面向大數據的高維數據挖掘技術研究

1  大數據的發(fā)展挑戰(zhàn)

1.1  在技術架構形式上

現階段，數據庫正在全球化，立足于該發(fā)展模式，分布式模式需要得以創(chuàng)建，除了需要龐大機器之外，還需要有效處理龐大的數據信息。但是面對大數據時代，針對飛速激增的數據量，傳統(tǒng)數據分析已經不能滿足需求，在以下3個方面得到體現：

1.1.1  數據處理的時效性

面對大數據不斷推行，為了符合現階段數據處理實際需求，數據實現在線處理。在此基礎上，無論是數據處理選擇，還是數據處理模式，都不斷改變，處理具有實時性，除了能夠實現流處理之外，批處理也成功實現。立足于大數據實時性處理，無論是業(yè)務需求，還是根據應用，都逐步發(fā)生改變。

1.1.2  實現了動態(tài)變化環(huán)境中的索引形式

在索引形式的基礎上，關系數據庫查詢速度將不斷提升，可是使用傳統(tǒng)數據管理模式，索引形式并不可以產生變化，在此基礎上，無論是更新效率，還是創(chuàng)建方式，都不斷形成。針對大數據信息的變化特點，除了需要具備設計簡潔的特點，創(chuàng)建索引方式還需要具有高效的特點，由此針對大數據變化，無論是數據信息的需求調整，還是數據信息的處理，都可以良好使用。所以說，針對大數據變化，全新的索引形式需要成功設計，在此基礎上確保查詢工作順利實施。

1.1.3  先驗知識的缺失

立足于傳統(tǒng)數據分析結構，在關系型保存模式基礎上，無論是出現先驗知識，還是隱藏內部關系，都早已出現。比如說，對信息屬性進行分析過程中，可能存在的取值范圍需要確定，并且在實際分析之前，數據的了解就已經形成。針對大數據分析，無論是非結構化數據，還是半結構化數據，都需要創(chuàng)建類似數據，并且正式關系式需要實現。但是數據流的產生是不間斷進行的，所以說針對實時發(fā)生的數據，先驗知識并不會創(chuàng)建完善，在此情況下，對無先驗知識，需要及時發(fā)現并及時處置。

2  高維數據挖掘中的問題

2.1  高維數據簡介

在大數據庫飛速增加的基礎上，維數同樣在急劇擴大，一旦增長到瓶頸出，數據處理將難以進行，人們將該數據就叫做高維數據。相對于傳統(tǒng)數據挖掘而言，除了具有復雜性的特點之外，高維數據還具有多信息量性，由此成為數據挖掘的核心所在。

2.2  高維數據的特點

（1）稀疏性:實質就是數據庫相對龐大時，即便高維數據非常多，但是能夠符合使用要求的，相對較少。

（2）維度災難:挖掘高維數據的過程中，往往存在較多的屬性變化，在此情況下，索引結構性能將不斷降低，特別是無論最近鄰，還是最遠鄰，和查詢點的距離往往都一樣，由此最近鄰往往是沒有意義的，為此數據挖掘難度將急劇增加。

2.3  高維數據對于數據挖掘產生的影響

結合大數據特征，實際挖掘數據過程中，使用最近鄰法，在龐大數據中查詢效率將急劇提升，最近鄰法往往依賴索引結構進行的，可是針對高維數據存在維度災難的特點，最近鄰查詢往往被索引結構支持度將不斷降低，甚至是使得最近鄰查詢無法有效進行。

無論是進行高維數據的分類聚類分析，還是進行高維數據的異常檢測，受制于索引結構的制約，效果將大打折扣，甚至是失去效果，由此無論是異常檢測算法還是聚類分析性能將不斷降低；除此之外，針對同樣的數據點距離，使得分類聚類概念意義不斷消失，針對高?？臻g數據具備的稀疏性，任何數據點都能夠視為異常點，此時針對高維數據異常檢測將變得困難重重。

2.4  高維數據挖掘的研究方向

（1）距離函數或相似性度量函數:無論是重新定義距離函數，還是重新定義相似性度量函數，都能夠成功避免“維度災難”的制約。

（2）選維和降維:在不斷降低高維數據維度的基礎上，使得其成功形成低維數據，由此進行低維數據的數據挖掘。同時該方法最為人們所接受。

（3）高效的聚類算法和異常檢測算法:為成功解決算法效率不高的難題，存在三個方面的措施：第一，設計性能更好的索引結構；第二，增量算法；第三，并行算法。

3  大數據的高維數據挖掘技術

3.1  大數據儲存的三維矩陣模型

針對不一樣來源的數據，往往可以選取不一樣的數據處理方式。比如說，通常情況下，在分解數據種類的基礎上，能夠將調研數據分為三類：第一，單選；第二，多選；第三，排序。無論是傳統(tǒng)數據記錄，還是傳統(tǒng)數據分析過程中，都是立足于同樣數據庫開展的，由此增加維度的不一樣，無論是數據分析，還是數據處理，都將受到制約。

所以說，針對大數據時代，數據模型的創(chuàng)建除了需要具有內容多的特征，還需要存在極強的通用性。同樣以上文例子為例，在數據調研過程中，無論是單選，還是多選，都能夠依據向量來有效表達，對應的題目排序可以利用矩陣來表現，在社會網絡數據的基礎上進行，并且結合關鍵性類別來實際代表選題方式，最后模型轉換則是建立在三維矩陣和傳統(tǒng)數據庫基礎之上的(如圖1)，處理關鍵數據，由此不一樣的空間形式將存在空間維度之上，此時三維矩陣將有全部數據來源構成，進行有效組合之后，形成立體式模型，如圖2。

3.2  關聯規(guī)則的三維矩陣挖掘

實際進行大數據挖掘過程中，關聯規(guī)則挖掘是最受人們青睞的。無論是不一樣的屬性，還是項目關系，都是沒有辦法隱藏，同時也是沒有辦法預知的，只有在統(tǒng)計方法和數據庫的基礎上加以實現?，F階段，關聯規(guī)則挖掘技術憑借其良好的性能，成為了使用廣泛的技術之一，在關聯規(guī)則挖掘過程中存在以下核心要素：

（1）置信度:主要用于度量衡量強度以及準確性；

（2）支持度:主要用于衡量度量重要性。

在日常生活和工作中，在關聯規(guī)則挖掘過程中，只有上訴核心因素數值最小的時候，支持度同樣也對應最小值，由此才得以成功處于關聯規(guī)則內。假如需要使得關聯規(guī)則可靠性最低，此時置信度需要確保為最低。

想要使得多維數據成功在空間中表現，立足于空間特種，能夠在多維儲存模型的基礎上成功表現，由此無論是數據層次還是數據語言，都能夠有效表達。比如說：在檢測海洋數據過程中，氣象環(huán)境除了風力之外，還有降水等等；海底環(huán)境處理重力之外，還有水深等等；水體環(huán)境除了有水溫計鹽度之外，還有潮流和水聲，因素眾多且相互交織，由此多維數據得以形成。在模型建立的基礎上，使得多維數據能夠在空間成功表達，使得海洋多樣化的數據結構得以呈現。

3.3  基于超圖的聚類算法

在原始數據相互關系的基礎上，結合超圖數據集，使得圖形劃分方法不斷得到優(yōu)化，此為超圖聚類算法。在三維矩陣之中，利用分割算法進行圖像劃分，使用最為廣泛的即為HMETIS算法，存在如下步驟：

（1）首先是粗化階段，在最小超圖的基礎上，結合推進超圖，進行不斷壓縮。

（2）其次是初始劃分階段，在二次劃分超圖的基礎上，利用二次方法，來不斷強化超圖質量，使得工作效率有效提升。

（3）最后遷移優(yōu)化階段，分解超圖之后，在投影基礎上，使得分解質量不斷提升。

3.4  高維數據挖掘的工具

現階段，存在三種使用廣泛的高維數據挖掘工具：第一，SPSS；第二，Exterprise Miner；第三，SAS。存在如下特征：

（1）SAS：是建立在統(tǒng)計理論之上的，存在諸多功能，高維數據挖掘功能相對齊全，但是需要專業(yè)人士進行操作，并且存在極高的運用成本。

（2）Exterprise Miner:具有操作簡便的優(yōu)勢，高維數據的處理能力相對適中，但是不能進行數據搜索。

（3）SPSS:和SAS具有類似功能，但是相對而言具有較高性價比，高維數據挖掘功能較為出眾，除此之外，立足于集成以及發(fā)布功能，工作人員能夠較好的掌握挖掘結果，并且理解挖掘結果。

本文來源：《企業(yè)科技與發(fā)展》：http://www.00559.cn/w/kj/21223.html