數(shù)據(jù)挖掘神經(jīng)網(wǎng)絡(luò)法的研究現(xiàn)狀和發(fā)展趨勢(shì)綜述

數(shù)據(jù)挖掘神經(jīng)網(wǎng)絡(luò)法的研究現(xiàn)狀和發(fā)展趨勢(shì)綜述摘要：隨著計(jì)算機(jī)技術(shù)的迅猛發(fā)展，數(shù)據(jù)挖掘技術(shù)越來(lái)越受到世界的關(guān)注。從數(shù)據(jù)挖掘的概念出發(fā)，介紹了數(shù)據(jù)挖掘的對(duì)象、功能及其挖掘過(guò)程，結(jié)合數(shù)據(jù)挖掘的幾種常見(jiàn)挖掘算法：決策樹(shù)法、關(guān)聯(lián)規(guī)則法和神經(jīng)網(wǎng)絡(luò)法等，對(duì)其主要思想及其改進(jìn)做了相關(guān)描述；總結(jié)了國(guó)內(nèi)外數(shù)據(jù)挖掘的研究現(xiàn)狀和應(yīng)用，指出了數(shù)據(jù)挖掘的發(fā)展趨勢(shì)。關(guān)鍵詞：數(shù)據(jù)挖掘；決策樹(shù)法；關(guān)聯(lián)規(guī)則法；神經(jīng)網(wǎng)絡(luò)法；研究現(xiàn)狀；發(fā)展趨勢(shì)0引言數(shù)據(jù)挖掘作為一個(gè)新興的多學(xué)科交叉應(yīng)用領(lǐng)域，正在各行各業(yè)的決策支持活動(dòng)中扮演著越來(lái)越重要的角色。隨著信息技術(shù)的迅速發(fā)展，各行各業(yè)都積累了海量異構(gòu)的數(shù)據(jù)資料。這些數(shù)據(jù)往往隱含著各種各樣有用的信息，僅僅依靠數(shù)據(jù)庫(kù)的查詢(xún)檢索機(jī)制和統(tǒng)計(jì)學(xué)方法很難獲得這些信息，迫切需要將這些數(shù)據(jù)轉(zhuǎn)化成有用的信息和知識(shí)，從而達(dá)到為決策服務(wù)的目的。數(shù)據(jù)挖掘分析得到的信息和知識(shí)現(xiàn)在已經(jīng)得到了廣泛的應(yīng)用，例如商務(wù)管理、生產(chǎn)控制、市場(chǎng)分析、工程設(shè)計(jì)和科學(xué)探索等。數(shù)據(jù)挖掘是一個(gè)多學(xué)科領(lǐng)域，它融合了數(shù)據(jù)庫(kù)技術(shù)、人工智能、機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)、知識(shí)工程、信息檢索等最新技術(shù)的研究成果。本文主要介紹了數(shù)據(jù)挖掘的幾種主要算法及其改進(jìn)，并對(duì)國(guó)內(nèi)外的研究現(xiàn)狀及研究熱點(diǎn)進(jìn)行了總結(jié)，最后指出其發(fā)展趨勢(shì)^[1]。1研究背景數(shù)據(jù)挖掘目前數(shù)據(jù)挖掘是人工智能和數(shù)據(jù)庫(kù)領(lǐng)域的研究熱點(diǎn)，數(shù)據(jù)挖掘是發(fā)現(xiàn)數(shù)據(jù)庫(kù)中隱含知識(shí)的重要步驟。數(shù)據(jù)挖掘出現(xiàn)于20世紀(jì)80年代末，早期主要研究從數(shù)據(jù)庫(kù)中發(fā)現(xiàn)知識(shí)(KnowlegdeDiscoveryinDatabase,KDD),數(shù)據(jù)挖掘的概念源于1995年在加拿大召開(kāi)了第一屆知識(shí)發(fā)現(xiàn)和數(shù)據(jù)挖掘國(guó)際會(huì)議^[2]。數(shù)據(jù)挖掘作為一種多學(xué)科綜合的產(chǎn)物，綜合利用人工智能、機(jī)器學(xué)習(xí)、模式識(shí)別、統(tǒng)計(jì)學(xué)、數(shù)據(jù)庫(kù)、可視化技術(shù)等，自動(dòng)分析數(shù)據(jù)并從中得到潛在隱含的知識(shí)，從而幫助決策者做出合理并正確的決策。數(shù)據(jù)挖掘?qū)ο髷?shù)據(jù)挖掘的對(duì)象可以是任何類(lèi)型的數(shù)據(jù)源，可以是關(guān)系數(shù)據(jù)庫(kù)，此類(lèi)包含結(jié)構(gòu)化數(shù)據(jù)的數(shù)據(jù)源；也可以是數(shù)據(jù)倉(cāng)庫(kù)、文本、多媒體數(shù)據(jù)、空間數(shù)據(jù)、時(shí)序數(shù)據(jù)、Web數(shù)據(jù)，此類(lèi)包含半結(jié)構(gòu)化數(shù)據(jù)甚至是異構(gòu)型數(shù)據(jù)的數(shù)據(jù)源^[2]。發(fā)現(xiàn)知識(shí)的方法可以是數(shù)字的、非數(shù)字的，也可以是歸納的，最終被發(fā)現(xiàn)了的知識(shí)可以用于信息管理、查詢(xún)優(yōu)化、決策支持及數(shù)據(jù)自身的維護(hù)等^[1]。數(shù)據(jù)挖掘功能目前數(shù)據(jù)挖掘的主要功能包括概念描述、關(guān)聯(lián)分析、分類(lèi)、聚類(lèi)和偏差檢測(cè)等。概念描述主要用于描述對(duì)象內(nèi)涵并且概括此對(duì)象相關(guān)特征，概念描述分為特征性描述和區(qū)別性描述，特征性描述描述對(duì)象的相同特征，區(qū)別性描述描述對(duì)象的不同特征；關(guān)聯(lián)分析主要用來(lái)發(fā)現(xiàn)數(shù)據(jù)庫(kù)中相關(guān)的知識(shí)以及數(shù)據(jù)之間的規(guī)律，關(guān)聯(lián)分為簡(jiǎn)單關(guān)聯(lián)、時(shí)序關(guān)聯(lián)、因果關(guān)聯(lián)；分類(lèi)和聚類(lèi)就是根據(jù)需要訓(xùn)練相應(yīng)的樣本來(lái)對(duì)數(shù)據(jù)分類(lèi)和合并；偏差分析用于對(duì)對(duì)象中異常數(shù)據(jù)的檢測(cè)。數(shù)據(jù)挖掘過(guò)程數(shù)據(jù)挖掘主要分3個(gè)階段：數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)挖掘、結(jié)果的評(píng)價(jià)和表達(dá)。數(shù)據(jù)準(zhǔn)備主要是完成對(duì)大量數(shù)據(jù)的選擇、凈化、推測(cè)、轉(zhuǎn)換、數(shù)據(jù)的縮減，數(shù)據(jù)準(zhǔn)備階段的工作好壞將影響到數(shù)據(jù)挖掘的效率和準(zhǔn)確度以及最終模式的有效性，在數(shù)據(jù)準(zhǔn)備階段可以消除在挖掘過(guò)程中無(wú)用的數(shù)據(jù)，從而提高數(shù)據(jù)挖掘的效率和準(zhǔn)確度；數(shù)據(jù)挖掘的工作首先需要選擇相應(yīng)的挖掘?qū)嵤┧惴?，例如決策樹(shù)、分類(lèi)、聚類(lèi)、粗糙集、關(guān)聯(lián)規(guī)則、神經(jīng)網(wǎng)絡(luò)、遺傳算法等，然后對(duì)數(shù)據(jù)進(jìn)行分析，從而得到知識(shí)的模型；結(jié)果評(píng)價(jià)和表達(dá)主要是確定知識(shí)的模式模型是否有效以便發(fā)現(xiàn)有意義的模型^[3]。2數(shù)據(jù)挖掘主要方法2.1決策樹(shù)法決策樹(shù)法是數(shù)據(jù)挖掘的分類(lèi)功能中一種比較常用的方法。決策樹(shù)法起源于概念學(xué)習(xí)系統(tǒng)CLS,然后發(fā)展到ID3方法，ID3算法是由Quinlan首先提出，該算法是以信息論為基礎(chǔ)，以信息熵和信息增益度為衡量標(biāo)準(zhǔn)。ID3算法的主要思想是：首先計(jì)算各屬性的信息增益，然后選取具有最高增益的屬性作為給定集合的測(cè)試屬性。所以造成ID3用信息增益選擇屬性時(shí)偏向選擇取值多的屬性，但是取值多的屬性不一定找到最優(yōu)解，為了克服此問(wèn)題，出現(xiàn)了改進(jìn)算法—一C4.5算法^[4]。C4.5算法不但克服了ID3偏向選擇取值多的屬性這一缺點(diǎn)，還實(shí)現(xiàn)了對(duì)連續(xù)屬性的離散化處理和對(duì)不完整數(shù)據(jù)的處理。雖然C4.5算法在速度和預(yù)測(cè)精度等方面占有優(yōu)勢(shì)，但是由于C4.5在構(gòu)造樹(shù)的過(guò)程中，需要對(duì)數(shù)據(jù)集進(jìn)行多次的順序掃描和排序，導(dǎo)致該算法在性能方面較為低效。針對(duì)C4.5算法效率不高的問(wèn)題，很多學(xué)者提出了針對(duì)改進(jìn)措施：一種有效的C4.5的改進(jìn)模型R-C4.5,該決策樹(shù)模型通過(guò)合并分類(lèi)較差的分支，減少了無(wú)意義的分支進(jìn)一步的劃分，有效避免了碎片的產(chǎn)生，在保持模型預(yù)測(cè)準(zhǔn)確率的同時(shí)，有效改進(jìn)了樹(shù)的健壯性^[5]。而從C4.5在連續(xù)值屬性離散化方面的局限性來(lái)看，C4.5算法在對(duì)連續(xù)值屬性進(jìn)行離散化處理時(shí)，為了找到較好的劃分點(diǎn)，C4.5算法需要測(cè)試所有潛在的劃分信息增益，這樣就大大降低了該算法分類(lèi)的效率?；贔ayyad和Irani對(duì)C4.5算法的改進(jìn)，調(diào)整了其對(duì)連續(xù)值屬性懲罰的基礎(chǔ)，指定一個(gè)閾值a，通過(guò)a值的判定與增益率的判定，決定是否繼續(xù)構(gòu)造節(jié)點(diǎn)^[6]。此外，考慮到有新樣本添加到數(shù)據(jù)庫(kù)中的情況，按照C4.5算法，需要對(duì)所有的樣本進(jìn)行重新學(xué)習(xí)，這樣會(huì)造成大量時(shí)間的浪費(fèi)，所以在此提出一種增量學(xué)習(xí)方法，最大限度地保留決策樹(shù)中的原本分支及分類(lèi)結(jié)果，減少了計(jì)算量^[7]。2.2關(guān)聯(lián)規(guī)則法關(guān)聯(lián)模式中最著名的是Apriori算法，它是由R.Agrawal等人首先提出來(lái)的^[8],其算法思想是：首先找出頻繁性至少和預(yù)定義的最小支持度一樣的所有頻集，然后由頻集產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則。最典型的例子就是沃爾瑪尿布和啤酒事件，在此例中，商家就是利用統(tǒng)計(jì)這兩種商品在一次購(gòu)買(mǎi)中共同出現(xiàn)的頻數(shù)，將出現(xiàn)頻數(shù)多的搭配轉(zhuǎn)化為關(guān)聯(lián)規(guī)則^[9]。Apriori算法的實(shí)現(xiàn)是通過(guò)對(duì)數(shù)據(jù)庫(kù)D的多次掃描來(lái)發(fā)現(xiàn)所有的頻繁項(xiàng)目集。在每一次掃描中只考慮具有同一長(zhǎng)度的所有項(xiàng)目集，在進(jìn)行第一次掃描中，Apriori算法計(jì)算D中所有單個(gè)項(xiàng)目的支持度，生成所有長(zhǎng)度為1的頻繁項(xiàng)目集；在后續(xù)的每一次掃描中，首先以K-1次掃描所生成的所有項(xiàng)目集為基礎(chǔ)產(chǎn)生新的候選項(xiàng)目集，然后掃描數(shù)據(jù)庫(kù)D，計(jì)算這些候選項(xiàng)目集的支持度，刪除其支持度低于用戶(hù)給定的最小支持度的項(xiàng)目集；最后，生成所有長(zhǎng)度為K的頻繁項(xiàng)目集。重復(fù)以上過(guò)程直到再也發(fā)現(xiàn)不了新的頻繁項(xiàng)目集為止。由此可見(jiàn)，若要提高Apriori算法的效率，可以減少對(duì)數(shù)據(jù)庫(kù)的掃描次數(shù)或者減少不必要的頻繁項(xiàng)目集的生成^[10]，對(duì)Apriori算法的改進(jìn)主要方法有：①基于劃分的方法：其基本思想是：對(duì)于整個(gè)交易數(shù)據(jù)庫(kù)而言，如果一個(gè)項(xiàng)集是頻繁項(xiàng)集，那么它必然有這樣的結(jié)果，即至少在一個(gè)分割的部分內(nèi)它是頻繁的；②基于抽樣的方法：首先從數(shù)據(jù)庫(kù)中抽取一個(gè)樣本并生成該樣本的候選項(xiàng)集，當(dāng)然希望這些項(xiàng)集在全局?jǐn)?shù)據(jù)庫(kù)中是頻繁的，在接下來(lái)的一次掃描中，算法將統(tǒng)計(jì)這些項(xiàng)集確切的支持度以及負(fù)邊界的支持度。如果在負(fù)邊界中沒(méi)有一個(gè)是頻繁的，那么算法將找到所有的頻繁項(xiàng)集，否則，負(fù)邊界中的項(xiàng)集有可能是頻繁項(xiàng)集；③增量更新方法：其基本思想是使用該技術(shù)來(lái)對(duì)所發(fā)現(xiàn)的頻繁項(xiàng)集和相應(yīng)的關(guān)聯(lián)規(guī)則進(jìn)行維護(hù)，以便在數(shù)據(jù)庫(kù)發(fā)生變化時(shí)避免對(duì)所有的頻繁項(xiàng)集和相應(yīng)的關(guān)聯(lián)規(guī)則重新進(jìn)行挖掘分析，即只對(duì)發(fā)生變化的那部分?jǐn)?shù)據(jù)進(jìn)行關(guān)聯(lián)分析；④概念層次的方法；⑤基于散列和壓縮技術(shù)的方法^[H]。所以也有很多學(xué)者對(duì)Apriori算法進(jìn)行了改進(jìn)，例如，對(duì)Apriori的改進(jìn)算法AprioriTid算法，在AprioriTid算法中僅在第一次掃描時(shí)用事務(wù)數(shù)據(jù)庫(kù)D計(jì)算候選頻繁項(xiàng)目集的支持度，其他各次掃描用上一次掃描生成的候選數(shù)據(jù)庫(kù)D?來(lái)計(jì)算候選頻繁項(xiàng)目集的支持度，減少了I/O的操作時(shí)間，提高了算法的效率^[8],此外，在對(duì)Apriori的改進(jìn)算法中，基于新的數(shù)據(jù)結(jié)構(gòu)和改進(jìn)了的產(chǎn)生候選集的連接方法，也實(shí)現(xiàn)了對(duì)事物挖掘上優(yōu)于Apriori算法的效率^[12]。針對(duì)Apriori算法的固有缺陷，J.Han等提出了不產(chǎn)生候選挖掘頻繁項(xiàng)集的方法：FPtree頻集算法。FPtree頻集算法采用分而治之的策略，第一遍掃描的過(guò)程中把數(shù)據(jù)庫(kù)中的頻集壓縮進(jìn)一棵頻繁模式樹(shù)(FPtree)，同時(shí)依然保留其中的關(guān)聯(lián)信息，隨后再將FPtree分化成一些條件庫(kù)，每個(gè)庫(kù)和一個(gè)長(zhǎng)度為1的頻集相關(guān)，然后再對(duì)這些條件庫(kù)分別進(jìn)行挖掘，當(dāng)原始數(shù)據(jù)量很大的時(shí)候，才可以結(jié)合劃分的方法，使得一個(gè)FPtree可以放入主存中，實(shí)驗(yàn)表明，F(xiàn)Pgrowth對(duì)不同長(zhǎng)度的規(guī)則較之Apriori算法有巨大的提高。2.3神經(jīng)網(wǎng)絡(luò)法神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)復(fù)雜、網(wǎng)絡(luò)訓(xùn)練時(shí)間長(zhǎng)、結(jié)果表示不容易理解等缺點(diǎn)，但其對(duì)噪聲數(shù)據(jù)的高承受能力和低錯(cuò)誤率，神經(jīng)網(wǎng)絡(luò)具有較好的并行性，這些優(yōu)點(diǎn)是其他方法所不及的，而且各種網(wǎng)絡(luò)訓(xùn)練算法的陸續(xù)提出與優(yōu)化，尤其是各種網(wǎng)絡(luò)剪枝算法和規(guī)則提取算法的不斷提出與完善，使得神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖掘的應(yīng)用中越來(lái)越受到大家的青睞^[13]。其中使用較為廣泛的有多層前饋式(multilayerfeedforward)神經(jīng)網(wǎng)絡(luò)和后向傳播(backpropagation,BP)神經(jīng)網(wǎng)絡(luò)。多層前饋式神經(jīng)網(wǎng)絡(luò)迭代學(xué)習(xí)用于元組類(lèi)標(biāo)號(hào)預(yù)測(cè)的一組權(quán)重，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)搜索一組權(quán)重，這組權(quán)重可對(duì)數(shù)據(jù)建模，使得神經(jīng)元組的網(wǎng)絡(luò)類(lèi)預(yù)測(cè)和實(shí)際類(lèi)標(biāo)號(hào)之間的均方距離最小，可用于語(yǔ)言綜合、語(yǔ)音識(shí)別、自適應(yīng)控制等^[14]。現(xiàn)在已經(jīng)提出來(lái)一些神經(jīng)網(wǎng)絡(luò)方面的數(shù)據(jù)挖掘算法改進(jìn)，用以彌補(bǔ)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、網(wǎng)絡(luò)訓(xùn)練時(shí)間長(zhǎng)、結(jié)構(gòu)表示不易理解等不足，比如，提出的基于模糊神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘算法，把模糊理論和神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)構(gòu)造、訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)^[15]。3研究現(xiàn)狀隨著海量數(shù)據(jù)的增加，大數(shù)據(jù)時(shí)代的到來(lái)，導(dǎo)致人們對(duì)數(shù)據(jù)的研究和利用越來(lái)越多，其中數(shù)據(jù)挖掘技術(shù)的不斷進(jìn)步和發(fā)展也給整個(gè)世界信息的發(fā)展帶來(lái)了許多成果。在科學(xué)學(xué)領(lǐng)域方面，先進(jìn)的現(xiàn)代化科學(xué)觀(guān)測(cè)儀器的使用造成每天都要產(chǎn)生巨量的數(shù)據(jù)，如各種同步衛(wèi)星每小時(shí)傳回地球的遙感圖像數(shù)據(jù)就達(dá)50千兆字節(jié)。天文學(xué)上有一個(gè)很著名的應(yīng)用系統(tǒng)——SKICAT，這是第一個(gè)相當(dāng)成功的數(shù)據(jù)挖掘應(yīng)用，也是人工智能技術(shù)在天文學(xué)和空間科學(xué)上第一批成功的應(yīng)用之一。目前，科學(xué)家已利用SKICAT發(fā)現(xiàn)了16個(gè)新的極其遙遠(yuǎn)的類(lèi)星體。在市場(chǎng)營(yíng)銷(xiāo)方面，條形碼技術(shù)在商業(yè)上的普遍使用使得很多行業(yè)每天都積累了大量數(shù)據(jù)，從市場(chǎng)營(yíng)銷(xiāo)來(lái)說(shuō)，通過(guò)數(shù)據(jù)分析了解客戶(hù)購(gòu)物行為的一些特征，對(duì)提高競(jìng)爭(zhēng)力及促進(jìn)銷(xiāo)售是有很大幫助。在金融投資方面，目前國(guó)內(nèi)有很多進(jìn)行股票分析的軟件，并且定期有專(zhuān)家進(jìn)行股票交易預(yù)測(cè)。數(shù)據(jù)挖掘技術(shù)還可以應(yīng)用在甄別詐騙上，進(jìn)行詐騙甄別主要是通過(guò)總結(jié)正常行為和詐騙行為之間的關(guān)系，得到詐騙行為的一些特征，這樣當(dāng)某項(xiàng)業(yè)務(wù)符合這些特征時(shí)，可以向決策人員提出警告。這方面比較成功的系統(tǒng)有FALCON和FAIS系統(tǒng)。在Web應(yīng)用上，世界上最強(qiáng)大的搜索引擎Google相比其他很多搜索引擎，它的搜索結(jié)果更讓人滿(mǎn)意，其中Google使用的搜索算法主要是PageRank算法，在2001年9月被授予美國(guó)專(zhuān)利，Google的PageRank是根據(jù)網(wǎng)站的外部鏈接和內(nèi)部鏈接的數(shù)量和質(zhì)量?jī)珊饬烤W(wǎng)站的價(jià)值。4數(shù)據(jù)挖掘發(fā)展趨勢(shì)現(xiàn)今，數(shù)據(jù)挖掘的發(fā)展趨勢(shì)主要在以下幾個(gè)方面：數(shù)據(jù)挖掘語(yǔ)言的標(biāo)準(zhǔn)化：語(yǔ)言的標(biāo)準(zhǔn)化對(duì)于數(shù)據(jù)挖掘系統(tǒng)的開(kāi)發(fā)和數(shù)據(jù)挖掘技術(shù)的普遍使用是至關(guān)重要的。其可改進(jìn)多個(gè)數(shù)據(jù)挖掘系統(tǒng)和功能間的互操作，促進(jìn)其在企業(yè)和社會(huì)中的使用。數(shù)據(jù)挖掘的可視化：可視化要求已經(jīng)成為數(shù)據(jù)挖掘系統(tǒng)中必不可少的技術(shù)。可以在發(fā)現(xiàn)知識(shí)的過(guò)程中進(jìn)行很好的人機(jī)交互。數(shù)據(jù)的可視化起到了推動(dòng)人們主動(dòng)進(jìn)行知識(shí)發(fā)現(xiàn)的作用。分布式數(shù)據(jù)挖掘：分布式技術(shù)的到來(lái)為日益增長(zhǎng)的數(shù)據(jù)提供了有力支持，而分布式數(shù)據(jù)挖掘中將分布式技術(shù)和數(shù)據(jù)挖掘技術(shù)的結(jié)合，也使對(duì)分離數(shù)據(jù)庫(kù)的可協(xié)作數(shù)據(jù)挖掘工作開(kāi)發(fā)了一個(gè)重要領(lǐng)域。數(shù)據(jù)挖掘與數(shù)據(jù)庫(kù)系統(tǒng)和Web數(shù)據(jù)庫(kù)系統(tǒng)的集成：數(shù)據(jù)庫(kù)系統(tǒng)和Web數(shù)據(jù)庫(kù)已經(jīng)成為信息處理系統(tǒng)的主流。數(shù)據(jù)挖掘系統(tǒng)的理想體系結(jié)構(gòu)是與數(shù)據(jù)庫(kù)和數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)的緊耦合。挖掘復(fù)雜數(shù)據(jù)類(lèi)型的新方法：挖掘復(fù)雜數(shù)據(jù)類(lèi)型是數(shù)據(jù)挖掘的重要前沿研究課題，也有人稱(chēng)復(fù)雜類(lèi)型的數(shù)據(jù)挖掘是“下一代數(shù)據(jù)挖掘”。伴隨著數(shù)據(jù)的增多，需要處理的數(shù)據(jù)類(lèi)型也變得越來(lái)越復(fù)雜，例如數(shù)據(jù)流、時(shí)間序列、時(shí)間空間、多媒體和文本數(shù)據(jù)，雖然現(xiàn)在在很多復(fù)雜數(shù)據(jù)類(lèi)型的挖掘方面取得了一些進(jìn)展，但是在應(yīng)用需求和可用技術(shù)之間仍然存在較大的距離。數(shù)據(jù)挖掘中的隱私保護(hù)和信息安全：隨著信息技術(shù)的發(fā)展，越來(lái)越多的數(shù)據(jù)涌入了網(wǎng)絡(luò)，其中包括大量電子形式的個(gè)人信息，而挖掘技術(shù)的發(fā)展和科技的更新，在相反的一面上也使大量的個(gè)人信息受到了威脅，因此保護(hù)隱私的數(shù)據(jù)挖掘方法愈顯重要^[16]。5結(jié)語(yǔ)Internet的迅猛發(fā)展使得網(wǎng)絡(luò)上的各種資源信息異常豐富，而數(shù)據(jù)的迅速增加與數(shù)據(jù)分析方法的滯后之間的矛盾也越來(lái)越突出，人們希望在對(duì)已有的大量數(shù)據(jù)分析的基礎(chǔ)上進(jìn)行科學(xué)研究、商業(yè)決策或者企業(yè)管理，而數(shù)據(jù)挖掘正是為了解決傳統(tǒng)分析方法的不足，并針對(duì)大規(guī)模數(shù)據(jù)分析處理而出現(xiàn)的。數(shù)據(jù)挖掘技術(shù)的發(fā)展給科技的發(fā)展、經(jīng)濟(jì)的推動(dòng)和每個(gè)人的生活都帶來(lái)了巨大的便利，數(shù)據(jù)挖掘技術(shù)也被越來(lái)越多的行業(yè)和領(lǐng)域所采用，并取得了很好的效果。參考文獻(xiàn)：[1]王惠中，彭安群.數(shù)據(jù)挖掘研究現(xiàn)狀及發(fā)展趨勢(shì)J].工礦自動(dòng)化，2011（2）.[2]潘有能^乂1挖掘：聚類(lèi)、分類(lèi)與信息提取[乂].杭州：浙江大學(xué)出版社，2012.[3]王桂芹，黃道.數(shù)據(jù)挖掘技術(shù)綜述[C].全國(guó)第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集，2007.[4]李會(huì)，胡笑梅.決策樹(shù)中ID3算法與C4.5算法分析與比較J].水電能源科學(xué)，200