9、数据挖掘模式管理框架

数据挖掘模式管理框架

在当今数据爆炸的时代，大量的原始数据被收集，如何有效分析这些数据成为了关键。数据挖掘通过生成紧凑的知识工件（如聚类、关联规则、频繁项集等）来处理数据，这些知识工件也被称为模式。然而，目前缺乏支持知识密集型应用开发的综合环境，本文提出了一个全面的框架来解决模式管理的相关问题。

1. 需求分析

1.1 模式的异构性

不同的应用场景会产生各种类型的模式，需要进行管理。例如，在市场篮子分析中，常见的模式有关联规则和聚类。关联规则用于识别通常一起销售的商品集合，聚类则用于进行市场细分分析。而且，我们不仅关注通过数据挖掘工具从原始数据中生成的后验模式，还关注用户已知的先验模式，这些先验模式可用于检查某些数据源的表示程度。

1.2 时间信息

由于数据源频繁变化，确定现有模式在一段时间后是否仍能代表其生成的数据源至关重要。可以考虑两种时间信息：
- 交易时间 ：模式在系统中“开始存在”的时间。对于先验模式，是用户将其插入系统的时刻；对于后验模式，是从原始数据中提取并插入系统的时刻。
- 有效期 ：模式相对于其数据源被认为可靠的时间间隔。有效期可以由用户或系统根据模式对原始数据的表示质量（语义有效性）来分配和管理。

1.3 模式语言

模式需要通过模式操作语言（PML）和模式查询语言（PQL）进行操作和查询。PML 必须支持后验和先验模式的管理，PQL 必须支持针对模式的操作以及将模式与原始数据结合的交叉查询。

目前提出的处理模式的方法大多存在不足，它们通常处理特定类型的后