【正文】 因為每個用戶可能只關心很小的對自己有用的一部分信息，其余的信息對這個用戶來說就是不感興趣的，而且會淹沒所希望搜索的結果。 Web挖掘就是從 Web文檔和 Web活動中抽取感興趣的、潛在的有用模式和隱藏的信息。于是項集 i和 1序列 i具有相同的支持。在一個序列集 (a set of sequences)中如果序列 s不包含于任何其他序列中，則稱序列 s為最大的 (maximal)。通常，根據規(guī)則中涉及到的層次，多層關聯規(guī)則可以分為同層關聯規(guī)則和層間關聯規(guī)則。Lk1≠。事實上，人們一般只對滿足一定的支持度和可信度的關聯規(guī)則感興趣。所有事務的全體就構成一個事務數據庫Ｄ。 關聯規(guī)則的挖掘研究具有以下發(fā)展趨勢：一是從單一的概念層次關聯規(guī)則的發(fā)現發(fā)展到多概念層次的關聯規(guī)則的發(fā)現。相似或不相似的描述是基于數據描述屬性的取值來確定的。 貝葉斯方法的學習機制是利用貝葉斯公式將先驗信息與樣本信息綜合得到后驗信息。否則 , 根據某種策略選擇一個屬性 , 按照該屬性的不同取值 , 把當前實例集合劃分為若干子集合。第一本關于 DM和 KDD 的國際學術雜志 《 Data Mining and Knowledge Discovery 》 也于 97 年 3 月創(chuàng)刊發(fā)行。 數據挖掘和 OLAP具有一定的互補性。從研究的歷史看，它們可能是數據庫、人工智能、數理統計、計算機科學以及其它方面的學者和工程技術人員，在數據挖掘的探討性研究過程中創(chuàng)立的理論體系。因此，從這個意義說，數據挖掘就是從數據庫、數據倉庫以及其它數據存儲方式中挖掘有用知識的過程。第八章 數據挖掘 人工智能 華中師范大學計算機科學系 第八章 數據挖掘 數據挖掘（ Data Mining）是一個多學科交叉研究領域，它融合了數據庫技術、人工智能、機器學習、統計學、知識工程、面向對象方法、信息檢索、高性能計算以及數據可視化等最新技術的研究成果。這種描述強調了數據挖掘在源數據形式上的多樣性。 1997年， Mannila對當時流行的數據挖掘的理論框架給出了綜述。在利用數據挖掘出來的結論采取行動之前，也許要驗證一下如果采取這樣的行動會帶來什么樣的影響，那么 OLAP工具能回答這些問題。亞太地區(qū)于 1997 年在新加坡召開了首次 KDD 研討會，其后又在澳大利亞的墨爾本召開了第二屆，在中國北京召開了第三屆。對每個子集合重復此過程 , 直到當前集中的實例是同類的為止。 在數據挖掘中，主要有兩種 bayes方法，即 Na239。通常就是利用（各對象間）距離來進行表示的。也就是說在很多應用中，挖掘規(guī)則可以作用到數據庫的不同層面上。 (3)數據項集的支持度 數據項集的支持度 (Support)就是數據項集出現的概率。因此，為了發(fā)現出有意義的關聯規(guī)則，需要給定兩個閾值 :最小支持度和最小可信度。k++) { (3) Ck = apriorigen ( Lk1, min_sup)。 關聯規(guī)則挖掘 序列模式挖掘 序列模式挖掘是基于時間或者其它序列的經常發(fā)生的模式。 序列模式挖掘 一個客戶所有的事務 (transactions)可以綜合的看成是一個序列，每一個事務都由相應的一個項集來表示。具有最小支持 (minimum support)的項集稱為大項集 (large itemset or litemset)。 Web挖掘可以在確定權威頁面、 Web文檔分類、 Web Log挖掘、智能查詢等在很多方面發(fā)揮作用。 Web 是一個巨大的、廣泛分布的、異構的、半結構的、超文本 P超媒體的、相互聯系并且不斷變化的信息倉庫 , 其中包括鏈接信息、訪問使用信息等。 WEB挖掘 （ 5） web上的信息只有很小的一部分是相關的或有用的。在面臨如此龐大的信息空間以及 Web組織無序化的情況下，搜索是解決網絡信息無序和混亂的一個基本方法，現代社會的競爭趨勢要求能夠對這些信息進行實時和深層次的分析，因此，如何利用數據挖掘知識，進一步提高 Web信息搜索的性能成為眾多學者研究的熱點。 一個項集 i的支持是指那一部分在單次交易中買了項集 i中的項的那一部分客戶。前者表示項 3和項 5是先后購買的，而后者則表示項 3和項 5是同時購買的，這就是區(qū)別所在。不過，在支持度的設置問題上有一些又考慮的東西。 輸入：交易數據庫 D最小支持閾值 min_sup 輸出： Li， D中的頻繁項集； 處理流程： (1) L1=find_frequent_1_itemset(D)； //發(fā)現 1項集 (2) for(k=2。 如果不考慮關聯規(guī)則的支持度和可信度，那么在事務數據庫中存在無窮多的關聯規(guī)則。每一個事務賦予一個唯一的標識符 TID。 關聯規(guī)則挖掘 關聯規(guī)則是描述在一個事件中不同的項之間同時出現的規(guī)律的知識模式，具體地針對一個事物數據庫來說，關聯規(guī)則就是通過量化的數據描述某種物品的出現對另一種物品的出現有多大的影響。換句話說，聚類（ clustering）是一個將數據集劃分為若干組或類的過程，并使得同一個組內的數據對象具有較高的相似度；而不同組中的數據對象是不相似的。 其后一些統計學家將其發(fā)展成一種系統的統計推斷方法，到本世紀 30年代形成了貝葉斯學派， 50~60年代發(fā)展成了一個有影響的統計學派。如果當前訓練例子集合中的所有實例是同類的 , 構造一個葉節(jié)點 , 節(jié)點內容即是該類別。隨著 KDD 的深入研究以及 KDD 在許多領域的成功應用，于 1995 年在加拿大召開了第一屆知識發(fā)現和數據挖掘國際學術會議，此后每年都召開大規(guī)模的國際會議，其研究重點也逐漸從發(fā)現方法轉向系統應用，注重多種發(fā)現策略和技術的集成，以及多種學科之間的相互滲透。它在本質上是一個歸納的過程。 數據挖掘概述 數據挖掘方法可以是基于數學理論的，也可以是非數學的；可以是演繹的，也可以是歸納的。 數據挖掘概述 （ 1） KDD看成數據挖掘的一個特例 數據挖掘系統可以在關系數據庫、事務數據庫、數據倉庫、空間數據庫（ Spatial Database）、文本數據（ Text Data）以及諸如 WEB等多種數據組織形式中挖掘知識，既然如此，那么可以說數據庫中的知識發(fā)現只是數據挖掘的一個方面，這是早期比較流行的觀點。經過十幾年的研究，產生了許多新概念和方法。 (2) 數據挖掘是 KDD過程的一個步驟 在“知識發(fā)現 96國際會議” 上，許多學者建議對這兩個名詞加以區(qū)分。結合最新的研究成果，有下面一些重要的理論框架可以幫助我們準確地理解數據挖掘的概念與技術特點。 數據挖掘概述 4. 數據挖掘與機器學習和統計分析方法 數據挖掘利用了人工智能（ AI）和統計分析的進步所帶來的好處。目前，在 IJCAI 、 AAAI 、 VLDB 、 ACMSIGMOD 等代表人工智能與數據庫技術研究最高水平的國際學術會議上，數據挖掘和知識發(fā)現的研究都占有較大的比例，數據挖掘和知識發(fā)現的研究已經成為當今計算機科學與