数据挖掘技术在软件工程中的应用研究
软件工程领域中的数据挖掘和分析
软件工程领域中的数据挖掘和分析在当今技术发展迅速的社会中，软件工程领域的数据挖掘和分析变得越来越重要。
随着云计算、大数据和人工智能等技术的蓬勃发展，数据挖掘和分析在软件工程中扮演着至关重要的角色。
本文将探讨软件工程领域中的数据挖掘和分析的意义、方法以及未来发展方向。
一、数据挖掘和分析的意义在软件工程领域，数据是一种宝贵的资源。
通过数据挖掘和分析，软件工程师可以从大量的数据中发现有价值的信息，进而帮助企业制定决策、改进产品和服务质量，提升用户体验。
数据挖掘和分析可以帮助软件工程师发现隐含的模式、关联、异常和趋势，为问题解决提供重要参考。
此外，数据挖掘和分析还可以帮助软件工程师预测未来的趋势和行为，为业务发展提供科学依据。
二、数据挖掘和分析的方法1. 数据预处理数据预处理是数据挖掘和分析的第一步，它包括数据清洗、数据集成、数据转换和数据规约等操作。
数据预处理的目的是提高数据的质量，减少数据挖掘过程中的误差和干扰。
2. 数据挖掘算法在数据预处理之后，软件工程师可以选择合适的数据挖掘算法来分析数据。
常用的数据挖掘算法包括分类、聚类、关联规则、异常检测和预测等。
软件工程师可以根据问题的特点选择合适的算法，并对算法进行参数调整和优化。
3. 数据可视化数据可视化是将分析结果以图表、图像或动画等形式展示给用户的过程。
通过数据可视化，软件工程师可以更直观地理解和解释数据挖掘的结果，从而提高决策效果和工作效率。
三、数据挖掘和分析的未来发展方向1. 深度学习在数据挖掘中的应用深度学习是人工智能领域的热门技术之一，它能够模拟人类大脑的神经网络结构，实现对大规模复杂数据的高效处理。
未来，深度学习将在软件工程领域的数据挖掘和分析中发挥更重要的作用，实现更精确、更准确的数据分析和决策支持。
2. 异常检测和安全性保障随着网络安全威胁的不断增加，软件工程师对数据挖掘和分析在异常检测和安全性保障方面的应用需求也在增加。
未来，数据挖掘和分析技术将与网络安全技术紧密结合，为企业和个人提供更强大的安全防护措施。
基于大数据的计算机软件开发与应用
基于大数据的计算机软件开发与应用摘要：随着大数据时代的到来，数据的规模正在以惊人的速度增长。
在这种情况下，计算机信息处理技术变得越来越重要，对其应用的需求也在增加。
因此，要对大数据计算机信息处理技术进行持续的研究，以便更深入地了解计算机信息处理工艺，大大提高计算机信息处理的整体水平。
正是基于这样的背景和需求，本文就基于大数据的计算机软件开发与应用展开相关探究，通过分析计算机数据处理技术，旨在促进技术创新和发展。
关键词：大数据；计算机；软件开发；技术应用中图分类号：TP311文献标识码：A引言在信息技术快速发展的今天，软件行业经历了快速增长，尤其是在大数据时代，这给软件行业带来了新的发展机遇。
在大数据的背景下，计算机软件技术的工作是基于大量数据提取研究用户所需的数据，同时满足系统的相关要求。
在此基础上，进行精确分析，确定工作的发展方向和具体工作内容。
在这种情况下，为了使计算机软件稳定快速地发展，持续的创新和发展是必要的。
1大数据技术的主要特点大数据的主要特征可以概括为“4V”：即数据量（Volume）、数据速度（Velocity）、数据多样性（Variety）和数据价值（Value）。
其中，数据量是指数据的规模，数据速度是指数据生成和处理的速度，数据多样性是指数据类型和来源的多样性，数据价值是指从数据中提取有用信息的能力。
这四个特征不仅反映了大数据的本质属性，也直接关系到大数据背景下的主要挑战。
首先，海量的数据对存储和处理能力提出了极高的要求。
传统的数据处理技术已不足以满足大规模数据处理的需要，需要更强大、更高效的数据处理方法。
其次，数据的高速生成和实时处理要求使得数据流处理技术至关重要[1]。
此外，数据的多样性给数据融合和处理带来了困难。
数据来源广泛，类型复杂多变，如何有效地融合和处理这些数据，提取有用的信息，是一个极大的挑战。
最后，如何从海量的数据中提取有价值的信息，是大数据环境下的核心问题，这需要强大的数据挖掘和分析技术。
数据挖掘在软件工程技术中的应用毕业论文
数据挖掘在软件工程技术中的应用毕业论文【关键词】数据挖掘技术；软件工程中；应用软件技术随着信息技术进展而快速进展，但是其可控性并不是特殊强。
软件在应用过程中会产生大量数据，数据作为一种珍贵的资源，有效的利用可以带来价值增值。
作为软件开发行业，数据挖掘技术应用则实现了数据资源的有效利用，通过对其中规律进行讨论，为软件工程供应相应指导，并且对于系统故障能够有效处理，本钱评估的有效性也能够提升。
1数据挖掘技术应用存在的问题1.1信息数据自身存在的冗杂性软件工程所包含的数据可以分为两个类别，结构化与非结构化。
在非结构化数据中软件代码发挥着重要作用。
而对结构化数据产生影响的则是软件版本信息。
结构与非结构化数据二者之间联系特别亲密。
实现数据有效利用就需要通过肯定技术找出其中的规律。
数据挖掘技术则刚好满意需求。
利用该技术对结构与非结构化数据进行整合，提升其使用的有效性。
1.2在评价标准方面缺乏全都性数据挖掘技术在生活中的应用比较广泛，通过该技术应用能够更好的对实际状况进行评价，从而对结果进行优化。
但是由于没有统一标准，导致了软件信息冗杂。
而在表述方式方面自身又存有差异性。
信息猎取者无法有效的对信息进行应用及对比。
而信息缺乏统一标准的缘由就在于评价方式不全都。
2数据挖掘技术在软件工程中的应用2.1数据挖掘执行记录执行记录挖掘主要是对主程序的路径进行分析，从而发觉程序代码存有的相关关系。
其实质是通过对相关执行路径进行分析，并进行逆向建模，最终到达目的。
作用在于验证，维护，了解程序。
记录挖掘的过程通常是对被分析的系统进行初步插装，之后是记录过程，该过程在执行上一步程序后，对应用编程接口，系统，模块的状态变量记录，最终是对所得到的信息进行约简，过滤，聚类。
最终得到的模型能够表达系统的特征。
2.2漏洞检测系统或是软件自身都会存在漏洞，漏洞自身具肯定的隐藏性，由于人的思维存在某些盲区，无法发觉漏洞的存在，就需要借助于某些软件。
计算机科学与技术应用研究
计算机科学与技术应用研究计算机科学与技术的应用研究是指通过对计算机科学原理和技术进行研究和应用，解决实际问题和提高现有系统效率的过程。
计算机科学与技术的发展与大数据、人工智能、物联网等技术的快速发展密切相关。
本文将介绍计算机科学与技术的应用研究的主要方向和应用案例。
1. 人工智能与机器学习：人工智能是计算机科学与技术的重要分支，通过对机器学习算法和模型的研究，可以实现计算机对特定问题的自主学习和智能判断。
人工智能的应用研究包括语音识别、图像识别、智能推荐系统等。
2. 数据挖掘与大数据分析：随着互联网时代的到来，大量的数据被不断积累和存储，如何从这些海量的数据中挖掘出有用的信息成为了计算机科学与技术的研究热点之一。
数据挖掘与大数据分析的应用研究包括用户画像分析、舆情分析、金融风险评估等。
3. 云计算与分布式系统：云计算是将大量的计算资源通过互联网进行集中管理和分配的一种方式，分布式系统是一种将多台计算机连接在一起组成一个网络互相协作的系统。
云计算与分布式系统的应用研究包括云存储、云计算平台搭建、分布式计算等。
4. 软件工程与开发：软件工程是指通过系统的方法和原则开发、运行和维护软件系统的学科领域，开发是软件工程的主要任务之一。
软件工程与开发的应用研究包括软件测试、软件质量保证、软件性能优化等。
1. 自动驾驶：自动驾驶是人工智能与机器学习在汽车领域的应用研究，通过对车辆传感器数据的实时分析和处理，实现无人驾驶技术的发展。
自动驾驶技术的实现可以提高交通安全性和驾驶效率。
2. 人脸识别：人脸识别是图像处理和模式识别的应用之一，通过对人脸图像进行分析和比对，实现对个体身份的精确识别。
人脸识别技术的应用广泛，包括人脸登录、门禁系统、刑侦等领域。
3. 互联网广告：互联网广告是通过对用户行为和兴趣数据的分析，实现对广告投放的精准定向。
互联网广告的应用研究包括推荐系统算法、用户画像分析、广告投放策略等。
4. 医疗大数据分析：医疗大数据分析是将大量的医疗数据进行整合和分析，实现对病例数据的挖掘和分析，辅助临床诊断和医疗决策。
软件工程中的代码质量评估与缺陷预测技术
软件工程中的代码质量评估与缺陷预测技术随着科技的发展，软件工程在现代社会中的应用越来越广泛，软件系统的性能对于企业的成功至关重要。
因此，对于软件质量的评估和缺陷预测技术越来越受到开发者和企业的重视。
在软件工程领域中，代码质量评估与缺陷预测是最重要的研究课题之一。
代码质量是指代码的易读性、可维护性、可测试性和可靠性等方面的评估。
而缺陷预测，则是指在软件开发和维护过程中如何通过数据挖掘技术对代码的缺陷进行预测和修复。
代码质量评估与缺陷预测技术的研究旨在通过提高代码质量，降低软件维护和开发成本，并最终提高软件系统的可靠性和性能。
这些技术的发展和应用，让软件工程师们能够更高效地规划、设计和实现软件产品。
软件工程中的代码质量评估技术软件开发过程中，代码质量评估技术是其中非常重要的一环。
代码的质量对软件系统的性能、可维护性以及可扩展性等都有着至关重要的影响，因此开发者需要持续进行代码质量的评估。
以下是几种常见的代码质量评估技术。
1. 代码复杂度评估技术代码的复杂度是指代码的难度。
由于代码复杂度越高，代码越难以维护。
因此，代码复杂度评估技术可以帮助开发者在开发过程中测试代码的质量，并根据复杂度来生成最佳代码。
2. 代码风格评估技术代码风格的评估旨在确保代码的格式和语法正确无误。
代码风格评估技术可以帮助开发者检查命名规则或语法规则是否一致，从而提高代码的可读性和可维护性。
3. 代码重构评估技术代码重构是指修改已有代码，以达到更好的设计效果和容易维护的目的。
代码重构评估技术可以帮助开发者在代码修改过程中避免引入新的问题或者破坏代码的完整性。
4. 静态代码分析评估技术静态代码分析旨在分析源代码而不是在运行时执行。
静态代码分析评估技术可以帮助开发者检测代码中的问题，并通过生成重构建议和代码重构来改进代码质量。
软件工程中的缺陷预测技术缺陷预测是指在软件开发的早期阶段，通过收集和分析数据，来预测软件中可能存在的缺陷。
以下是几种常见的数据挖掘技术，用于缺陷预测。
数据挖掘技术在计算机软件工程中的应用研究
数据挖掘技术在计算机软件工程中的应用研究在当今数字化时代，计算机软件工程的发展日新月异，而数据挖掘技术作为一种强大的数据分析手段，正逐渐在这个领域发挥着至关重要的作用。
数据挖掘技术能够从海量的数据中提取有价值的信息和知识，为计算机软件工程的各个方面提供有力的支持和优化。
数据挖掘技术简单来说，就是从大量的数据中发现潜在的模式、关系和趋势的过程。
它综合运用了统计学、机器学习、数据库技术等多种学科的知识和方法，通过数据预处理、模式发现、评估和解释等步骤，将原始数据转化为有用的信息和知识。
在计算机软件工程中，需求分析是项目开发的关键环节。
传统的需求获取方法往往依赖于用户的描述和开发者的经验，存在信息不完整、不准确的问题。
而数据挖掘技术可以通过对已有类似项目的数据进行分析，挖掘出用户的潜在需求和行为模式，为新软件项目的需求定义提供更全面、更准确的依据。
例如，通过分析用户在使用相关软件时的操作记录、反馈信息等，可以了解用户的习惯和偏好，从而更好地确定软件的功能和界面设计。
软件设计阶段，数据挖掘技术可以对软件的架构和模块划分提供参考。
通过分析大量优秀软件的架构设计数据，发现其中的共性和规律，为新软件的架构设计提供借鉴。
同时，还可以利用数据挖掘来评估不同设计方案的优劣，预测软件的性能和可维护性。
在软件测试阶段，数据挖掘技术更是大显身手。
通过对以往软件测试过程中产生的大量数据进行挖掘，可以发现软件中的潜在缺陷模式和错误规律。
例如，分析测试用例的执行结果，找出容易出现错误的模块和功能点，有针对性地加强测试，提高测试效率和质量。
代码优化也是计算机软件工程中的重要任务。
数据挖掘技术可以帮助开发者分析代码的执行情况和性能数据，找出代码中的性能瓶颈和可优化的部分。
例如，通过对程序运行时的资源消耗、执行时间等数据进行挖掘，发现代码中耗时较长的函数或算法，进行针对性的优化，提高软件的运行效率。
在软件维护方面，数据挖掘技术能够协助维护人员快速定位和解决问题。
数据挖掘技术在软件工程中的应用
数据挖掘技术在软件工程中的应用随着软件系统变得越来越复杂，软件工程领域面临着越来越多的挑战。
简单的应用统计方法往往不能满足对软件系统大规模数据的分析，所以数据挖掘技术显得越来越重要。
数据挖掘技术是从数据中提取模式、关系和规律的过程，它可以帮助软件工程师发现对软件系统设计和开发有意义的信息。
在这篇文章中，我们将介绍数据挖掘技术在软件工程中的应用。
1. 代码缺陷预测代码缺陷是软件系统中常见的问题之一，如果能预测代码中的缺陷，那么就可以在软件开发的早期阶段进行修改，从而降低软件维护成本。
数据挖掘技术可以分析代码中的指标，如代码复杂度、规模、复杂函数的数量等，来预测代码中的缺陷。
通过对历史数据的分析，数据挖掘技术可以发现那些代码模块更容易出现缺陷，并给出相应的预测结果。
2. 代码克隆检测软件系统中存在很多的代码克隆，这些克隆代码会增加软件系统的维护成本，因为对一个克隆代码的修改也必须同步到所有的克隆代码中。
数据挖掘技术可以分析代码库中的克隆代码，并将它们组织成克隆家族。
通过对克隆家族的分析，数据挖掘技术可以评估克隆代码的质量，并提供减少克隆代码的建议。
3. 软件缺陷定位当软件系统在运行时出现问题时，定位软件缺陷就成为解决问题的关键。
数据挖掘技术可以分析软件运行时的日志记录，以发现程序崩溃或异常等问题。
通过对历史数据的分析，数据挖掘技术可以发现哪些程序模块更容易出现问题，并给出相应的建议。
4. 软件需求分析软件需求分析是软件开发的重要阶段之一，它决定了软件开发者将开发什么样的软件。
数据挖掘技术可以分析用户的使用行为和需求，以发现潜在的用户需求。
通过对大量的用户数据的分析，数据挖掘技术可以发现用户的使用习惯、喜好和需求，从而提供给软件开发者有关用户需求的重要信息。
5. 软件质量评估软件质量是评估软件系统的关键指标之一。
数据挖掘技术根据质量的标准，如可靠性、可维护性和易用性等，对软件系统的各个方面进行评估。
通过对历史数据的分析，数据挖掘技术可以发现哪些程序模块对软件系统的质量产生了重要影响，并给出相应的建议。
基于大数据时代的软件工程技术分析
基于大数据时代的软件工程技术分析随着互联网和尤其是移动互联网的普及，越来越多的数据被收集、存储、分析和利用，这也给软件工程技术带来了新的挑战和机遇。
基于大数据时代的软件工程技术不仅需要具备传统的软件开发技能，还需要具备从数据中挖掘价值的能力。
本文从以下几个方面分析了基于大数据时代的软件工程技术。
一、机器学习机器学习是在大数据时代中应用最广泛的技术之一。
它是一种基于统计学的数据分析方法，可以为软件工程师提供从海量数据中挖掘出有价值信息的能力。
在软件开发过程中，机器学习可以被用于创建自适应算法、优化搜索和推荐系统等应用程序，从而提高应用程序的自动化程度和用户体验。
二、数据挖掘数据挖掘是另一种在大数据时代中广泛使用的技术。
它是将大数据中的未知信息提取出来的过程，通过使用数据挖掘技术，软件工程师可以发现隐藏在数据背后的规律性，例如趋势、偏好和规律等等。
在软件开发中，数据挖掘可以用来发现应用程序中的用户行为模式，从而帮助开发人员设计更好的用户体验和功能。
三、云计算云计算是一个充满活力的领域，已经成为了现代软件开发的一部分，并在提供计算资源的同时提供管理功能、可扩展性、弹性和安全性等方面提供各种优势。
云计算可以帮助软件工程师实现在分布式网络上存储、访问和处理大量数据的能力。
四、物联网物联网是另一个使软件工程师在大数据时代具有竞争力的领域。
这种技术使得设备、传感器和其他设备能够相互连接和交换数据。
与云计算相结合，物联网技术可以提供从设备中收集、存储和处理数据的方法。
这种技术不仅可以提供有关设备操作的信息，还可以提供与设备相关的其他信息，例如环境和机器状态等。
总之，在大数据时代中，软件工程技术必须适应新的挑战和机遇。
机器学习、数据挖掘、云计算和物联网等新技术可以让软件工程师更好地利用大数据资源和处理大数据变得更加简单和快速。
- 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)。
数据挖掘技术在软件工程中的应用研究
发表时间：2018-06-20T10:03:11.023Z 来源：《电力设备》2018年第5期作者：张佳鑫李爱萍
[导读] 摘要：社会发展的信息化水平在不断提高，越来越多的信息资源被相应的数据所替代，而实现这些信息资源充分利用的前提即是对其相应的数据进行管理与分析。
（太原理工大学计算机科学与技术学院山西太原 030024）
摘要：社会发展的信息化水平在不断提高，越来越多的信息资源被相应的数据所替代，而实现这些信息资源充分利用的前提即是对其相应的数据进行管理与分析。
数据挖掘技术作为一种新型的网络技术，在软件工程的大数据分析中占据核心地位，有利于提高数据的可靠性与安全性。
本文主要分析了数据挖掘技术在软件工程中的应用策略。
关键词：数据挖掘；软件工程；策略；发展
随着信息技术的不断发展，日常生活中人们所接触的信息量越来越多，如何在众多信息量中找到自己有用的信息，成为影响人们工作效率和工作质量的关键因素，而数据挖掘技术的应用则能很好的解决这个问题。
所谓数据挖掘是指在大量、无序、模糊的数据中挖掘出其中有用的信息的过程，它能实现信息的分类、聚类并进行偏差分析。
数据挖掘技术一般流程为数据预处理、数据挖掘、模式评估与知识表示等等，笔者结合实际经验，分析了数据挖掘技术在软件工程中的应用策略，对数据挖掘技术的发展提出了几点思考。
1数据挖掘技术概述
1.1数据挖掘技术的定义
数据挖掘技术，也成为数据库中的知识发现，发展于上个世纪末，是当前数据库领域内最新的应用研究技术。
历经多年的发展，数据挖掘技术已成为当前数据库领域内最为关键的组成部分，但是还没有较为统一的定义。
当前数据挖掘技术定义认可度最高的便是由W.J.Frawley等人所提出的，将数据挖掘技术理解为从数据中提炼出更为高效、更为新颖、更具潜在应用价值，并最终可理解模式的非平凡过程中。
主要具有如下多方面内容：
（1）数据源务必真实、数据量较大、并含噪音，不完全；
（2）应用于获取终端用户兴趣较高的未知知识信息；
（3）所获取的知识具备有效性、新颖性，且为潜在的；
（4）更用于发现特定的问题，对知识量没有过多要求；
综合而言，数据挖掘属于复杂度较高的交叉学科，包括人工智能、模式识别、统计学、数据可视化等等交叉性相对较大的新型学科，未来拥有良好的发展空间。
1.2数据挖掘技术一般流程
一般而言，数据挖掘主要由数据预处理、数据挖掘以及模式评估和知识表示等三阶段组成。
具体如下：
（1）数据预处理。
主要由原始信息获取、数据清洗、数据抽取及数据交换等构成。
原始数据获取在于获取发现任务的处理对象，主要按照相应的需求而获取数据。
数据清洗目的在于完善原始数据所缺失的数据。
数据抽取指将特定的数据源中获取与分析任务相关的数据。
数据转换在于规格化数据，以满足特定范围要求。
（2）数据挖掘，第一步便是明确挖掘任务，包括数据分类、数据总结等等，紧接着便是确定挖掘算法，应结合数据实际特点以及具体系统特定需求来确定算法。
（3）模式评估与知识表示。
模式用于表示数据挖掘所形成的结果，用特定的兴趣度进行度量，用于识别表示知识的真正有趣模式。
在此之中所使用的度量特定值通常由领域专家、用户标准等给出
2数据挖掘技术在软件工程中的应用情况
2.1执行记录
对于执行记录挖掘来说，就是分析程序执行路径，找寻存在于程序中的代码关系，将数据挖掘及时应用到软件工程中就是跟踪相关执行路径，在逆向建模的作用下达到既定目标，其主要作用是维护与验证程序。
在执行记录的过程中，主要是插装系统，然后用相关软件接口编程，同时记录相关变量等，最终将收集来的信息整合在一起，构建相应的系统模型。
2.2漏洞检测
在软件工程中利用数据挖掘技术进行漏洞检测，主要是为了及时发现存在于软件开发中的问题，这样就可以尽快将漏洞弥补，对提高软件质量有很好的作用。
通常情况下，利用数据挖掘及时检测软件漏洞看，就是先对软件进行系统测试看，同时根据用户需求制定出科学合理的应对措施。
然后将各种漏洞数据收集整理在一起，逐一做好数据清理与转换。
通过分析这些数据信息能够得知，为做好数据清理工作，就需要将多余数据清理出去，然后对丢失项目进行补充，这样再将数据属性以数值的形式体现出来。
其次，要构建合适的数据模型，做好验证与训练。
在这一过程中应重视与项目实际的联系，选择与之相匹配的挖掘方式，以便构成测试集，获得相应结果。
此外，还要做好漏洞扫描与分类，将所有漏洞整理起来构成漏洞库，然后再次扫描，防止漏洞遗失，最后将通过挖掘得来的数据知识应用到软件测试中。
2.3开源软件
对于开源软件来说，其挖掘环境带有明显的开放性与全面性特征，所以，在管理这样的软件时，就不能使用传统软件的开发方式。
一般而言，较为成熟的开源软件，能够详细记录开发中所遇到的错误，同时也包括软件开发者的一些活动，以及软件在市场中的应用情况。
对于参与软件开发的人员来说，他们是社会网络的主要创造者，然而，由于开源软件的开放特征较为明显，所以也就让这些参与人员随之发生变化。
同时，由于开源软件还带有动态特征，所以就需要重视开源项目的进一步管理，也就是由专业人士管理软件系统，在这项工作中做的最好的莫过于英国牛津大学的Sima系统。
2.4版本信息控制
在版本信息控制应用中，主要是确保项目参与者所使用的档案相同，这样也有利于全面更新。
对于软件工程开发来说，通常会用版本控制系统管理与开发软件。
同时利用版本信息控制，选择合适的变更历史信息的方法，以便获取不同模块，在这种情况下子系统也可以相互映衬，这对深度挖掘程序变化，做好漏洞检测具有重要作用。
随着数据挖掘技术在软件工程中的应用，不仅可以有效减少系统维护资
金，还可以防止系统变更出现漏洞，这对后期维护软件具有很好的控制作用。
所以，在软件工程的开发与维护中一定要重视数据挖掘技术的应用，只有这样才能真正做好软件开发，发挥其应有作用。
3软件工程数据挖掘技术应用未来发展
随着科学技术的快速发展，软件工程的研发不断完善和更新，未来满足人们不同使用需求，软件工程的程序在实际开发过程中出现了很多问题，例如工程代码编写失误、静态及动态规则的问题，这些问题已经严重的影响着当前数据信息时代的快速发展。
为了解决这个问题，研发人员对于当前数据管理处理方式的方法也发生了巨大转变，这个转变意味着数据挖掘未来的方向已经开始发生变化。
随着互联网信息时代的来临，数据挖掘技术面临着复杂的大数据信息，研发人员采用了云处理方法解决了复杂的数据信息问题，提升了数据挖掘速度。
这种方法意味着数据挖掘技术面临着更多的不可预知的变化，因此研发人员需要不断学习，完善数据挖掘技术，从而最大化的提升数据挖掘效率。
4结语
软件工程自身发展的复杂性，必然决定了软件开发时需应用更具量化的精准评估工具，这也突出了数据挖掘技术应用的必要性，以满足软件工程开发过程中众多个性化需求。
历经多年的发展，数据挖掘技术应用于软件工程中已产生良好的经济效益，从而给软件应用者提供积极有效的决策数据。
因而，在后续的软件工程发展中应该推动数据挖掘技术的大范围深入应用。
参考文献
[1]大数据时代的数据挖掘技术分析[J].曹诚诚.数字技术与应用.2017(12).
[2]数据挖掘技术在网络营销中的应用构架实践[J].刘思皖.电子测试.2018(02).
[3]公共管理中的数据挖掘技术应用之研究[J].孙振国.环渤海经济瞭望.2017(11).
[4]数据挖掘技术在企业客户关系管理中的应用[J].孙津.统计与管理.2017(12).
[5]大数据时代的数据挖掘技术与应用[J].孙福利.电子技术与软件工程.2018(01).。