数据挖掘研究现状综述

囤素　．Ｉ毒拓　・２００８年第５期　信息工作・　数据挖掘研究现状综述　王立伟（上海社会科学院图书馆上海２００２３５）　摘　要：数据挖掘作为情报学最常用的分析手段得到各个领域的广泛关注，每年ＫＤＤ、ＰＡＫＤＤ和ＥＣＭＩ．／ＰＫＤＤ－Ｚ￣学术会议的召开也给各国　－家和地区进行学术交流提供便利。文章￣：ＰＡＫＤＤ学术会议ＫＤｎｕｇｇｅｔｓ￣的统计数据对当前数据挖掘现状进行综述分析。　关键词：数据挖掘ＰＡＫＤＤ　中图分类号：３５１．１１　文献标识码：Ａ　文章编号：１００３—６９３８（２ｏ０８）０５—００４１—０６　Ｔｈｅ　Ｓｕｍｍａｒｉｚａｔｉｏｎ　ｏｆ　Ｐｒｅｓｅｎｔ　Ｓｉｔｕａｔｉｏｎ　ｏｆ　Ｄａｔａ　Ｍｉｎｉｎｇ　Ｒｅｓｅａｒｃｈ　Ｗａｎｇ　Ｌｉｗｅｉ　（Ｔｈｅ　Ｌｉｂｒａｒｙ　ｏｆ　Ｓｈａｎｇｈａｉ　Ａｃａｄｅｍｙ　ｏｆ　ＳｏｃｉＭ　Ｓｃｉｅｎｃｅｓ，Ｓｈａｎｇｈａｉ，２００２３５）　Ａｂｓｔｒａｃｔ：Ｔｈｅ　ｄａｔａ　ｍｉｎｉｎｇ，ａｓ　ｔｈｅ　ｍｏｓｔ　ｕｓｅｆｕｌ　ａｎａｌｙｓｉｓ　ｍｅａｎｓ　ｏｆ　ｔｈｅ　ｉｎｆｏｒｍａｔｉｏｎ　ｓｔｕｄｉｅｓ．ｉｓ　ｈｉｈｇｌｙ　ｃｏｎｃｅｒｎｅｄ　ｆｒｏｍ　ａｌｌ　ｔｈｅ　ｆｉｅｌｄｓ．　Ａｎｎｕａｌｌｙ，ｔｈｅ　ｔｏｐ　ｔｈｒｅｅ　ａｃａｄｅｍｉｃ　ｃｏｎｆｅｒｅｎｃｅｓ　ｗｈｉｃｈ　ａｒｅ　ＫＤＤ，ＰＡＫＤＤ　ａｎｄ　ＥＣＭＬＰＫＤＤ　ａｌｓｏ　ｏｆｆｅｒ　ｔｈｅ　ｃｏｎｖｅｎｉｅｎｃｅ　ｆｏｒ　ｔｈｅ　ｄｉｆｅｒｅｎｔ　ｃｏｕｎｔｒｉｅｓ　ａｎｄ　ｒｅｌｉｇｉｏｎｓ　ｔｏ　ｃｏｍｍｕｎｉｃａｔｅ　ｗｉｔｈ　ｅａｃｈ　ｏｔｈｅｒ　ａｃａｄｅｍｉｃａｌｌｙ．Ｔｈｉｓ　ｔｈｅｓｉｓ　ｉｓ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ＰＡＫＤＤ　ａｃａｄｅｍｉｃ　ｃｏｎｆｅｒｅｎｃｅ　ａｎｄ　ｈｔｅ　ｓｔａｔｉｓｔｉｃｓ　ｆｒｏｍ　ＫＤｎｕｇｇｅｔｓ　ｃｏｍｐａｎｙ，ａｎａｌｙｚｉｎｇ　ｔｈｅ　ｐｒｅｓｅｎｔ　ｓｉｔｕａｔｉｏｎ　ｏｆ　ｄａｔａ　ｍｉｎｉｎｇ　ｃｏｍｐｒｅｈｅｎｓｉｖｅｌｙ．　Ｋｅｙ　ｗｏｒｄｓ：ｄａｔａ　ｍｉｎｉｎｇ；ＰＡＫＤＤ　ＣＬＣ　ｎｕｍｂｅｒ：Ｇ３５１．１１　Ｄｏｃｕｍｅｎｔ　ｃｏｄｅ：Ａ　Ａｒｔｉｃｌｅ　ＩＤ：１００３—６９３８（２００８）０５—００４１—０６　１　引言　系统的录入、查询、统计等功能，无法发现数据中存在的关系　和规则，无法根据现有的数据预测未来的发展趋势，更缺乏挖　上世纪九十年代，随着数据库系统的广泛应用和网络技　掘数据背后隐藏知识的手段。正是在这样的条件下，数据挖掘　术的高速发展，数据库技术也进入一个全新的阶段，即从过　技术应运而生。　去仅管理一些简单数据发展到管理由各种计算机所产生的　图形、图像、音频、视频、电子档案、Ｗｅｂ页面等多种类型的复　２数据挖掘研究现状　杂数据，并且数据量也越来越大。在给我们提供丰富信息的　２．１学术研究　同时，也体现出明显的海量信息特征。　（１）ＫＤＤ（Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｙｒ　ｉｎ　Ｄａｔａｂａｓｅｓ）国际学术大会　信息爆炸时代，海量信息给人们带来许多负面影响，最　数据挖掘技术出现于２Ｏ世纪８０年代末，它促成了数据库　主要的就是有效信息难以提炼。过多无用的信息必然会产生　中的知识发现（ＫＤＤ）产生。在１９８９年美国底特律召开的第十　信息距离（ｔｈｅ　Ｄｉｓｔａｎｃｅ　ｏｆ　Ｉｆｎｏｒｍａｔｉｏｎ—ｓｔａｔｅ　Ｔｒａｎｓｉｔｉｏｎ，信息状　一届国际联合人工智能学术会议上首次提到知识发现这一概　态转移距离，是对一个事物信息状态转移所遇到障碍的测　念，到１９９３年，美国电气电子工程师学会（ＩＥＥＥ）的知识与数　度，简称ＤＩＳＴ或ＤＩＴ　¨和有用知识的丢失。这也就是约翰・内　据工程（Ｋｎｏｗｌｅｄｇｅ　ａｎｄ　Ｄａｔａ　Ｅｎｇｉｎｅｅｒｉｎｇ）会刊出版ＴＫＤＤ技　斯伯特（Ｊｏｈｎ　Ｎａｉｓｂｅｒｔ）称为的“信息丰富而知识贫乏”窘境。因　术专刊，发表的论文和摘要体现了当时ＫＤＤ的最新研究成果　此，人们迫切希望能对海量数据进行深入分析，发现并提取　和动态。　隐藏在其中的信息，以更好地利用这些数据。但仅以数据库　随着来自各个领域的研究人员和应用开发者不断增多，　收稿日期：２００８—０１—２９；责任编辑：刘全根　４１　维普资讯 http://www.cqvip.com 王立伟：数据挖掘研究现状综述　１９９５年在加拿大蒙特利尔召开了首届ＫＤＤ国际学术年会，会　上把数据挖掘技术分为工程领域的数据挖掘与科研领域的　知识发现。ｌ２　此后，此类会议每年召开一次，数量和规模逐渐　扩大，从专题研讨会一直发展到国际学术大会，并成为当前计　算机领域的研究方向和研究热点。目前对ＫＤＤ的研究主要围　网客户中使用第二代（２Ｇ）和第三代（３Ｇ）服务的用户”，旨在　明确目前２Ｇ网络用户中哪些使用者具有巨大的潜在可能性　转移到使用移动运营商的３Ｇ移动网络和服务上。　表２　Ｐａｃｉｉｆｃ—Ａｓｉａ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　ＫＤＤ（ＰＡＫＤＤ）…　ＰＡＫＤＤ　Ｄａｔｅ　Ｃｉｔｙ　绕理论、技术和应用这三个方面展开。　据统计显示，从１９９５年至２００７年召开的１３次ＫＤＤ国际学　术大会中，９次都在美国主要城市（如纽约、芝加哥、华盛顿　等）举办，其余４次均在加拿大举办（见表１），从未在北美以外　１１　１０ｄ＇　９　Ｍａｖ　２００７　Ａｐｒｉｌ　２００６　Ｍ　２００５　Ｎａｎｊｉｎｇ，Ｃｈｉｎａ　Ｓｉｎｇａｐｏｒｅ　Ｈａｎｏｉ，Ｖｉｅｔｎａｍ　地区举办过。　表１　ＫＤＤ（Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ）Ｍｅｅｔｉｎｇｓ叫　Ｉｎｔｅｒｎａｔｉｏｎａｌ　ＣｏｎｆｅＦｅｎｃｅ　ｏｎ　ＫＤＤ　Ｄａｔｅ　Ｃｉｔｙ　１３　Ａｕｇｕｓｔ　２００７　Ｓａｎ　Ｊｏｓｅ，ＣＡ，ＵＳＡ　１２　Ａｕｇｕｓｔ　２００６　Ｐｈｉｌａｄｅｌｐｈｉａ，ＰＡ，ＵＳＡ　１１　Ａｕｇｕｓｔ　２００５　Ｃｈｉｃａｇｏ，ＩＬ，ＵＳＡ　１０　Ａｕｇｕｓｔ　２００４　Ｓｅａｔｔｌｅ，ＷＡ，ＵＳＡ　９　Ａｕｇｕｓｔ　２００３　Ｗａｓｈｉｎｇｔｏｎ，ＤＣ，ＵＳＡ　８　Ａｕｇｕｓｔ　２００２　Ｅｄｍｏｎｔｏｎ，Ａｌｂｅｒｔａ，Ｃａｎａｄａ　７　Ａｕｇｕｓｔ　２００１　Ｓａｎ　Ｆｒａｎｃｉｓｃｏ，ＣＡ，ＵＳＡ　６　Ａｕｇｕｓｔ　２０００　Ｂｏｓｔｏｎ，ＭＡ，ＵＳＡ　５　Ａｕｇｕｓｔ　１９９９　Ｓａｎ　Ｄｉｅｇｏ，ＣＡ，ＵＳＡ　４　Ａｕｇｕｓｔ　１９９８　Ｎｅｗ　Ｙｏｒｋ．ＮＹ．ＵＳＡ　３　Ａｕｇｕｓｔ　１９９７　Ｎｅｗｐｏ￣Ｂｅａｃｈ，ＣＡ　２　Ａｕｇｕｓｔ　１９９６　Ｐｏａｌａｎｄ．ＯＲ　ｌ　Ａｕｇｕｓｔ　１９９５　Ｍｏｎｔｒｅａｌ，Ｃａｎａｄａ　（２）ＰＡＫＤＤ（Ｐａｃｉｉｆｃ—Ａｓｉａ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　ＫＤＤ）学术会议　１９９７年，也就是首届蒙特利尔ＫＤＤ国际学术大会召开之　后的２年，ＰＡＫＤＤ学术会议（Ｐａｃｉｉｆｃ—Ａｓｉａ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　ＫＤＤ）　在亚太地区顺利召开，这标志着亚太地区数据挖掘研究进入　发展时期。ＰＡＫＤＤ会议每年召开一次，从１９９７年至２００７年　的１１年中，亚洲和大洋洲的主要国家都成功举办过该项会　议（见表２）。其中，新加坡第十届ＰＡＫＤＤ会议除了进行数据　挖掘学术研究外，还与新加坡统计协会（ＳＩＳ）、新加坡模式识　别和机器智能协会（ＰＲＥＭＩＡ）共同组织了一场基于解决电信　运营商问题的数据挖掘竞赛。其内容为“如何区分移动通讯　４２　８　Ｍｆｄｖ　２００４　Ｓｙｄｎｅｙ，Ａｕｓｔｒａｌｉａ　７　Ａｐｒｉｌ　２００３　Ｓｅｏｕｌ，Ｋｏｒｅａ　６　Ｍｆｄｖ　２００２　Ｔａｉｐｅｉ，Ｔａｉｗａｎ　５　Ａｐｒｉｌ　２００１　Ｈｏｎｇ　Ｋｏｎｇ，Ｃｈｉｎａ　ｄ　Ａｐｒｉｌ　２０００　Ｋｙｏｔｏ，Ｊａｐａｎ　３　Ａｐｒｉｌ　１９９９　Ｂｅｉｊｉｎｇ，Ｃｈｉｎａ　２　Ａｐｒｉｌ　１９９８　Ｍｅｌｂｏｕｒｎｅ，Ａｕｓｔｒａｌｉａ　１　１９９７　Ｓｉｎｇａｐｏｒｅ　与ＫＤＤ国际学术会议（ＡＣＭ　ＳＩＧＫＤＤ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎ—　ｆｅｒｅｎｃｅ　ｏｎ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ）或ＥＣＭ　ＰＫＤＤ学术会议（Ｅｕｒｏｐｅａｎ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｍａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇ＆　Ｅｕｒｏｐｅａｎ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｐｒｉｎｃｉｐｌｅｓ　ａｎｄ　Ｐｒａｃｔｉｃｅ　ｏｆ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｙｒ　ｉｎ　Ｄａｔａｂａｓｅｓ）定期举办竞赛模式不同，新加坡　ＰＡＫＤＤ会议是继２０００年第四届京都ＰＡＫＤＤ会议后，第二次举　办类似的比赛。之前，京都ＰＡＫＤＤ会议曾有过使用医学数据　进行数据挖掘比赛的历史记录。［６　２００１～２００７共７年时间中，ＰＡＫＤＤ会议依次由、台北、　首尔、悉尼、河内、新加坡和南京主办。根据对主办方出版的　论文集（Ａｄｖａｎｃｅｓ　ｉｎ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ）统　计显示，７年有３２个国家和地区共计５９３篇参会论文被收　录论文集。其中澳大利亚、韩国、加拿大、美国、日本、、香　港和中国内地每届被收录的论文总和超过论文总数的６０％。　２００１年会议收录论文最多的为美国和，所占比例均　为１２．７０％；２００２年台北会议收录论文最多的为，所占比　例为２１．４３％；２００３年首尔会议收录论文最多的为韩国，占　２０．００％；２００４年悉尼会议收录论文最多的为澳大利亚，占　１９．２８％；２００５年河内会议收录论文最多的为中国，占ｌ９．００％；　２００６年新加坡会议收录论文最多的为美国，占１８．８１％；２００７　年南京会议收录论文最多的为中国，占４５．３８％（见表３）。可　见，ＰＡＫＤＤ会议的主办权对一个国家数据挖掘研究具有非常　积极的促进作用。　统计显示，上述国家和地区中，仅美国每届被收录的参会　论文比重超过１０％，最高时为２００６年新加坡会议，比重为　维普资讯 http://www.cqvip.com

囤童占．啥振　２００８年第５期　表３　２ｏｏ１—２０ｏ７年主要国家和地区被收录论文比重表　２００１年　２００２年台北　２００３年首尔　２００４年悉尼　２０ｏ５年河内　２００６年新加坡　２００７年南京　澳大利亚　ｌ１．１１％　３．５７％　１０．Ｏ０％　１９．２８％　８．０ｏ％　４．９５％　８．４６％　韩国　２０．Ｏ０％　３．６１％　５．０ｏ％　５．９４％　６．９２％　加拿大　４．７６％　１２．５０％　６．６７％　１．２０％　２．００％　２．９７％　０．７７％　美国　１２．７０％　１２．５０％　１５．０ｏ％　１４．４６％　１３．ｏｏ％　１８．８１％　１０．ｏｏ％　日本　７．９４％　８．９３％　８－３３％　６．Ｏ２％　９．００％　６．９３％　３．８５％　　９．５２％　２１．４３％　３＿３３％　３．６１％　３．Ｉ】０％　９．９Ｏ％　４．６２％　　１２．７０％　１０．７ｌ％　６．６７％　７．２３％　１．０ｏ％　２．９７％　２．３１％　中国内地　６．３５％　７．１４％　６．６７％　１２．０５％　１９．ｏｏ％　ｌ１．８８％　４５＿３８％　总和　６５．Ｏ８％　７６．７８％　７６．６７％　６７．４６％　６Ｏ％　６４＿３５％　８２－３１％　１８．８１％，可见美国数据挖掘研究实力和研究水平。中国对数　根据ＫＤｎｕｇｇｅｔｓ公司做的调查统计显示（见表４），２００３—　据挖掘研究起步晚于美国，在２００１—２００３年中被收录论文比　２００５年期间，数据挖掘技术应用领域比重排在前３位的依次　重较为稳定，为６％～７％。２００４年比重有明显提高，较上年上升　是ＣＲＭ（客户关系管理）占３４．９０％，Ｂａｎｋｉｎｇ（银行业）占３４．２３％　８０％，并在２００５年河内会议论文收录比重首次超过美国（美国　和Ｃｒｅｄｉｔ　Ｓｃｏｒｉｎｇ（信用得分）占２３．４９％。２００６年，数据挖掘技术　为１３．０ｏ％，中国为ｌ９．ｏｏ％），在２００７年南京会议中收录比重达　应用领域比重前３位略有变化，除ＣＲＭ仍然占据首位位置外　到顶峰，比重接近５０％。其余５个国家和地区每次收录论文比　（占３８．７４％），第二和第三依次是Ｆｒａｕｄ　Ｄｅｔｅｃｔｉｏｎ（欺诈检测）占　重多为１０％以下，鲜有较高的收录比重。　２１．６２％和Ｄｉｒｅｃｔ　Ｍａｒｋｅｔｉｎｇ／Ｆｕｎｄｒａｉｓｉｎｇ（直销／募款）占１９．８２％。　通过对２００１～２００７年参会论文集进行目录词频分析，“算　２００７年数据挖掘应用领域比重首位仍然是ＣＲＭ（占２６．１０％），　法和最优算法”研究从２００１年开始一直成为ＰＡＫＤＤ学术会议　第二位回归于银行业（占２３．９０％），第三位为直销／募款（占　参会论文的重要组成部分，也是被选最多的论文主题。和算　２０．３０％ｏ　．　法相关的论文２００１年有１Ｏ篇，２００２年有９篇，２００３年有８篇，　随着数据挖掘研究的不断深入，数据挖掘应用领域的规　２００４年有４篇，２００５年有１５篇，２００６年有５篇，２００７年有２０篇。　模正在逐步扩大，其中较为显著的依次为Ｂａｎｋｉｎｇ（银行业），　支持向量机（Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅｓ）和支持向量回归（Ｓｕｐ—　Ｅｎｔｅｒｔａｉｎｍｅｎｔ／Ｍｕｓｉｃ（娱乐膺乐），Ｓｃｉｅｎｃｅ（科学）和Ｈｅａｌｔｈ　ｃａｒｅ／　ｐｏｒｔ　Ｖｅｃｔｏｒ　Ｒｅｇｒｅｓｓｉｏｎ）成为近年来研究的新方向，相关论文　ＨＲ（卫生保健从力资源），它们在２００７年的应用比重较２００６　２００５年收录４篇，２００６年收录６篇，２００７年收录１０篇。　年增长１００％以上，增长比率依次为３２００％，２００％，１１７％和　２．２应用研究　ｌｏｏ％（见表５）。　（１）应用领域　（２）软件产业　数据挖掘应用研究是指开发各种数据挖掘系统和工具，　由于数据挖掘技术在各领域被广泛应用，其软件市场需　并在各个行业中的应用。目前的典型应用领域包括：①市场　求量也变得很大。因此，包括国际知名公司在内的软件公司　分析和预测；如英国ＢＢＣ广播公司进行的收视率调查、大型超　纷纷加入数据挖掘工具研发的行列中来。　市销售分析与预测、销售渠道与价格分析等；②工业生产：主　根据Ｎａｔｉｏｎａｌ　Ｃｅｎｔｅｒ　ｆｏｒ　Ｄａｔａ　Ｍｉｎｉｎｇ　ａｔ　ＵＩＣ（Ｕｎｉｖｅｒｓｉｔｖ　０ｆ　要用于发现最佳生产过程；③金融；采用统计回归式神经网　Ｉｌｌｉｎｏｉｓ　ａｔ　Ｃｈｉｃａｇｏ）的Ｒ．Ｇｒｏｓｓｍａｎ观点，数据挖掘软件的发展　络构造预测模型，如自动投资系统（Ａｕｔｏｍａｔｅｄ　Ｉｎｖｅｓｔｏｒ）、可预　经历了４个时代：［ｓ］　测最佳投资时机；④科学研究；贝克（Ｂａｃｏｎ）对于天文定理的　第一代数据挖掘软件，支持一个或少数几个数据挖掘算　发现、地震发现者（Ｑｕａｋｅ　ｆｉｎｄｅｒ）用于分析地壳的构造活动　法，这些算法设计用于数据向量挖掘，多用于商业系统。Ｓａｌ—　等；⑤ｗｅｂ数据挖掘；站点访问模式分析、网页内容自动分类、　ｆｏｒｄ　Ｓｙｓｔｅｍｓ公司早期的ＣＡＲＴ系统就属于这种系统。新加坡　聚类等；⑥工程诊断。数据挖掘作为一种新的知识发现手段，　国立大学研制的ＣＢＡ，其基于关联规则的分类算法，能从关系　还引起了工程诊断领域的重视，许多国家和研究机构都在监　数据或者交易数据中挖掘关联规则，利用关联规则进行分类　测诊断项目中加入了对数据挖掘的研究。…　和预测。　４３　维普资讯 http://www.cqvip.com

王立伟：数据挖掘研究现状综述　表４数据挖掘应用领域比重统计表　［１ｏ】［】ｔ　Ｉｎｄｕｓｔｒｉｅｓ／ｉｆｅｌｄｓ　Ｐｒｏｐｏｒｔｉｏｎ（％）　Ｐｒｏｐｏｒｔｉｏｎ（％）　Ｐｒｏｐｏｒｔｉｏｎ（％）　２ｏｏ３－２ｏ０５　Ｊｕｎｅ　２００６　Ｊｕｎｅ　２００７　ＣＲＭ　３４．９０　３８．７４　２６．１０　Ｂａｎｋｉｎｇ　３４．２３　０．９０　２３．９０　Ｄｉｒｅｃｔ　Ｍａｒｋｅｔｉｎｇ／　２２Ｆ．ｕｎｄｒａｉｓｉｎｇ　８２　１９．８２　２０．３０　Ｓｃｉｅｎｃｅ　１１．４１　１０．８ｌ　１８．８Ｏ　Ｆｒａｕｄ　Ｄｅｔｅｃｔｉｏｎ　２０．８１　２１．６２　ｌ８．８Ｏ　Ｔｅｌｅｃｏｍ　ｌ５．４＿４　１２．６１　ｌ５．２Ｏ　Ｃｒｅｄｉｔ　Ｓｃｏｒｉｎｇ　２３．４９　１８．９２　１３．８Ｏ　Ｏｔｈｅｒ　７＿３８　１３．５１　１３．００　Ｂｉｏｔｅｃｈ／Ｇｅｎｏｍｉｃｓ　７－３８　１５．３２　ｌ１．６０　Ｗｅｂ　ｕｓａｇｅ　ｍｉｎｉｎｇ　１０．８ｌ　ｌＯ．１Ｏ　Ｒｅｔａｉｌ　ｌ６．７８　９．９１　１０．１０　Ｍｅｄｉｃａｌ／Ｐｈａｒｍａ　８．０５　７．２ｌ　９．４０　Ｉｎｓｕｒａｎｃｅ　１６．Ｉ１　ｌ０．８ｌ　８．７０　Ｈｅａｌｔｈ　ｃａｒｅ／ＨＲ　１０．０７　４．５Ｏ　７．２０　Ｇｏｖｅｒｎｍｅｎｔ／Ｍｉｌｉｔａｒｙ　８．Ｏ５　６．３１　７．２Ｏ　Ｆｉｎａｎｃｉａｌｓ／Ｌｅａｄｉｎｇ　７．２Ｏ　Ｗｅｂ　ｃｏｎｔｅｎｔ　ｍｉｎｉｎｇ／　Ｓ１３．５１　６．５０　ｅａｒｃｈ　Ｍａｎｕｆａｃｔｕｒｉｎｇ　ｌ２．７５　６－３ｌ　６．５Ｏ　Ｅ－ｃｏｍｍｅｒｃｅ　７＿３８　５．４ｌ　５．８Ｏ　Ｅｎｔｅｒｔａｉｎｍｅｎｉ］Ｍｕｓｉｃ　２．６８　１．８Ｏ　４＿３０　Ｓｏｃｉａｌ　Ｐｏｌｉｃｙ／Ｓｕｒｖｅｙ　３．６０　ａｎａｌｙｓｉｓ　Ｓｅｃｕｒｉｔｙ／Ａｎｔｉ－ｔｅｒｒｏｒｉｓｍ　３＿３６　４．５Ｏ　３．６Ｏ　Ｉｎｖｅｓｔｍｅｎｔ／Ｓｔｏｃｋｓ　３－３６　９．９ｌ　２．９Ｏ　ｒｒｒａｖｅｌ／Ｈ０ｓｐｉｔａｌｉｔｙ　５３７　４．５Ｏ　２Ｉ２０　Ｊｕｎｋ　ｅｍａｉｌ／Ａｎｔｉ—ｓｐａｒｅ　３Ｉ３６　１．８Ｏ　２．２０　Ｗｅｂ　６．０４　Ｇａｍｂｌｉｎｇ　１．３４　Ｖｏｔｅｒｓ　１４９　ｌｌ１　ｌ３８　注：本文基于调查源数据对２００３～２００５和２００６年数据做了修正，　修正公式：比重（Ｐｒｏｐｏｒｔｉｏｎ）＝单项选择数（Ｒｅｐｌｙ），有效样本数（Ｖｏｔ—　ｅｒｓ）。　第二代数据挖掘软件系统与数据库管理系统（ＤＢＭＳ）集　成，支持数据库和数据仓库，具有高性能的接口，具有较高的　可扩展性。能够挖掘大数据集以及更复杂的数据集和高维数　据，但这一代的数据挖掘软件只注重模型的生成，典型代表有　ＤＢ　Ｍｉｎｅｒ和ＳＡＳ　Ｅｎｔｅｒｐｒｉｓｅ　Ｍｉｎｅｒ。　表５　２００７年不同领域应用数据挖掘技术较２０ｏ６年的增长率ｎ２　Ｉｎｄｕｓｔｉｆｅｓ／ｆｉｅｌｄｓ　Ｐｒｏｐｏｒｔｉｏｎ　ｏｆ　ｇｒｏｗｔｈ　ｆｒｏｍ　２００６　ｔｏ　２００７　Ｂａｎｋｉｎｇ　３２ｏｏ％　Ｅｎｔｅｒｔａｉｎｍｅｎｔ／Ｍｕｓｉｃ　２０ｏ％　Ｓｃｉｅｎｃｅ　ｌ１７％　Ｈｅａｌｔｈ　ｃａｒｅ／ＨＲ１ＯＯ％　Ｍｅｄｉｃａ１，Ｐｈａｒｎｌａ　６３％　Ｊｕｎｋ　ｅｍａｉｌ／Ａｎｔｉ－ｓｐａｍ　５Ｏ％　Ｔｅｌｅｃｏｍ　５０％　ＧｏｖｅｍｍｅｎｆｆＭｉｌｉｔａｒｙ　４３％　Ｅ－ｃｏｎｕｎｅｙｃｅ　３３％　Ｍａｎｕｆａｃｔｕｒｉｎｇ　２９％　Ｄｉｒｅｃｔ　Ｍａｒｋｅｔｉｎｇ／Ｆｕｎｄｒａｉｓｉｎｇ　２７％　Ｒｅｔａｉｌ　２７％　Ｏｔｈｅｒ　２Ｏ％　Ｗｅｂ　ｕｓａｇｅ　ｍｉｎｉｎｇ　ｌ７％　Ｆｒａｕｄ　Ｄｅｔｅｃｔｉｏｎ　８％　Ｉｎｓｕｒａｎｃｅ　０％　Ｓｅｃｕｒｉｔｙ／Ａｎｔｉ—ｔｅｒｒｏｒｉｓｍ　０％　Ｂｉｏｔｅｃ１４Ｇｅｎｏｍｉｃｓ　一６％　Ｃｒｅｄｉｔ　Ｓｃｏｒｉｎｇ　一１Ｏ％　ＣＲＭ　—ｌ６％　Ｔｒａｖｅｌ／Ｈｏｓｐｉｔａｌｉｔｙ　－４０％　Ｗｅｂ　ｃｏｎｔｅｎｔ　ｍｉｎｉｎｇ／Ｓｅａｒｃｈ　－４０％　Ｉｎｖｅｓｔｍｅｎｔ／Ｓｔｏｃｋｓ　一６４％　第三代数据挖掘系统的特点是和预言模型系统之间能够　实现无缝的集成，使得由数据挖掘软件产生的模型的变化能　够及时反映到语言模型系统中，由数据挖掘软件产生的预言　模型能够自动地被操作型系统吸收，从而与操作型系统中的　语言模型相联合提供决策支持的功能。它能够挖掘网络环境　下（Ｉｎｔｅｍｅｔ，ｑｎｔｒａｎｅｔ／Ｅｘｔｒａｎｅｔ）的分布式和高度异质的数据，并　且能够有效地和操作型系统集成。其缺点是不能支持移动环　境。这一代数据挖掘系统关键的技术之一是提供对建立在异　质系统上的多个预言模型以及管理这些预言模型的元数据提　供第一级别的支持。ＳＰＳＳ　Ｃｌｅｍｅｎｔｉｎｅ就是属于这一代的产　品。　软件能够挖掘嵌入式系统、移动系统和普遍存在　维普资讯 http://www.cqvip.com 囤童占．　锯　的计算设备产生的各种类型的数据。２００１～２００６年Ｋａｒｇｕｐｔａ￣／Ｉｚ　为马里兰巴尔的摩州立大学（Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｍａｒｙｌａｎｄ　Ｂａｌｔｉｍｏｒｅ　Ｃｏｕｎｔｖ）正在研制的ＣＡＲＥＥＲ数据挖掘项目的负责人，其研　究目的是开发挖掘分布式和异质数据的数据挖掘系　统。　２００８年第５期　人世界及开发提供了一条新的思路。　（￣）ＭＳＭｉｎｅｒ：由中科院计算技术研究所智能信息处理实　验室开发的多策略数据挖掘平台。　除此之外，也有一些相关数据挖掘产品的报道，如复旦德　门公司开发的ＡＲ　Ｍｉｎｅｒ和ＣＩＡＳ、东北大学开发的面向先进制　目前国外已有很多技术成熟、有较强产业化能力的数据　挖掘软件，其中主要的有：　造企业的综合数据挖掘系统Ｓｃｏｐｅ　Ｍｉｎｅｒ、东北大学软件中心　基于ＳＡＳ开发的Ｏｐｅｎ　Ｍｉｎｅｒ以及长春工业大学开发的数据挖　０）ＳＡＳ　Ｅｎｔｅｒｐｒｉｓｅ　Ｍｉｎｅｒ：ＳＡＳ系统全称为Ｓｔａｔｉｓｔｉｃｓ　Ａｎａｌｙ—　ｓｉｓ　Ｓｙｓｔｅｍ，是美国使用最为广泛的三大著名统计分析软件　掘工具软件等。　根据Ｋｄｎｕｇｇｅｔｓ公司２００７年５月做的调查统计显示，商业　（ＳＡＳ，ＳＰＳＳ和ＳＹＳＴＡＴ）之一，被誉为统计分析的标准软件。　１９９７年ＳＡＳ发布了ＳＡＳ　Ｅｎｔｅｒｐｒｉｓｅ　Ｍｉｎｅｒ，这个工具为用户提供　了用于建模的一个图形化流程处理环境，并且它有一组常用　的数据挖掘算法，包括决策树、神经网络、回归、关联等，还支　持文本挖掘。　￣ｓＰｓｓ　Ｃｌｅｍｅｎｔｉｎｅ：ＳＰＳＳ是世界上最早的统计分析软件　之一。１９９８年末ＳＰＳＳ收购了英国ＩＳＬ公司，通过继承获得了这　家公司的Ｃｌｅｍｅｎｔｉｎｅ数据挖掘包。Ｃｌｅｍｅｎｔｉｎｅ是首次引入数据　挖掘流概念的产品之一。它允许用户在同一个工作流环境中　清理数据、转换数据和构建模型。　③ＩＢＭ　Ｉｎｔｅｌｌｉｇｅｎｔ　Ｍｉｎｅｒ：包括分析软件工具Ｉｎｔｅｌｌｉｇｅｎｔ　Ｍｉｎｅｒ　ｆｏｒ　Ｄａｔａ和Ｉｎｔｅｌｌｉｇｅｎｔ　Ｍｉｎｅｒ　ｏｆｒ　Ｔｅｘｔ，不仅可以寻找包含　于传统文件、数据库、数据仓库和数据中心中的隐含信息，更　允许企业从文本信息中获取有价值的客户信息。Ｉｎｔｅｌｌｉｇｅｎｔ　Ｍｉｎｅｒ使用预测模型标记语言（Ｐｒｅｄｉｃｔｉｖｅ　Ｍｏｄｅｌｉｎｇ　Ｍａｒｋｕｐ　Ｌａｎｇｕａｇｅ，ＰＭＭＬ）来导出挖掘模型，这种语言由数据挖掘协会　（Ｄａｔａ　Ｍｉｎｉｎｇ　Ｇｒｏｕｐ，ＤＭＧ）定义。　＠Ｉｎｓｉｇｈｔｆｕｌ　Ｍｉｎｅｒ（Ｉ—Ｍｉｎｅｒ）：由美Ｉ￣１Ｉｎｓｉｇｈｔｆｕｌ公司开发的　具有高度可扩展性的数据分析和数据挖掘软件。目前在金融、　生物科技、机构等企事业单位应用非常广泛。　此外，还有Ｏｒａｃｌｅ公司从Ｔｈｉｎｋｉｎｇ　Ｍａｃｈｉｎｅｓ公司取得的　Ｄａｒｗｉｎ；Ｕｎｉｃａ公司开发的Ａｆｉｆｎｉｕｍ　Ｍｏｄｅｌ；Ａｎｇｏｓｓ　Ｓｏｆｔｗａｒｅ所开　发的Ｋｎｏｗｌｅｄｇｅ　ＳＥＥＫＥＲ；加拿大Ｓｉｍｏｎ　Ｆｒａｓｅｒ大学开发的ＤＢ—　Ｍｉｎｅｒ；ＳＧＩ公司和美国Ｓｔａｎｄｆｏｒｄ大合开发的Ｍｉｎｓｅｔ；ＨＮＣ　公司开发的用于信用卡诈骗分析的Ｄａｔａｂａｓｅ　Ｍｉｎｉｎｇ　Ｗｏｒｋｓｔａ—　ｔｉｏｎ；ＩＢＭ公司Ａｌｍａｄｅｎ研究中心开发的Ｑｕｅｓｔ；Ｎｅｏ　Ｖｉｓｔａ开发的　Ｄｅｃｉｓｉｏｎ　Ｓｅｒｉｅｓ；以及ＫＥＦＩＲ系统、ＳＫＩＣＡＴ系统等。　国内也有不少新兴的数据挖掘软件：　（！）ＤＭｉｎｅｒ：由上海复旦德门软件公司开发的具有自主知　识产权的数据挖掘平台。　（￣）ｉＤＭｉｎｅｒ：由海尔青大公司开发的具有自主知识产权的　数据挖掘系统。其对国际通用业界标准的大胆采用，为该软　件今后的发展预留了很大的空间，同时也为国内同类软件融　数据挖掘软件使用比重较高的前５种数据挖掘软件均为国外　软件，其使用比重依次为：ＳＰＳＳ　Ｃｌｅｍｅｎｆｉｎｅ（２１．７２％）、Ｓａｌｆｏｒｄ　ＣＡＲ删ＡＲＳ，ＩＩｒｅｅＮｅｔ，ＲＦ　（１９．８５％）、Ｅｘｃｅｌ　（１７．６０％）、ＳＰＳＳ　（１７．０４％）和ＳＡＳ（１４．９８％）（见表６），排名前１Ｏ位中未有国内研　发的数据挖掘软件。　３结论　３．１　美国是全球数据挖掘研究最繁荣的地区。并占据着研究　的核心地位　作为在全球具有较大影响的ＫＤＤ学术会议，从１９９５年召　开至今的ｌ３次会议中，有９次在美国本土主要城市召开。此　外，作为亚洲及太平洋地区最重要的数据挖掘学术会议　ＰＡＫＤＤ会议虽说美国尚未担任过主办国，但每届会议美国学　者被收录的论文比重均超过１０％，最高时比重为１８．８１％。全球　最著名的数据挖掘应用软件，如ＳＰＳＳ、ＳＡＳ和Ｅｘｃｅｌ均由美国公　司研发，目前应用比重排在调查的前五位。　３．２亚太地区数据挖掘正逐步从理论研究走向应用研究　自１９９７年召开首届ＰＡＫＤＤ学术会议以来，理论学术研究　一直是该会议的主要讨论内容，但２０００年第四届京都会议和　２００６年第十届新加坡会议都举办应用性较强的数据挖掘竞赛　（京都会议举办医学方面的数据挖掘竞赛，新加坡会议举办电　信方面的数据挖掘竞赛），从而使ＰＡＫＤＤ会议和ＫＤＤ国际学　术会议与ＥＣＭＩＪＰＫＤＤ学术会议一样，兼顾理论研究和应用案　例研究。自此，也标志着亚太地区数据挖掘逐步走向应用研　究。　３．３我国数据挖掘研究水平正在飞速发展　我国数据挖掘研究晚于美国，２１世纪方才起步。对　ＰＡＫＤＤ学术会议参会论文统计显示，２００１—２００３年被收录论　文比重仅为６％～７％，２００４年开始论文收录比重明显提高，并　逐年递增，２００５年河内会议论文收录比重首次超过美国（美　国为１３．００％，中国为１９．００％），在２００７年南京会议中收录比重　达到顶峰，比重接近５０％。可见，我国数据挖掘研究水平２００４～　２００７年三年中正飞速发展。　４５　维普资讯 http://www.cqvip.com 王立伟：数据挖掘研究现状综述　表６　Ｄａｔａ　Ｍｉｎｉｎｇ／Ａｎａｌｙｔｉｃ　Ｓｏｆｔｗａｒｅ　Ｔｏｏｌｓ（Ｍａｙ　２００７）　Ｎａｍｅ　Ｐｒｏｐｏｒｔｉｏｎ　Ｃｏｍｍｅｒｃｉａｌ　Ｄａｔａ　Ｍｉｎｉｎｇ　Ｓｏｆｔｗａｒｅ　ＳＰＳＳ　Ｃｌｅｍｅｎｔｉｎｅ　２１．７２％　Ｓａｌｆｏｒｄ　ＣＡＲＴ，ＭＡＲＳ／ＴｔｅｅＮｅｔ／ＲＦ　１９．８５％　Ｅｘｃｅｌ　１７．６Ｏ％　ＳＰＳＳ　１７．０４％　ＳＡＳ　１４．９８％　Ａｎｇｏｓｓ　１４．６１％　ＫＸＥＮ　ｌ３．１ｌ％　ＳＱＬ　Ｓｅｒｖｅｒ　７．１２％　ＭＡＴＬＡＢ　５．６２％　ＳＡＳ　Ｅ—Ｍｉｎｅｒ　４．６８％　Ｏｔｈｅｒ　ｃｏｍｍｅｒｅｉａｌ　ｔｏｏｌｓ　３．９３％　Ｓｔａｔｓｏｆｔ　Ｓｔａｔｉｓｔｉｃａ　２．８１％　Ｉｎｓｉｇｈｔｆｕｌ　Ｍｉｎｅｒ／Ｓ－Ｐｌｕｓ　２．６２％　Ｏｒａｃｌｅ　ＤＭ　２．２５％　Ｔｉｂｅｒｉｕｓ　２．Ｏ６％　Ｆａｉｒｌｓａａｃ　Ｍｏｄｅｌ　Ｂｕｉｌｄｅｒ　０．５６％　Ｘｅｌｏｐｅｓ　０．３７％　Ｍｉｎｅｒ３Ｄ　０＿３７％　Ｍｅｇａｐｕｔｅｒ　０．１９％　Ｙｏｕｒ　ｏｗｎ　ｃｏｄｅ　ｌ１．４２％　Ｆｒｅｅ　Ｄａｔａ　Ｍｉｎｉｎｇ　Ｓｏｆｔｗａｒｅ　Ｙａｌｅ　ｌ９．２９％　Ｗｅｋａ　８．９９％　Ｒ　７－８７％　Ｏｔｈｅｒ　ｆｒｅｅ　ｔｏｏｌｓ　５．６２％　Ｃ４．５／Ｃ５．０／Ｓｅｅ５　２．６２％　Ｏｒａｎｇｅ　２．２５％　ＫＮＩＭＥ　０－３７％　３．４　国内数据挖掘软件产业还不成熟．产品尚未被国际市场　认可　国内有不少自主开发研制的数据挖掘软件，￣ｌｌｆＤＭｉｎｅｒ、　ｉＤＭｉｎｅ、ＭＳＭｉｎｅｒ、ＡＲ　Ｍｉｎｅｒ、ＣＩＡＳ、Ｓｃｏｐｅ　Ｍｉｎｅｒ，Ｏｐｅｎ　Ｍｉｎｅｒ　等，但根据Ｋｄｎｕｇｇｅｔｓ公司２００７年５月做的调查统计显示，排名　前１０位中未有国内研发的数据挖掘软件。可见，虽说国内各　软件公司依托国内知名高校的科研实力开发数据挖掘软件，　但是尚未被国际市场认可，在国际上的使用更为数甚少，国　内数据挖掘软件产业还不成熟。　参考文献：　［１］王浣尘．信息距离与信息［Ｍ］．北京：科学出版社，２００６：２６—　２７．　［２］陈文臣．Ｗｅｂ日志挖掘技术的研究与应用［Ｄ］．北京：中国科　学院研究生院，２００５．　［３］Ｐａｓｔ　ＫＤＤ（Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ）Ｍｅｅｔｉｎｇｓ　［ＥＢ／ＯＬ］．［２００７－－０６一ｌ７］．ｈｔｔｐ：／／ｗｗｗ．ｋｄｎｕｇｇｅｔｓ．ｃｏｍ／ｍｅｅｔｉｎｇｓ／　ｐａｓｔ－ｍｅｅｔｉｎｇｓ－ｋｄｄ．ｈｔｍ１．　１４ｊＭｅｅｔｉｎｇｓ／Ｃｏｎｆｅｒｅｎｃｅｓ　ｉｎ　Ｄａｔａ　Ｍｉｎｉｎｇ，Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖ—　ｃｒｙ，Ｗｅｂ　Ｍｉｎｉｎｇ［ＥＢ／ＯＬ］．［２００７－０６—１７］．ｈｔｔｐ：／／ｗｗｗ．ｋｄｎｕｇｇｅｔｓ．　ｃｏｍ／ｍｅｅｔｉｎｇｓ／ｉｎｄｅｘ．ｈｔｍＬ　［５］Ｐａｃｉｉｆｃ—Ａｓｉａ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ（ＰＡＫＤＤ）［ＥＢ／ＯＬ］．［２００７－－０６—１７］．ｈｔｔｐ：／／ｗｗｗ．ｉｎｆｏｒ—　ｍａｔｉｋ．ｕｎｉ—ｔｉｒｅｒ．ｄｅ／－ｌｅｙ／ｄｂ／ｃｏｎｆ／ｐａｋｄｄ／ｉｎｄｅｘ．ｈｔｍ１．　［６］Ｎａｔｈａｎｉｅｌ　Ｂ．Ｎｏｒｉｅｌ，Ｃｈｅｗ　ｈｉｍ　Ｔａｎ．Ａ　Ｌｏｏｋ　Ｂａｃｋ　ａｔ　ｔｈｅ　ＰＡＫＤＤ　Ｄａｔａ　Ｍｉｎｉｎｇ　Ｃｏｍｐｅｔｉｔｉｏｎ　２００６【Ｊ　Ｊ．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｄａ－　ｔａ　Ｗａｒｅｈｏｕｓｉｎｇ＆Ｍｉｎｉｎｇ，２００７，（２）：１－１１．　［７］蒋晓静，周定康．一种新的数据挖掘处理模型［Ｊ］．计算机与　现代化，２００３，（２）：１８—２０．　［８］［１３］Ｄａｔａ　Ｍｉｎｉｎｇ／Ａｎａｌｙｔｉｃ　Ｓｏｆｔｗａｒｅ　Ｔｏｏｌｓ（Ｍａｙ　２００７）［ＥＢ／　ＯＬ］．［２００７－０６—１７］．ｈｔｔｐ：／／ｗｗｗ．ｋｄｎｕｇｇｅｔｓ．ｃｏｍ／ｐｏｌｌｓ／２ＯＯ７／ｄａ—　ｔａ＿ｍｉｎｉｎｇ＿ｓｏｆｔｗａｒｅ——ｔｏｏｌｓ．ｈｔｍ．　［９］Ｓｕｃｃｅｓｓｆｕｌ　Ｄａｔａ　Ｍｉｎｉｎｇ　Ａｐｐｌｉｃａｔｉｏｎｓ（２００３—２００５）［ＥＢ／ＯＬ］．　［２００７－０６一ｌ７ｊ．ｈｔｔｐ：／／ｗｗｗ．ｋｄｎｕｇｇｅｔｓ．ｃｏｍ／ｐｏｌｌｓ／２００５／ｓｕｃｃｅｓｓ—　ｆｕｌｄａｔａｍｉｎｉｎｇ＿＿＿ａｐｐｌｉｃａｔｉｏｎｓ．ｈｔｍ．　［１０］Ｄａｔａ　Ｍｉｎｉｎｇ　Ａｐｐｌｉｃａｔｉｏｎｓ—Ｉｎｄｕｓｔｉｒｅｓ（Ｊｕｎｅ　２００６）［ＥＢ／ＯＬ；．　［２００７－０６－１７］．ｈｔｔｐ：／／ｗｗｗ．ｋｄｎｕｇｇｅｔｓ．ｃｏｍ／ｐｏｌｌｓ／２００６／ｄａｔａ＿ｍｉｎ—　ｉｎｇ＿ａｐｐｌｉｃａｔｉｏｎｓｉｎｄｕｓｔｒｉｅｓ．ｈｔｍ．　［１　１］Ｄａｔａ　Ｍｉｎｉｎｇ　Ａｐｐｌｉｃａｔｉｏｎｓ　ｂｙ　Ｉｎｄｕｓｔｙｒ（Ｊｕｎｅ　２００７）［ＥＢ／ＯＬ］．　［２００７—０６—１７］．ｈｔｔｐ：／／ｗｗｗ．ｋｄｎｕｇｇｅｔｓ．ｃｏｎｄｐｏｌｌｓ／２ＯＯ７／ｄａｔａ—　ｍｉｎｉｎｇ＿ａｐｐｌｉｃａｔｉｏｎｓ．ｈｔｍ．　［１２］吴婕．浅析数据挖掘软件的发展［Ｊ　３．情报理论与实践，　２００４．（２）：２１２—２１４．　作者简介：王立伟（１９８１一），男，硕士，上海社会科学图书馆助理工　程师。