挖掘原语，语言和体系结构 数据挖掘原语 数据挖掘语言 数据挖掘系统体系结构 总结

挖掘相关的数据 挖掘的知识类型 背景知识 模式的兴趣度量 结果的表示与可视化 数据挖掘原语划分 挖掘相关的数据 挖掘的知识类型 背景知识 模式的兴趣度量 结果的表示与可视化 aaa

任务相关数据 数据库（或数据仓库）名称 数据库表（或数据仓库的立方体） 数据选择条件 有关的属性（或维） 数据分组的标准 例如：AllElectronics_db 数据库表（或数据仓库的立方体） 例如：表item,customer,purchase,items_sold 数据选择条件 例如：选取本年度加拿大地区购买商品的数据 选取条件可能在概念上层次高于DB/DW的数据 如：”type=home entertainment”，DB/DW中数据{tv,cd player,vcr} 有关的属性（或维） 例如：item表的name,price属性;customer表的income,age属性。 系统应具备自动选取相关属性的机制，比如通过评估各属性与特定操作的相关程度。 数据分组的标准 例如：根据日期进行分组

挖掘的知识类型 描述(characterization) 区别分析(discrimination) 关联(association) 分类/预测(classification/prediction) 聚类(clustering)

例: 用户如果想发掘AllElectronics数据库中用户的购买习惯，可能会选择下面关联规则： P(X:customer,W)^Q(X,Y)=>buys(X,Z) X是customer表的主键，P,Q是谓词变量(在相关数据中定义)，W,Y,Z是目标变量。可能的挖掘结果是： age(X,”30…39”) ^ income (X,”40k…49k”) => buys(X,”VCR”) [2.2%,60%] accupation(X,”student”)^age(X,”20…29”)=>buys(X,”computer”) [1.4%,70%]

背景知识：概念层次 概念层次 用户对数据间关系的预测 模式层次(schema hierarchy) 例：Street<city<province_or_state<country 集合-分组层次(set-grouping hierarchy) 例： {young,middle_aged,senior}<all(age) {20-39} = young, {40-59} = middle_aged 基于操作层次(operation-derived hierarchy) 包括信息解码，复杂数据对象的信息提取，数据聚类，数据分布分析算法等 例： email address: login-name < department < university < country 基于规则层次(rule-based hierarchy) 例： low_profit_margin (X) <= price(X, P1) and cost (X, P2) and (P1 - P2) < $50 用户对数据间关系的预测 可以用于评价挖掘模式的兴趣度量

模式兴趣度量 简洁性(simplicity) 确定性(certainty) 有用性(utility) 新颖程度(novelty) 如：(关联) 规则长度, (决策) 决策树规模大小 确定性(certainty) 如：confidence, P(A|B) = n(A and B)/ n (B), classification reliability or accuracy ( also known as rule reliability , rule strength, rule quality, certainty factor, discriminating weight )等. 有用性(utility) 如：support (association),s(A=>B)=n(A nd B)/n(all), noise threshold (description) 新颖程度(novelty) 如：not previously known, surprising (used to remove redundant rules, e.g., Canada vs. Vancouver rule implication support ratio

结果模式的可视化 挖掘系统应能够用多种形式来显示发掘出来的模式 挖掘系统应能够支持挖掘结果的多种操作 如：规则，表，报表，图表，图，决策数和立方体 挖掘系统应能够支持挖掘结果的多种操作 如：drill-down , roll-up , slicing , dicing ,rotation…

挖掘原语，语言和体系结构 数据挖掘原语 数据挖掘语言 数据挖掘系统体系结构 总结

DMQL——一个数据挖掘语言 动机 设计 为了能提供交互式数据挖掘能力 通过提供一个类似SQL的语言 希望能像SQL语言一样成为挖掘标准语言 希望成为系统开发和演化(evolution)的基础 希望促进信息交换，技术转移，商业化并获得广泛承认 设计 DMQL 在前面介绍的挖掘原语基础之上进行设计

任务相关数据的语法表示 use database <database_name>, or use data warehouse <data_warehouse_name> from <relation(s)/cube(s)> where [<condition>] in relevance to <att_or_dim_list> order by <order_list> group by <grouping_list> having <condition>

任务相关数据语法表示（续） 例：如果挖掘AllElectronics的加拿大顾客经常购买的商品之间的关联，针对顾客不同收入和年龄，并且数据用购买日期进行分组。挖掘相关数据可以写成： use database AllElectronics_db in relevance to I.name , I.price , C.income , C.age from customer C , item I , purchase P , item_sold S where I.item_ID=S.item_ID and S.trans_ID=P.trans_ID and P.cust_ID=C.cust_ID group by P.date

挖掘知识类型的语法 <Mine_Knowledge_Specificaton>::=<Mine_Char> | <Mine_Discri> | <Mine_Assoc> | <Mine_Class> | <Mine_Pred> <Mine_Char>::= Mine characterization [as <pattern_name>] analyze <meansure(s)> 例：mine characteristics as customerPurchasing analyze count% <Mine_Discri>::=Mine comparison [as <pattern_name>] for <target_class> where <target_condition> { versus <contrast_class_i> where <contrast_condition_i>} analyze <measure(s)> 例：mine comparison as purchaseGroups for bigSpenders where avg(I.price) ≥$100 analyze count versus budgetSpenders where avg(I.price),$100

挖掘知识类型的语法(续) <Mine_assoc>::=mine association [as<pattern_name>] [matching <metapattern>] 例：mine associations as buyingHabits matching P(X:customer,W)^Q(X,Y)=>buys(X,Z) <Mine_class>::=mine classification [as <pattern_name>] analyze <classifying_attribute_or_dimention> 例： mine classification as classifyingCustomerCreditRating analyze credit_info <Mine_predi>::=Mine prediction [as <pattern_name>] analyze <prediction_attribute_or_dimention> {set { attribute_or_dimention_i>=<value_i>}} 例：mine prediction as predictItemPrice analyze price set category = “TV” and brand=“SONY”

概念层次语法 语法： Use hierarchy <hierarchy> for <attribute_or_dimention > 不同概念层次采用不同定义方式 模式概念层次 define hierarchy time_hierarchy on date as [date,month quarter,year] 集合-分组概念层次 define hierarchy age_hierarchy for age on customer as level1: {young, middle_aged, senior} < level0: all level2: {20, ..., 39} < level1: young level2: {40, ..., 59} < level1: middle_aged level2: {60, ..., 89} < level1: senior

概念层次语法（续） 基于操作概念模式(operation-derived hierarchies) define hierarchy age_hierarchy for age on customer as {age_category(1), ..., age_category(5)} := cluster(default, age, 5) < all(age) 基于规则概念模式(rule-based hierarchies) define hierarchy profit_margin_hierarchy on item as level_1: low_profit_margin < level_0: all if (price - cost)< $50 level_1: medium-profit_margin < level_0: all if ((price - cost) > $50) and ((price - cost) <= $250)) level_1: high_profit_margin < level_0: all if (price - cost) > $250

兴趣度量语法 语法： with <interest_measure_name>  threshold = threshold_value 例: with support threshold = 0.05 with confidence threshold = 0.7 

挖掘知识表示语法 display as <result_form> 用户指定显示方法 为在不同概念层次上观察结果： Multilevel_Manipulation  ::=   roll up on <attribute_or_dimension> | drill down on <attribute_or_dimension> | add <attribute_or_dimension> | drop <attribute_or_dimension>

一个完整的DMQL语句 use database AllElectronics_db use hierarchy location_hierarchy for B.address mine characteristics as customerPurchasing analyze count% in relevance to C.age , I.type , I.place_made from customer C, item I , purchases P , items_sold S , works_at W , branch B where I.item_ID = S.item_ID and S.trans_ID = P.trans_ID and P.cust_ID = C.cust_ID and P.method_paid = ``AmEx'' and P.empl_ID = W.empl_ID and W.branch_ID = B.branch_ID and B.address = ``Canada" and I.price >= 100 with noise threshold = 0.05 display as table

其它数据挖掘语言 关联规则语言 OLEDB for DM (Microsoft’2000) MSQL (Imielinski & Virmani’99) MineRule (Meo Psaila and Ceri’96) Query flocks 基于Datalog 语法 (Tsur et al’98) OLEDB for DM (Microsoft’2000) 和 OLE DB, OLE DB for OLAP一起致力于DB,DW,DM的标准化 到2000年3月止，已经完成了predictive modeling( classification & Prediction ), clustering,还未包含 characterization, discrimination , association modeling 等。 CRISP-DM (CRoss-Industry Standard Process for Data Mining) 是一个国际性项目，包含数据库公司，数据仓库公司，用户公司(user companies) 目的在于提供有效数据挖掘的平台和过程结构(process structure) 强调运用数据挖掘技术来解决商业问题

挖掘原语，语言和体系结构 数据挖掘原语 数据挖掘语言 数据挖掘系统体系结构 总结

数据挖掘系统体系结构 数据挖掘系统与 DB/DW 系统的耦合程度 零耦合—用文件作为数据源和存放结果数据,不推荐 松散耦合 用DB/DW作数据源，查询结果写入文件或DB/DW；但不使用DB/DW的提供的数据结构和查询优化方法。 半紧耦合—提升挖掘系统性能 部分挖掘原语在DB/DW中实现，如sorting, indexing, aggregation , histogram analysis, multiway join, precomputation of some statistic functions such as count ,sum,max,min,standard deviation. 紧耦合—一个统一的信息处理环境 DM 被集成到DB/DW系统，作为信息系统的一个组成部分；并利用DB/DW的数据结构，索引模式查询处理过程对挖掘查询进行优化。

挖掘原语，语言和体系结构 数据挖掘原语 数据挖掘语言 数据挖掘系统体系结构 总结

总结 数据挖掘查询原语 数据挖掘查询语言 数据挖掘系统体系结构 任务相关数据 挖掘知识类型 背景知识 兴趣度量 知识表示和可视化 DMQL, MS/OLEDB for DM等. 数据挖掘系统体系结构 零耦合，松散耦合，半紧密耦合，紧密耦合

谢谢！报告人：李炎 联系方式：michaelli@eastday.com