5、探索性数据挖掘中的主观趣味性

探索性数据挖掘中的主观趣味性

1. 数据挖掘的核心需求与挑战

在当今的数据驱动时代，数据挖掘的重要性不言而喻。然而，传统的探索性数据挖掘方法大多以客观方式定义模式的趣味性，忽略了用户的主观需求，导致挖掘出的模式往往缺乏主观趣味性。为解决这一问题，我们需要一个能将用户纳入考量的主观趣味性量化框架。

2. 主观趣味性量化框架基础

2.1 基本概念定义

• 数据与数据空间 ：数据空间记为Ω，数据是其中的元素x。常见的数据类型包括向量空间中的向量集、时间序列、网络、二进制矩阵和多关系数据库等。
• 模式 ：模式是限制数据可能取值范围的信息，通过指定数据空间的子集Ω′来定义。若数据x属于Ω′，则称该模式存在于数据中。常见模式如数据的低维投影、聚类、项集等。
• 背景分布 ：背景分布P是定义在可测空间(Ω, F)上的概率测度，用于近似用户对数据取值的信念。
• 趣味性度量（IM） ：IM是背景分布P和模式Ω′的实值函数I : F × P → R。客观IM与背景模型P无关，主观IM则与之相关。

2.2 理论研究成果总结

2.2.1 数据挖掘过程建模

用户对数据有初始信念状态，在挖掘过程中，当模式被揭示时，用户的信念状态会更新，排除模式不允许的数据取值。数据挖掘系统通过背景分布P来近似用户的信念状态，并在模式揭示后更新。

2.2.2 数据挖掘过程优