数据挖掘文献综述
数据挖掘综述-精选文档
北京师范大学数学学院
1 数据挖掘技术的由来
1.1 网络技术的高度发展 1.2 数据爆炸但知识贫乏 1.3 支持数据挖掘技术的基础 1.4 从商业数据到商业信息的进化
1.2 数据爆炸但知识贫乏
激增的数据背后隐藏着许多重要的信息， 人们希望能够对其进行更高层次的分析， 以便更好地利用这些数据。 目前的数据库系统可以高效地实现数据 的录入、查询、统计等功能，但无法发现 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。
1.3 支持数据挖掘技术的技术基础
海量数据搜集
强大的多处理器计算机
数据挖掘算法
1.4 从商业数据到商业信息的进化
进化阶段 数据搜集 (60年代) 商业问题 “过去五年中我的 总收入是多少？” 支持技术 计算机、磁带和磁盘 关系数据库 （RDBMS），结构化 查询语言（SQL）， ODBC Oracle、 Sybase、Informix、 IBM、Microsoft 联机分析处理 （OLAP）、多维数据 库、数据仓库 产品厂家 IBM,CDC 产品特点 提供历史性 的、静态的 数据信息
2 数据挖掘的定义
2.1 技术上的定义
2.2 商业角度的定义
2.3 数据挖掘与传统分析方法的区别
2.1数据挖掘在技术上的定义
数据挖掘（Data Mining）就是从大量的、 不完全的、有噪声的、模糊的、随机的实 际应用数据中，提取隐含在其中的、人们 事先不知道的、但又是潜在有用的信息和 知识的过程。
2.3 数据挖掘与传统分析方法的区别
数据挖掘与传统的数据分析(如查询、报表、 联机应用分析)的本质区别是数据挖掘是在 没有明确假设的前提下去挖掘信息、发现 知识. 数据挖掘所得到的信息应具有先未知,有效 和可实用三个特征.
大数据时代的数据挖掘综述
大数据时代的数据挖掘综述一、本文概述随着信息技术的迅猛发展，大数据已经渗透到社会生活的各个领域，成为现代社会发展的重要基石。
大数据时代的来临，不仅带来了海量的数据资源，也对数据挖掘技术提出了更高的要求。
数据挖掘，作为从海量数据中提取有用信息、发现潜在规律的重要手段，已经成为当前研究的热点和前沿领域。
本文旨在对大数据时代的数据挖掘技术进行全面而系统的综述，分析当前数据挖掘领域的研究现状，探讨面临的挑战和未来的发展趋势。
本文将首先介绍大数据和数据挖掘的基本概念，阐述数据挖掘在大数据时代的重要性和应用价值。
接着，本文将重点回顾数据挖掘的发展历程，介绍数据挖掘的主要方法和技术，包括分类、聚类、关联规则挖掘、预测模型等，并结合具体案例进行说明。
同时，本文还将对数据挖掘在各个领域的应用进行梳理和总结，如商业智能、医疗健康、金融风控等。
在此基础上，本文将深入探讨大数据时代数据挖掘面临的挑战，如数据规模巨大、数据类型多样、数据质量参差不齐等问题，并分析这些问题对数据挖掘算法和性能的影响。
为解决这些问题，本文还将介绍一些新兴的数据挖掘技术和方法，如深度学习、强化学习、迁移学习等，并探讨它们在大数据时代的应用前景。
本文将展望数据挖掘未来的发展趋势，预测未来可能的研究热点和方向，为相关领域的研究人员和实践者提供参考和借鉴。
通过本文的综述，希望能够为大数据时代的数据挖掘研究提供全面而深入的理解，推动数据挖掘技术的进一步发展和应用。
二、数据挖掘相关概念及理论基础在大数据时代，数据挖掘成为了一个不可或缺的工具，它帮助我们从海量的、复杂的、多样化的数据中提取出有价值的信息和模式。
数据挖掘是一门涉及多个学科的交叉学科，其理论基础涵盖了统计学、机器学习、模式识别、数据库管理等多个领域。
数据挖掘的基本概念是通过特定算法对大量数据进行处理和分析，以发现其中的关联规则、分类模式、聚类结构、异常检测以及预测趋势等。
这一过程中，数据预处理是极其关键的一步，它包括对数据的清洗、转换、降维等操作，以确保数据的质量和有效性。
数据挖掘综述
数据挖掘综述引言：数据挖掘是一种通过自动或者半自动的方法，从大量数据中发现隐藏在其中的有价值的信息的过程。
随着大数据时代的到来，数据挖掘在各个领域中的应用越来越广泛。
本文将对数据挖掘的概念、应用领域、技术方法、挑战和未来发展进行综述。
一、数据挖掘的概念1.1 数据挖掘的定义数据挖掘是指通过应用统计学、机器学习、人工智能等技术，从大规模数据集中提取出实用的信息和模式的过程。
1.2 数据挖掘的目标数据挖掘的目标是通过发现数据中的潜在规律和关联，为决策提供支持，并发现新的商业机会。
1.3 数据挖掘的基本步骤数据挖掘的基本步骤包括问题定义、数据采集和清洗、特征选择和变换、模型构建、模型评估和应用。
二、数据挖掘的应用领域2.1 金融领域数据挖掘在金融领域中被广泛应用，如信用评估、风险管理、欺诈检测等。
2.2 零售领域数据挖掘在零售领域中可以匡助企业进行销售预测、市场细分、推荐系统等。
2.3 医疗领域数据挖掘在医疗领域中可以用于疾病预测、药物研发、医疗资源优化等。
三、数据挖掘的技术方法3.1 分类与预测分类与预测是数据挖掘中常用的技术方法，通过构建模型来预测未来的结果或者分类新的数据。
3.2 聚类分析聚类分析是将数据集中的对象划分为不同的组，使得组内的对象相似度高，组间的相似度低。
3.3 关联规则挖掘关联规则挖掘是寻觅数据集中的频繁项集和关联规则，用于发现数据中的相关性和规律。
四、数据挖掘的挑战4.1 数据质量问题数据挖掘的结果受到数据质量的影响，数据质量不高会导致挖掘结果不许确。
4.2 隐私保护问题在数据挖掘过程中，可能涉及到用户的隐私信息，如何保护用户隐私是一个重要的挑战。
4.3 大数据处理问题随着数据量的增加，如何高效地处理大规模数据成为数据挖掘中的难题。
五、数据挖掘的未来发展5.1 深度学习与数据挖掘的结合深度学习作为一种强大的机器学习方法，与数据挖掘的结合将会进一步提升数据挖掘的能力。
5.2 增强学习的应用增强学习是一种通过试错来优化决策的方法，将其应用于数据挖掘领域可以发现更多的隐藏规律。
基于matlab的数据挖掘技术研究【文献综述】
基于matlab的数据挖掘技术研究【文献综述】毕业论文文献综述信息与计算科学基于matlab的数据挖掘技术研究数据挖掘是用于大规模数据处理的一种新的思维方式和技术手段，他是在现实生活中各种数据量呈指数级不断增长，以及以数据库(database)技术为核心的信息技术逐渐成熟的背景下产生的。
数据挖掘可以帮助用户发现影藏在大型数据库中的规律和模式，它融合了人工智能(artificial intelligence)、统计（statistics）、机器学习（nachine learning）、模式识别（pattern recognition）和数据库等多种学科的理论、方法与技术，已经在商业、企业、政府、科研及体育等多种不同类型的组织机构和领域中获得了非常广泛的应用。
即使在日常生活中，数据挖掘技术也已经潜移默化地参与到人们的生活质量改善过程中。
数据挖掘有很多种技术和计算方法，包括决策树方法（decision tree）、人工神经网络方法（artificial neural metwork，ANN）、聚类分析、模糊集合方法、遗传算法（genetic algorithm）、模拟退火算法(simulated annealing,SA)、进化式程序设计(evolutionary programming)等。
这里主要介绍一下聚类分析、遗传算法和人工神经网络算法。
聚类分析也称无监督学习，或无教师学习，或无指导学习，因为和分类学习相比，聚类的样本没有标记，需要由聚类学习算法来自动确定。
聚类分析是研究如何在没有训练的条件下把样本划分为若干。
聚类（clustering）是对物理的或抽象的样本集合分组的过程。
聚类分析有很多种目标，但都涉及把一个样本集合分组或分割为子集或簇（cluster）。
从统计学的观点看，聚类分析是通过数据建模简化数据的一种方法。
聚类分析主要针对的数据类型包括区间标度变量、二值变量、标称变量、序数型变量、比例标度型变量以及由这些变量类型构成的复合类型。
数据挖掘综述
数据挖掘综述引言概述数据挖掘是一种通过分析大量数据来发现规律、趋势和模式的过程。
随着互联网的发展和信息技术的进步，数据挖掘在各个领域都得到了广泛应用。
本文将对数据挖掘的概念、方法和应用进行综述，以匡助读者更好地了解这一领域。
一、数据挖掘的概念1.1 数据挖掘的定义：数据挖掘是指从大量数据中提取出实用的信息和知识的过程。
这些信息和知识可以匡助人们做出更好的决策、预测未来的趋势和发现隐藏在数据中的规律。
1.2 数据挖掘的目的：数据挖掘的主要目的是发现数据中的模式和规律，从而匡助人们更好地理解数据、预测未来的发展趋势和优化决策过程。
1.3 数据挖掘的基本步骤：数据挖掘的基本步骤包括数据预处理、特征选择、模型构建、模型评估和模型应用。
这些步骤在整个数据挖掘过程中起着至关重要的作用。
二、数据挖掘的方法2.1 分类：分类是数据挖掘中常用的方法之一，它通过对数据进行分类，将数据分为不同的类别。
常用的分类算法包括决策树、朴素贝叶斯和支持向量机等。
2.2 聚类：聚类是将数据分组成不同的类别，使得同一类别内的数据相似度高，不同类别之间的数据相似度低。
常用的聚类算法包括K均值、层次聚类和密度聚类等。
2.3 关联规则挖掘：关联规则挖掘是发现数据中不同属性之间的关联关系，从而匡助人们了解数据之间的联系和规律。
常用的关联规则挖掘算法包括Apriori算法和FP-growth算法等。
三、数据挖掘的应用3.1 金融领域：在金融领域，数据挖掘被广泛应用于风险管理、信用评分、市场营销和欺诈检测等方面，匡助金融机构更好地管理风险和提高效率。
3.2 医疗领域：在医疗领域，数据挖掘可以匡助医生更好地诊断疾病、预测病情发展趋势和制定个性化的治疗方案，提高医疗服务的质量和效率。
3.3 零售领域：在零售领域，数据挖掘可以匡助零售商更好地了解消费者的购买行为、预测销售趋势和优化产品定价策略，提高销售额和客户满意度。
四、数据挖掘的挑战4.1 数据质量：数据挖掘的结果取决于数据的质量，而现实中的数据往往存在噪声、缺失值和不一致性等问题，影响了数据挖掘的准确性和可靠性。
数据挖掘综述
数据挖掘综述概述：数据挖掘是一种通过自动或半自动的方法从大量数据中提取出有用信息的技术。
它是数据分析的重要组成部分，可以帮助企业和组织发现隐藏在数据背后的模式、关联和趋势，从而做出更准确的决策和预测。
本文将对数据挖掘的定义、应用领域、技术方法和挑战进行综述。
定义：数据挖掘是从大量数据中自动或半自动地发现模式、关联和趋势的过程。
它结合了统计学、机器学习、数据库技术和可视化技术等多学科的知识，通过分析数据集中的特征和属性，找出其中的规律和潜在的价值。
应用领域：数据挖掘在各个领域都有广泛的应用。
在市场营销领域，数据挖掘可以帮助企业识别潜在客户、预测市场需求、优化广告投放和定价策略。
在金融领域，数据挖掘可以用于欺诈检测、信用评估、风险管理和股票预测等。
在医疗领域，数据挖掘可以辅助医生进行疾病诊断、药物研发和流行病预测。
在制造业领域，数据挖掘可以用于质量控制、供应链优化和设备故障预测等。
技术方法：数据挖掘的技术方法包括分类、聚类、关联规则挖掘、时序模式挖掘和异常检测等。
分类是将数据划分到不同的类别中，常用的算法有决策树、朴素贝叶斯和支持向量机等。
聚类是将数据划分到不同的群组中，常用的算法有K均值和层次聚类等。
关联规则挖掘是找出数据集中的频繁项集和关联规则，常用的算法有Apriori和FP-Growth等。
时序模式挖掘是找出数据中的时间序列模式，常用的算法有序列模式GSP和序列聚类等。
异常检测是找出数据中的异常样本，常用的算法有基于统计的方法和基于机器学习的方法等。
挑战：数据挖掘面临着一些挑战。
首先是数据质量问题，包括数据缺失、数据错误和数据不一致等。
其次是维度灾难问题，当数据的维度很高时，计算复杂度会急剧增加，需要使用特征选择和降维等方法。
另外，隐私保护也是一个重要问题，如何在数据挖掘过程中保护个人隐私是一个需要解决的难题。
此外，数据挖掘算法的选择和参数调优也是一个挑战，不同的算法适用于不同的数据集和问题，如何选择合适的算法并调整参数是一个需要经验和技巧的过程。
文献综述_数据挖掘
数据挖掘简介数据挖掘的任务数据挖掘的任务就是从实例集合中找出容易理解的规则和关系。
这些规则可以用于预测未来趋势、评价顾客、评估风险或简单地描述和解释给定的数据。
通常数据挖掘的任务包括以下几个部分:数据总结目的是对数据进行浓缩，给出它的紧凑描述。
传统的也是最简单的数据总结方法是计算出数据库的各个字段上的求和值、平均值、方差值等统计值，或者用直方图、饼图等图形方式表示。
数据挖掘主要关心从数据泛化的角度来讨论数据总结。
数据泛化是一种把数据库中的有关数据从低层次抽象到高层次上的过程。
数据泛化目前主要有两种技术:多维数据分析方法和面向属性的归纳方法。
多维数据分析方法是一种数据仓库技术，也称作联机分析处理(OLAP，onLineAnalysisProeess)。
数据仓库是面向决策支持的、集成的、稳定的、不同时间的历史数据集合。
决策的前提是数据分析。
在数据分析中经常要用到诸如求和、总计、平均、最大、最小等汇集操作，这类操作的计算量特别大。
因此一种很自然的想法是，把汇集操作结果预先计算并存储起来，以便于决策支持系统使用。
存储汇集操作结果的地方称作多维数据库。
多维数据分析技术已经在决策支持系统中获得了成功的应用，如著名的SAS数据分析软件包、Businessobject公司的决策支持系统Businessobjeet，以及IBM公司的决策分析工具都使用了多维数据分析技术。
采用多维数据分析方法进行数据总结，它针对的是数据仓库，数据仓库存储的是脱机的历史数据。
为了处理联机数据，研究人员提出了一种面向属性的归纳方法。
它的思路是，直接对用户感兴趣的数据视图(用一般的SQL查询语言即可获得)进行泛化，而不是像多维数据分析方法那样预先就存储好了泛化数据。
方法的提出者对这种数据泛化技术称之为面向属性的归纳方法。
原始关系经过泛化操作后得到的是一个泛化关系，它从较高的层次上总结了在低层次上的原始关系。
有了泛化关系后，就可以对它进行各种深入的操作而生成满足用户需要的知识，如在泛化关系基础上生成特性规则、判别规则、分类规则，以及关联规则等。
数据挖掘文献综述
文献综述
（2011届）
数据挖掘综述
学生姓名赵陈瀚
学号111303035
院系数学与计算机科学学院专业计算机科学与技术
指导教师曾玉珠
填写日期2014年6月10日
0 前言
随着信息技术迅速发展，数据库的规模不断扩大，从而产生了大量的数据。
人们希望能够对其进行更高层次的分析，以便更好地利用这些数据。
为给决策者提供一个统一的全局视角，在许多领域建立了数据仓库。
但大量的数据往往使人们无法辨别隐藏在其中的能对决策提供支持的信息，而传统的查询、报表工具无法满足挖掘这些信息的需求。
因此，需要一种新的数据分析技术处理大量数据，并从中抽取有价值的潜在知识，数据挖掘（Data Mining）技术由此应运而生。
1 数据挖掘技术
1.1数据挖掘的定义
1.2数据挖掘的方法
1.2.1统计方法
1.2.2关联规则
1.2.3聚类分析
1.2.4决策树方法
1.2.5神经网络
1.2.6粗糙集
2数据挖掘的过程
3数据挖掘应用
4数据挖掘前景
5结束语
参考文献。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
湘潭大学本科生专业文献综述题目: 数据挖掘文献综述姓名: 林勇学院: 信心工程学院学院专业: 自动化班级: 一班学号: 2010550113指导教师: 张莹0前言随着计算机技术的迅猛发展，人类正在步入信息社会。
面对今天浩如烟海的信息，如何帮助人们有效地收集和选择所感兴趣的信息，更关键的是如何帮助用户在日益增多的信息中自动发现新的概念并自动分析它们之间的关系，使之能够真正地做到信息处理的自动化，这已成为信息技术领域的热点问题。
数据挖掘就是为满足这种要求而产生并迅速发展起来的，可用于开发信息资源的一种新的数据处理技术。
1什么是数据挖掘数据挖掘(Data Mining)，也叫数据开采，数据采掘等，是按照既定的业务目标从海量数据中提取出潜在、有效并能被人理解的模式的高级处理过程。
在较浅的层次上，它利用现有数据库管理系统的查询、检索及报表功能，与多维分析、统计分析方法相结合，进行联机分析处理，从而得出可供决策参考的统计分析数据。
在深层次上，则从数据库中发现前所未有的、隐含的知识。
OLAF'的出现早于数据挖掘，它们都是从数据库中抽取有用信息的方法，就决策支持的需要而言两者是相辅相成的。
OLAP可以看作一种广义的数据挖掘方法，它旨在简化和支持联机分析，而数据挖掘的目的是便这一过程尽可能自动化。
数据挖掘基于的数据库类型主要有：关系型数据库、面向对象数据库、事务数据库、演绎数据库、时态数据库、多媒体数据库、主动数据库、空间数据库、遗留数据库、异质数据库、文本型、Internet信息库以及新兴的数据仓库(Data Warehouse)等。
而挖掘后获得的知识包括关联规则、特征规则、区分规则、分类规则、总结规则、偏差规则、聚类规则、模式分析及趋势分析等。
1.1 数据挖掘的任务数据挖掘的两个高层目标是预测和描述。
前者指用一些变量或数据库的若干已知字段预测其它感兴趣的变量或字段的未知的或未来的值；后者指找到描述数据的可理解模式。
根据发现知识的不同，我们可以将数据挖掘任务归纳为以下几类：(1)特征规则。
从与学习任务相关的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征．例如可以从某种疾病的症状中提取关于该疾病的特征规则。
(2)区分规则。
发现或提取要学习的数据(目标数据)的某些特征或属性，使之与对比数据能够区分开来。
例如，通过对某种疾病与其它疾病的症状的比较，可以提取出该疾病相对于其它疾病的区分规则，利用这些规则就可以区分出这种疾病。
(3)分类。
分类是用一个函数把各个数据项映射到某个预定义的类，或者说是开采出关于该类数据的描述或模型。
数据分类方法有决策树分类方法、统计方法、神经网络方法、粗集方法等。
例如，利用当前病历数据可以建立各种疾病的分类规则，对于新来的病人，根据其症状及分类规则就可以知道此人所患病的种类。
关于分类问题已经存在大量的研究。
此外，还有基于模式的关联性、聚类、变化和偏差分析等。
1.2 数据挖掘的特点数据挖掘技术具有以下特点：(1)处理的数据规模十分庞大，达到GB、TB数量级，甚至更大。
(2)查询一般是决策制定者(用户)提出的即时随机查询，往往不能形成精确的查询要求，需要靠系统本身寻找其可能感兴趣的东西。
(3)在一些应用(如商业投资等)中，由于数据变化迅速，因此要求数据挖掘能快速做出相应反应以随时提供决策支持。
(4)数据挖掘中，规则的发现基于统计规律。
因此，所发现的规则不必适用于所有数据，而是当达到某一临界值时，即认为有效。
因此，利用数据挖掘技术可能会发现大量的规则。
(5)数据挖掘所发现的规则是动态的，它只反映了当前状态的数据库具有的规则，随着不断地向数据库中加入新数据，需要随时对其进行更新。
2 数据挖掘的过程2.1 确定业务对象确定业务对象清晰地定义出业务问题，认清数据挖掘的目的是数据挖掘的重要一步。
挖掘的最后结构是不可预测的，但要探索的问题应是有预见的，为了数据挖掘而数据挖掘则带有盲目性，是不会成功的。
2.2 数据准备(1)数据的选择。
搜索所有与业务对象有关的内部和外部数据信息，并从中选择出适用于数据挖掘应用的数据。
(2)数据的预处理。
研究数据的质量，为进一步的分析作准备，并确定将要进行的挖掘操作的类型。
(3)数据的转换。
将数据转换成一个分析模型，这个分析模型是针对挖掘算法建立的，建立一个真正适合挖掘算法的分析模型是数据挖掘成功的关键。
2.3 数据挖掘对所得到的经过转换的数据进行挖掘，除了完善从选择合适的挖掘算法外，其余一切工作都能自动地完成。
2.4 结果分析解释并评估结果，其使用的分析方法一般应作数据挖掘操作而定，通常会用到可视化技术。
2.5 知识的同化将分析所得到的知识集成到业务信息系统的组织结构中去。
总之，数据挖掘过程需要多次的循环反复，才有可能达到预期的效果。
3国内的发展现状及应用与国外相比，国内对DMKD的研究稍晚，1993年国家自然科学基金首次开始支持对该领域的研究项目。
近年来发展迅速，进行的大多数研究项目是由政府资助进行的，如国家自然科学基金、863计划、“九五”计划等。
所涉及的研究领域很多，一般集中于学习算法的研究、数据挖掘的实际应用以及有关数据挖掘理论方面的研究。
国内从事数据挖掘研究的机构主要在大学，也有部分在研究所或公司。
这些单位包括清华大学、中科院计算技术研究所、空军第三研究所、海军装备论证中心等。
其中，北京系统工程研究所对模糊方法在知识发现中的应用进行了较深入的研究，北京大学也在开展对数据立方体代数的研究，华中理工大学、复旦大学、浙江大学、中国科技大学、中科院数学研究所、吉林大学等单位开展了对关联规则开采算法的优化和改造；南京大学、四川联合大学和上海交通大学等单位探讨、研究了非结构化数据的知识发现以及Web数据挖掘。
"1尽管目前数据挖掘的论文统计数相当可观，但我国的数据挖掘应用尚处于尝试性的萌芽阶段，企业大规模地运用数据挖掘技术尚不普遍，个别企业或部门仅零星地运用数据挖掘技术，没有形成整体力量。
国内企业实现数据挖掘的困难在于缺少数据积累、难于构建业务模型、各类人员之间的沟通存在障碍、缺少有经验的实施者、初期资金投入较大。
目前在国内数据挖掘也是广泛应用在商业范围，对非盈利机构的信息研究不多。
4 数据挖掘的前景近几年对于数据挖掘的研究发展很快，预计在未来若干年，研究还会形成更大的高潮，研究的总体发展方向可能会集中到以下几个方面：(1)专业开发语言出现。
研究专门用于知识发现的数据挖掘语言，并使其走向形式化和标准化。
(2)寻求数据挖掘过程中更优秀的可视化方法。
实现在知识发现的过程中进行人机交互，图文数并茂，便于知识发现的过程能够很容易的被用户理解。
(3)研究基于网络环境下的数据挖掘技术(Web Mining)。
特别是在因特网上建立DMKD服务器，并且与数据库服务器配合，实现网络(远程)数据挖掘。
(4)加强对各种非结构化数据的开采(Data Mining for Audio & Video)，如对图形数据、视频图像数据、声音数据乃至综合多媒体数据的开采，这些数据类型或者比较复杂，或者是结构比较独特。
为了处理这些复杂的数据，就需要一些新的和更好的分析和建模方法，同时还会涉及到为处理这些复杂或独特数据所做的费时和复杂数据准备的一些工具和软件。
(5)挖掘软件的适用性更加灵活。
如果一次挖掘不能实现相应的目标，可以进行交互式、动态性、分层挖掘等，即交互挖掘技术的发展。
(6)出现功能较强大的专用数据挖掘软件。
就目前来看，将来的几个热点发展方向包括网站的数据挖掘、生物信息或基因的数据挖掘及其文本的数据挖掘等，这些领域具有独特的数据性质，需要由独特的专用软件来支持。
5 结论数据挖掘技术是一个年轻且充满希望的研究领域，商业利益的强大驱动力将会不停地促进它的发展，每年都有新的数据挖掘方法和模型问世，人们对它的研究正日益广泛和深入。
6参考文献[1] 郑新奇．数据挖掘软件现状特点与发展趋势http：//WWW．．en 2005，6，13．[2] 田艳．数据挖掘技术的应用及发展[J]．统计与信息论坛，2004，(7)：18—21.[3] 朱世武．数据挖掘运用的理论与技术[J]．统计研究，2003．8：45—51．[4] 黄解军．数据挖掘技术的应用研究[J]．计算机工程与应用，2003，(2)：45—48．[5]朱晓华．浅析数据挖掘技术在图书馆自动化中的应用[J]．图书馆学研究，2002.(5)：41—45．[6]边肇祺，张学工，等．模式识别．北京：清华大学出版社，1999.[7]王珊，等．数据仓库技术与联机分析处理．北京：科学出版社，1998.[8]Chen M S，Han J W，Yu P S．Data Mining：An Overview from Database Perspective．IEEE Transactions on Knowledge and Data Engineering，1996，8(6)：866—883.[9]Piatetsky-Shapiro G，Fayyad U，Smith P．From Data Mining to Knowledge Discovery：An Overview．In：Fayyad U M，Piatetsky—Shapiro G，Smyth P，Uthurusamy R,eds．Advances in Knowledge Discovery and Data Mining，．&kAI ／MIT Press，1996，1—35.[10]沈清，汤霖．模式识别导论．长沙：国防科技大学出版社，1993.[11]阎平凡，黄端旭．人工神经网络一模型，分析与应用．合肥：安徽教育出版社，1993.[12]Siberschatz A，Stonebraker M，Ullman j D．Database Systems：Achievements and Opportunities into the 21st Century．SIGMOD Record，1990，19(4)：6—22.。