ｌｐ ｎ ｍ ｈ ｔ ｎｉｇ ｔｃ ｎ ｏ ｙａｓ ｅ ａ ｅ ｆＷ ｂ ｒ
一
、
据 挖掘 过程 一般 由数据 准 备、 掘 操作 、 果表达 和解 释３ 挖 结 阶段组 成 。数 据挖 掘算 法对 数据 有一 定 的要求 ，如 数据 冗余 性小 、数据 属 性之 间 的相 关 性小 、数 据 出错 率 小等 。而 现实 世界所 采集 到 的
按照 主题 相关 的原 则 ， 数据 采集 模块 完成 从外 部的Ｗ ｂ 境中 ｅ环 有选 择地 获取 数据 ，为后面 的数据 挖掘 提供 素材 和 资源 。 ｅ环 境 Ｗｂ 所提 供 的数据 源包 括Ｗｂ ｅ 页面 数据 、 链接 数据 和记 录用 户访 问情 超 况 的数据 等 。 根据 数 据源形 式 的不 同可 以将 Ｗｂ ｅ 数据 挖掘 分为基 于 内容 的挖 掘 、 基于 结构 的挖 掘和基 于用 户使 用 的挖 掘 等３ 。 一 种 每 种数 据挖 掘类 型在 数据 采集 过程 中会使 用不 同的方法 和技 术 ，但 它们 都有 共 同的基本 过 程。通 常 ，数据 采集 由数 据搜 索 、数据 选 择和 数据 收集等 ３ 相对独 立 的过程 组成 。 个 （ ）数据 预处 理 二 数据 预处 理模块 主 要对 数据采 集所 获得 的源 数据 进行 加工 处 理和 组织 重构 ．构建 相 关主题 的数 据仓 库 ．为下 一步 的数据 挖 掘 过程 创建 基础平 台。数据 预 处理是 为数 据挖 掘所 做 的前期准 备 ， 它主 要包 括数据 清理 、数据 集成 、 数据变 换 、数据 约简 等 。 （ ）数据 挖掘 三 数据挖 掘模 块是 数据 挖掘 系统 的核 心部 分 ，它 的主 要 功能 是 运用 各种数 据挖 掘技 术 。从海量 的经过 预处 理的 数据 中提取 出潜 在 的、有 效且 能被人 理解 的知 识模 式 。概括 地讲 。数据 挖掘 的最 终 目标只有 描述 和预 测两 个 ，所 谓 描述 就是用 可 理解 的模式 表达 数据所 包含 的属 性和 特征 信息 ：而 预测 则是指 根据 属性 的现 有数 据值 找出其 规律 性 ，进而 推测 出其 在未 来可 能出现 的属 性值 。数