关于数据挖掘研究现状及发展趋势的探究_任新社
数据挖掘技术发展与趋势分析
数据挖掘技术发展与趋势分析一、数据挖掘技术的定义数据挖掘技术是指利用计算机技术和数学模型，从大量的数据信息中获取有价值的信息和知识的过程，它是一种对于未知数据，从数据集合中挖掘出隐含的、先前未知的、有潜在的、有用的信息的方法。
二、数据挖掘技术的发展历程1. 早期的统计学方法：数据挖掘技术的雏形可追溯到20世纪初期的统计学方法，主要利用图表、统计量等手段进行数据分析和数据挖掘。
2. 人工智能方法：20世纪60年代，人工智能方法逐渐被引入到数据挖掘中，主要应用在图像识别和自然语言处理等领域。
3. 机器学习方法：20世纪80年代，机器学习方法逐渐兴起，成为数据挖掘的主要手段，主要有决策树、神经网络、支持向量机等方法。
4. 数据挖掘软件的兴起：随着计算机技术的快速发展，数据挖掘软件也逐渐兴起，例如SPSS、SAS、WEKA等。
5. 应用领域的扩展：随着数据挖掘技术的不断发展，其应用领域也越来越广泛，包括金融、医疗、电信、社交网络等领域。
三、数据挖掘技术的趋势1. 大数据和云计算：随着大数据和云计算技术的不断发展，数据挖掘技术的应用场景会更加广泛。
2. 深度学习：深度学习是机器学习的一种，它可以对海量数据进行更加精准的分析，未来数据挖掘技术中深度学习将发挥越来越重要的作用。
3. 自然语言处理：自然语言处理是人工智能的一个分支，数据挖掘技术可以辅助自然语言处理技术，使其更加精准和有效。
4. 社交网络分析：随着互联网的发展和社交网络的普及，社交网络分析将成为数据挖掘技术的重要应用领域。
5. 数据隐私保护：随着大数据时代的到来，数据隐私保护问题也越来越突出，数据挖掘技术需要考虑如何保护用户的隐私。
四、总结数据挖掘技术的发展历程可以追溯到20世纪初期的统计学方法，经历了人工智能、机器学习等多次技术革新，并且随着大数据和云计算技术的发展，未来数据挖掘技术的应用场景会更加广泛，同时还需要关注数据隐私保护等问题。
计算机软件工程数据挖掘及发展趋势分析
计算机软件工程数据挖掘及发展趋势分析随着计算机技术的不断发展，数据成为了当今社会的一个重要资源。
越来越多的信息被数字化存储，这为数据挖掘技术的发展提供了更多的机会和挑战。
数据挖掘是一种通过利用计算机技术和统计学方法来发现数据之间的潜在联系和规律的过程，其在计算机软件工程中扮演着重要的角色。
本文将从计算机软件工程数据挖掘的定义、技术及应用实例入手，探讨其发展趋势，并对未来的发展做出一些展望。
一、计算机软件工程数据挖掘的定义计算机软件工程数据挖掘是指通过对软件工程领域的数据进行分析和挖掘，从中发现其中的规律和蕴含的知识。
这些数据包括软件开发过程中的代码、文档、用例、需求和质量指标等，以及软件运行过程中的日志、错误报告、用户行为等。
通过对这些数据的挖掘，可以帮助软件工程师发现软件开发和维护过程中的问题，提高软件质量和效率。
1.数据预处理数据挖掘的第一步是对原始数据进行清洗和预处理。
这包括数据清洗、数据集成、数据变换和数据规约。
数据清洗是指发现并纠正数据中的错误或不完整的部分，数据集成是指将来自不同源头的数据整合到一个统一的数据源中，数据变换是指将数据映射到合适的表达方式，数据规约是指减少数据量以提高挖掘效率。
2.数据挖掘技术数据挖掘技术包括分类、聚类、关联规则挖掘、时序模式挖掘等。
分类是将数据分成不同的类别，聚类是将数据分成不同的簇，关联规则挖掘是找出数据中的关联关系，时序模式挖掘是发现数据中的时间模式。
这些技术可以帮助软件工程师发现软件开发和运行中的问题，并提供解决方案。
目前市面上有很多优秀的数据挖掘工具，如RapidMiner、Weka、Knime等，这些工具提供了丰富的数据挖掘算法和可视化界面，可以帮助软件工程师快速地完成数据挖掘任务。
这些工具的推出，使得数据挖掘技术在软件工程领域得到了更广泛的应用。
1.缺陷预测通过对软件开发过程中的数据进行挖掘，可以帮助软件工程师预测软件中的缺陷。
可以通过代码静态分析和软件可靠性模型来发现代码中的潜在问题，从而提前进行修复，降低软件的风险。
信息科学中的数据挖掘技术发展趋势分析
信息科学中的数据挖掘技术发展趋势分析随着信息技术的快速发展和大数据的出现，数据挖掘技术在信息科学领域中扮演着越来越重要的角色。
数据挖掘是一种从大量数据中发现隐藏在其中的有用信息的技术。
它结合了统计学、人工智能和机器学习等相关领域的方法和技术，通过使用算法、模型和工具来发现数据中的模式、规律和趋势。
在信息科学中的数据挖掘技术发展趋势方面，可以从以下几个方面进行分析：1.机器学习的应用：机器学习是数据挖掘中一项重要的技术，它可以让计算机通过学习数据的模式和规律来进行预测和决策。
随着深度学习和神经网络等机器学习技术的发展，数据挖掘将更加依赖于机器学习算法的应用。
未来，我们可以预见到更多复杂的机器学习算法将被应用于数据挖掘中，以提高数据挖掘的准确性和效率。
2.多源数据的挖掘：随着信息时代的来临，数据来源变得更加多样化和庞大化。
传统的数据挖掘技术主要针对的是结构化数据，而如今，大量非结构化和半结构化数据也成为了数据挖掘的重要来源。
未来的发展趋势将会更加注重多源数据的挖掘技术和方法，以从不同的数据源中发现更有价值的信息。
3.实时数据挖掘：传统的数据挖掘方法主要是对静态数据进行分析和挖掘，而随着物联网和社交媒体等大量实时数据的产生，实时数据挖掘成为了一项重要的技术需求。
未来，实时数据挖掘技术将得到更多的关注，用于实时监测和预测分析等领域。
4.隐私保护与数据安全：由于大数据的挖掘和分析涉及到大量的个人隐私数据，隐私保护和数据安全成为了数据挖掘技术发展中的一个重要问题。
未来的数据挖掘技术将注重隐私保护方法的研究，以保证在数据挖掘过程中个人隐私的保护和数据安全的可靠性。
5.可解释性与透明度：数据挖掘技术的结果应该能够被解释和理解，以便用户能够理解其背后的原因和推理过程。
未来，数据挖掘技术的发展将注重模型的可解释性和透明度，以提高数据挖掘结果的可信度和可操作性。
总之，信息科学中的数据挖掘技术将在未来继续发展壮大。
机器学习的应用、多源数据的挖掘、实时数据挖掘、隐私保护与数据安全以及可解释性与透明度等方面都将成为数据挖掘技术发展的重要趋势。
数据挖掘发展现状
数据挖掘发展现状
数据挖掘是一种通过从海量数据中寻找模式、关系和趋势来提取有用信息的技术。
随着大数据时代的到来，数据挖掘的发展变得愈发重要和迫切。
当前，数据挖掘正处于快速发展的阶段。
一方面，数据挖掘技术正在不断提升和完善。
随着计算能力的提升和算法的创新，数据挖掘技术在处理复杂、大规模数据时取得了巨大进展。
各种新型的机器学习算法、模式识别方法和聚类分析模型等不断涌现，为数据挖掘的应用场景拓宽了可能性。
另一方面，数据挖掘在各个领域得到了广泛应用。
从金融、零售到医疗、交通，数据挖掘技术正在帮助各行各业发现隐藏在数据背后的有用信息。
在金融领域，数据挖掘可用于风险评估、欺诈检测等；在电子商务领域，数据挖掘可用于推荐系统、客户分类等；在医疗领域，数据挖掘可用于疾病预测、药物研发等。
数据挖掘的广泛应用使得其在商业和科研中具有巨大价值。
然而，数据挖掘也面临一些挑战和问题。
首先是隐私保护问题。
随着个人数据的大规模收集和使用，对数据隐私的保护变得尤为重要。
如何在数据挖掘过程中保护用户隐私成为一个亟需解决的问题。
其次是数据质量问题。
数据质量差劣会导致数据挖掘的结果不准确或不可靠，因此在数据挖掘前的数据清洗和预处理非常关键。
总的来说，数据挖掘正朝着更加成熟和广泛应用的方向发展。
随着对数据的需求不断增长，数据挖掘技术将在未来继续发挥
重要的作用，帮助人们更好地理解和利用数据。
同时，我们也要积极面对数据挖掘中的挑战和问题，不断探索解决方案，保持数据挖掘技术的健康发展。
数据挖掘与数据分析的发展趋势研究
数据挖掘与数据分析的发展趋势研究随着科学技术的不断进步，数据的重要性也越来越凸显。
数据挖掘和数据分析成为当前热门的研究领域，它们不仅可以帮助企业发现潜在的商机，提高市场竞争力，还可以帮助政府制定更科学的政策。
近年来，随着新技术的不断涌现，数据挖掘和数据分析也呈现出一些明显的发展趋势。
1.机器学习的广泛应用机器学习是数据挖掘和数据分析的核心技术之一，它能够帮助计算机不断学习和提高自己的能力。
机器学习已经在多个领域得到了广泛应用，比如物联网、人工智能、自动驾驶等。
在数据挖掘和数据分析中，机器学习的应用也是不可或缺的。
未来，机器学习将进一步深化和扩展，会更加广泛地应用在各个领域，让人们的生活更加智能化。
2.数据可视化的重要性不断提升数据可视化是将数据转化为图像和视觉元素，使得数据更加易于理解和传达的技术。
数据可视化已经成为数据挖掘和数据分析的重要手段之一。
在未来，数据可视化将不断提升其重要性。
随着数据规模不断扩大，传统的数据分析方法已经无法满足需求。
因此，数据可视化将成为数据分析师的必备技能之一，帮助他们更好地发现数据中的价值和趋势，为企业和政府制定更合理的决策提供更有力的支持。
3.大数据与云计算的深度融合随着互联网的不断发展，数据量呈爆炸式增长。
传统的数据处理方式已经无法满足需求，大数据和云计算成为了解决方案之一。
云计算的出现，大大降低了数据存储和处理的成本。
未来，大数据和云计算的深度融合将带来更多的创新和生产力，从而推动数据挖掘和数据分析的进一步发展。
4.深度学习技术的崛起深度学习是机器学习的一种，它是模拟人类肌肉神经元运作原理建立的一种算法，可以让机器实现复杂的判断和决策。
在人工智能领域，深度学习已经被成功应用于图像识别、语音识别和自然语言处理等领域。
在数据挖掘和数据分析中，深度学习技术也会被广泛应用，能够让机器更清晰地理解和处理数据，发现数据中的价值和趋势。
5.数据挖掘和数据分析服务的云化趋势随着云计算和大数据发展，越来越多企业将自己的数据存储在云端。
数据挖掘应用研究前沿和发展趋势
数据挖掘应用研究前沿和发展趋势作者：任冷来源：《科技与创新》2016年第16期摘要：互联网催生了大数据，在互联网渗透各个产业的过程中，同时也实现了数据电子化，使产生的大数据具备了前所未有的利用价值。
大数据将通过自己的“智慧”，重塑了很多产业。
因此，研究了数据挖掘在各行业的应用，以及在这些应用要求下面临的技术挑战和发展趋势。
关键词：数据挖掘；应用研究；新的挑战；发展趋势中图分类号：TP311 文献标识码：A DOI：10.15913/ki.kjycx.2016.16.007近年来，互联网已经融入我们生活中的方方面面，尤其是这几年以来，在互联网技术的推动下，很多行业都已经从传统的模式转变成了物联网模式，又从物联网变成了现在的“互联网+”运营模式了。
海量数据的分析就显得尤为重要，那么数据挖掘技术的发展就会有了质的飞跃，将来也会成为企业发展一个必需的依赖技术。
数据挖掘典型的应用领域包括金融、医疗、零售和电商、电信、交通等。
另外，由于新的数据类型也随着技术进步不断增加，因此本文指出了数据挖掘的发展趋势和所面临的挑战。
1 数据挖掘的应用数据挖掘所要处理的问题就是在庞大的数据中找出有价值的隐藏事件，并加以分析，获取有意义的信息和模式，为决策提供依据。
数据挖掘应用的领域非常广泛，只要有分析价值与需求的数据，都可以利用挖掘工具进行发掘分析。
目前，数据挖掘应用最集中地领域包括金融、医疗、零售和电商、电信和交通等，而且每个领域都有特定的应用问题和应用背景。
1.1 金融领域不管是银行，还是其他金融机构，都存储了海量的金融数据，比如信贷、储蓄与投资等金融数据。
对于这些数据，运用数据挖掘技术进行有针对性的处理，将会得到很多具有价值的知识。
金融数据具有可靠性、完整性和高质量等特点。
这在很大程度上利于开展数据挖掘工作以及挖掘技术的应用。
数据挖掘在金融领域中有许多具体的应用，例如分析多维数据，以把握金融市场的变化趋势；运用孤立点分析等方法，研究洗黑钱等犯罪活动；应用分类技术，对顾客信用进行分类，为维持与客户的关系以及为客户提供相关服务等决策提供参考。
简述数据挖掘技术的发展趋势
简述数据挖掘技术的发展趋势随着信息时代的到来，数据的产生量不断增加，数据挖掘技术逐渐成为了信息处理和利用的重要手段。
数据挖掘技术的发展趋势也随之不断发展和变化。
数据挖掘技术的应用领域不断扩大。
从最初的商业应用，如市场营销和客户关系管理，到医疗保健、金融、安全等领域，数据挖掘技术的应用正在逐渐涵盖更多的领域。
特别是在智能制造、工业互联网等领域，数据挖掘技术也有了广泛的应用。
数据挖掘技术的算法不断优化和改进。
从最初的关联规则、分类、聚类算法，到现在的深度学习、神经网络等算法，数据挖掘技术的算法不断地在不断地更新和创新，以满足不同领域的需求。
第三，数据挖掘技术与其他技术的结合不断深入。
随着云计算、大数据、人工智能等技术的不断发展，数据挖掘技术与这些技术的结合越来越紧密。
例如，大数据技术提供了更好的数据存储和管理，云计算技术提供了更好的计算资源，人工智能技术提供了更高级的数据分析和决策支持，这些技术的结合都进一步提升了数据挖掘技术的效率和应用价值。
第四，数据挖掘技术的可视化和交互性不断加强。
传统的数据挖掘技术通常需要专业的数据分析师进行操作和分析，但是随着数据可视化和交互性的发展，普通用户也可以通过图表、仪表盘等方式进行数据分析和决策支持，提高了数据挖掘技术的普及性和适用性。
数据挖掘技术的隐私保护和安全性问题越来越突出。
在大数据时代，涉及个人隐私的数据越来越多，数据挖掘技术的隐私保护和安全性问题也越来越受到关注。
因此，数据挖掘技术的研究和应用必须兼顾数据挖掘效率和隐私保护、安全性等方面的需求，以确保数据的安全和有效利用。
数据挖掘技术的发展趋势包括应用领域不断扩大、算法不断优化、与其他技术的结合不断深入、可视化和交互性不断加强以及隐私保护和安全性问题越来越突出等方面。
这些趋势都表明，数据挖掘技术的未来将会更加广泛和深入地应用于各个领域，为人们的生产和生活带来更多的便利和价值。
机器学习技术在数据挖掘中的发展现状与未来趋势
机器学习技术在数据挖掘中的发展现状与未来趋势随着大数据时代的到来，数据挖掘成为了一项重要的技术。
在数据挖掘中，机器学习技术发挥着重要的作用。
它可以帮助我们从庞大的数据中提取出有用的信息和模式，为决策提供支持。
本文将探讨机器学习技术在数据挖掘中的发展现状与未来趋势。
首先，机器学习技术已经在数据挖掘领域取得了显著的进展。
传统的数据挖掘方法往往需要人工提取特征并构建模型，而机器学习技术可以通过学习数据中的模式和规律，自动构建模型，并从中挖掘出有价值的信息。
例如，通过机器学习算法，可以对用户的购买行为进行预测，从而提供个性化的推荐服务。
此外，机器学习技术还可以用于图像识别、语音识别等领域，提高了这些领域的准确性和效率。
然而，机器学习技术在数据挖掘中仍然面临着一些挑战。
首先，大多数机器学习算法需要大量的标注数据进行训练，但标注数据往往很难获得。
其次，传统的机器学习算法对于非结构化数据处理的能力有限，这限制了它们在处理自然语言、图像等非结构化数据时的效果。
此外，机器学习算法的可解释性也是一个问题，人们往往难以理解模型为何做出某个决策，这在某些敏感领域（如医疗和金融）中尤为重要。
为了解决这些挑战，研究者们提出了许多新的机器学习方法。
例如，迁移学习（transfer learning）技术可以通过利用已有的知识，从而减少对标注数据的依赖。
迁移学习可以将已学得的知识应用于新的任务，从而加速学习过程。
另外，深度学习技术（deep learning）近年来取得了巨大的进展，在处理非结构化数据方面有着显著的优势。
深度学习通过模拟人脑神经网络的结构，可以更好地表达数据之间的关系，提高模型的准确性。
未来，机器学习技术在数据挖掘领域仍然有着广阔的发展空间。
首先，随着云计算和分布式计算技术的发展，计算能力将进一步提高，这将有助于提高机器学习算法的性能和效率。
其次，随着物联网的兴起，我们将迎来更多的数据源，这将为机器学习提供更多的机会和挑战。
数据挖掘技术现状和发展
数据挖掘技术现状和发展[摘要]数据挖掘是一个年轻且充满希望的研究领域。
介绍了数据挖掘的概念、常用方法、数据挖掘过程、数据挖掘软件的评价方法。
对数据挖掘应用领域和研发方向做了展望。
[关键词]数据挖掘数据集合数据挖掘是一个新兴的边缘学科，它汇集了来自机器学习、模式识别、数据库、统计学、人工智能以及管理信息系统等各学科的成果。
多学科的相互交融和相互促进，使得这一新学科得以蓬勃发展，而且已初具规模。
一、数据挖掘概述数据挖掘（Data Mining），也叫数据开采等，从一个新的角度将数据库技术、KDD技术、统计学等领域结合起来，是按照既定的业务目标从海量数据中，从更深层发掘存在于数据内部的有效的、新颖的、具有潜在效用的乃至最终理解模式的高级处理过程。
二、数据挖掘对象根据信息存储格式，用于挖掘的对象有关系数据库、面向对象数据库、数据仓库、文本数据源、多媒体数据库、空间数据库、时态数据库、异质数据库以及Internet等。
三、数据挖掘过程数据挖掘是一个循环往复的过程，通常涉及数据准备、建立模型、评估和解释模型、运用和巩固模型等步骤。
（1）数据准备：数据准备工作包括数据的选择（选择相关和合适的数据）、探索（了解数据分布情况和异常数据等）、修正（包括缺失数据的插值等）和变换（离散值数据与连续值数据的相互转换，数据的分组分类，数据项的计算组合等）。
（2）建立模型：选取数据挖掘工具提供的算法并应用于准备好的数据，选取相应参数，生成模型。
（3）评估和解释模型：对模型进行比较和评估，生成一个相对最优模型，并对此模型用业务语言加以解释。
（4）运用和巩固模型：如果模型表现不好，则对模型作进一步的考察和修正，以反映业务运作规律的变化。
（5) 模型评估：对模型在实际应用中的表现进行监控，并检查构建模型的每个步骤，确认其是否真正实现了预期的目的。
四、数据挖掘常的基本技术（一）统计分析方法。
在数据库字段项之间存在两种关系：函数关系(能用函数公式表示的确定性关系)和相关关系(不能用函数公式表示，但仍是相关确定性关系)，对它们的分析可采用统计学方法，即利用统计学原理对数据库中的信息进行分析。
空间数据挖掘技术的研究现状与发展趋势
c)基于机器 学习 的方 法。一 般需 要先 验知 识, 是一 个反 复学习的过程, 计算量相对较大。方法。
本文基于空间数 据挖掘的含义, 对空间数据挖掘的体系结 构和系统原型进行了 概述, 总结了空间数据挖掘的过程及研究 方法, 并对下一步的发展方向进行了展望。
111 空间数 据挖掘的定义 空间数据挖 掘是指从空间数据库中提取隐含的、用户感兴
趣的空间和非空 间模式、普遍特 征、规则和 知识的过 程。空间 数据挖掘是一个交叉学 科领域, 受 多个学 科的影响 , 包 括空间 数据库 系统、统计学、机器学习 、模式 识别、可视化和 空间信息 科学等 [ 5]。
四个组件通过控制器进行交互挖掘的结果最终传给用户空间数据挖掘的原型系统加拿大simon大学开发出了一种空间数据挖掘系统原geominer该系统在空间数据库建模中使用sand体系结根据用户的要求确定空间数据挖掘的目标知识类型选择合适的数据挖掘知识发现算法包括选取合适的模型和参数并使数据挖掘知识发现算法和整个空间数据挖掘的评判标准相一致运用选定的数据挖掘知识发现算法从数据库中提取用户需要的知识这些知识可以用特定的方式表示如特征表谓词逻辑产生式规则语义网络面向对象或可视化等根据某种有效性度量对数据挖掘知识发现的模式进行解释和评价空间数据挖掘的研究方法空间数据挖掘是多学科和多种技术交叉融合的新领域集了人工智能机器学习数据库技术模式识别统计学基于知识的系统可视化等领域的相关技术因而空间数据挖a基于统计学和概率论的方法
do:i 10. 3969 / .j issn. 100123695. 2009. 07. 001
- 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)。
１７１
关于数据挖掘研究现状及发展趋势的探究
任新社1，陈静远2
（1.河南大学商学院，河南开封475004；2.郑州铁路职业技术学院网络信息技术中心，
河南郑州463000）摘要：随着计算机信息技术的快速发展，网络信息数据呈现爆发式增长，尤其是商业、企业等积累的海量数据，这
些信息包含了多种类型，传统的数据检索技术已经难以满足用户的使用需求。
数据挖掘技术可以帮助人们迅速查找自己所需的资料，数据挖掘技术是人工智能、统计学、数据库技术、信息检索技术等多门学科的完美融合。
目前，我国关于数据挖掘技术的研究较少，很多研究成果难以直接应用，文章将深入地研究我国数据挖掘技术的现状与趋势。
关键词：数据挖掘；程序算法；研究现状；发展方向中图分类号：TP311.13文献标识码：A 文章编号：1673-1131（2016）02-0171-02
0引言
21世纪是计算机信息技术的新纪元，网络上的资源呈现指数增长趋势，这些信息覆盖了很多具有价值得信息数据，包括商业信息、科研信息、技术信息等，当相对于海量的网络信息数据，对客户有价值的数据仍然十分有限。
传统的信息检索技术具有一定局限性，对用户有一定专业要求，数据挖掘技术可以对信息数据进行快速、高效、准确的分析，提取网络信息数据的有用知识，数据挖掘技术是多学科的交叉，建立在低级的数据检索技术之上。
1数据挖掘技术简介
数据挖掘技术（Data Mining ，DM ）又称为数据采矿、资料
勘查，数据挖掘技术属于数据库知识发现（Knowledge-Dis-covery in Databases ，KDD ）的重要环节之一，数据挖掘技术的主要目的是从海量网络数据中发掘潜在的高价值数据。
数据挖掘技术是伴随计算机技术发展而来的，需要通过统计学、人工智能、识别模式等多种方式来实现。
数据挖掘技术主要应用了如下理论：
建模技术、人工智能、模式识别与机器学习的搜索算
法。
数据库知识发现的过程由多个步骤组成，具体的流程如图1
所示。
图1数据库知识发现的具体流程
数据库知识发现的具体流程如下：①领域学习，选择某个特定领域，学习该领域应用的预先知识以及目标；②目标数据，通过选择一个或者多个数据集合进行聚焦，从而建立一个目标数据集；③清理与预处理，对目标数据集进行除噪处理，去除数据集中的无关数据，同时将时间顺序与数据变化纳入模型中；④数据转换，对数据特征与规律进行研究，并根据数据的规律特征进行编码，编码时尽量减少模型中的变量；⑤建立数据挖掘模型，明确数据挖掘的目的，根据数据挖掘的目的建立模型，常见的数据挖掘模型包括数据汇总、数据分类、数据聚合等；⑥数据挖掘，利用已经建立的数据挖掘模型对特定的数据进行挖掘；⑦解释，解释数据挖掘的过程以及发现的数据类型，去掉无价值的数据，将数据进行综合，汇总转化成所需的知识；⑧评估数据，将挖掘的数据用于实际应用之中，检验评估数据的有效性。
2数据挖掘技术的发展史
数据挖掘技术主要经历了四个阶段：
上世纪90年
代，Web 技术的创新，导致网络信息呈现爆炸式增长，很多企业处于粗放式营销模式，该阶段的数据挖掘技术已经成为可以集成数据库，系统支持多种挖掘模型同时运行；
第四个阶段是全程电子商务阶段，SaaS 软件服务模式的出现延长了电子商务产业链，原始数据挖掘技术成为一门独立的学科，该阶段的数据挖掘技术将移动数据以及各种计算设备的数据进行了有机融合。
数据挖掘技术的历程介绍如表1所示。
表1
各个阶段的数据挖掘技术介绍
3数据挖掘技术的成果
目前，我国数据挖掘技术研究已经取得了巨大的成果，常用的数据挖掘模型包括神经网络模型、决策树模型、遗传算法模型、粗糙集模型、模糊集模型、关联规则模型等。
（1）神经网络模型是建立在仿生学理论之上，通过模拟生物神经系统等运作模式，训练人工智能学习非线性预测，神经网络模型可以实现数据聚合、数据分类等多种功能，神经网络模型的关键是权值的修改，该模型具有较强的抗干扰性与非线性学习能力，可以对复杂目标进行精确挖掘，但难以承担高危变量的处理任务；
（2）决策树模型，该模型可以通过一系列的规则对数据进行分类，其模型结构与程序树状结构相似，该模型结构简单，
2016年第2期（总第158期）
2016
（Sum.No 158）
信息通信
INFORMATION &COMMUNICATIONS
１７２
浅析软件工程标准化现状与分析
苑永健
（曲阜师范大学信息科学与工程学院山东日照276800）
摘要：信息化是当下社会发展的主要趋势，我国信息化产业发展主要依靠软件工程，因此，它成为了推动我国经济社会发展的动力之一。
但是在软件工程建设及开发方面遇到了各种各样的困难。
本文就软件工程标准化现状相关问题进行详细阐述和分析，希望能够进一步的推进软件工程标准体系的构建。
关键词：软件工程；标准化现状；分析；信息图分类号：TP311.52文献标识码：A 文章编号：1673-1131（2016）03-0172-02信息技术发展到今天，已经影响到了我们生活的各个领域，对于人类社会的进步带来了深刻的变革，同时也是我国加快实现现代化建设的必然选择。
软件工程标准化的建设和维护软件是一项巨大的工程，涉及到多方面的知识领域，其中包括了设计语言，软件开发，系统平台维护等方面；随着社会经济的不断发展，软件工程应用的范围变得越来越多，软件工程标准化因此建立起来，对软件工程标准化现状的各种问题进行了研究和分析。
1软件工程标准化的作用与意义
软件工程的开发需要借助于标准化管理的基础之上，主要是采取了标准化软件构建组装来加以实现了软件工程的规模化和标准化开发。
它是完全符合了科学管理的先进理念。
同时为了更好地在市场方面获取良好的效益，就必须要加强对于软件整体质量的监管和生产效率的保证。
因此就要建立一个软件标准化管理体系，是对于软件整体质量的最好手段。
软件工程标准化管理有利于软件工程人员整体素质的提高，树立起正确的管理观念。
且更加有利于软件开发得到企业的科学化管理，企业从资源开发和开发流程方面进行有效的整合，优化，从根本上杜绝了当下软件设计过程中存在的弊端，实现了软件开发的标准化；只有这样，我国的软件设计公司才会提高软件产品的整体规模和效益，使得软件在竞争激烈的市场中占据着领先地位。
2计算机软件工程化标准化的现状分析
2.1软件工程化标准在世界上发展历史
上个世纪，计算机的功能并没有得到良好的完善，其处理数据挖掘效率较高，但不适合多维变量数据的挖掘；
（3）遗传算法模型，遗传算法模型通过遗传结合、遗传变异、遗传交叉以及自然选择等手段来实现机器学习过程，该模型可以处理多种数据类型，但需要设置的参数十分庞大，建立模型的困难度较大；
（4）粗糙集模型，粗糙集模型可以处理模糊、不精确的数学问题，但难以处理延续的属性，数据处理前必须进行属性离散化；
（5）粗糙集模型，粗糙集模型可以对数据问题进行模糊识别、模糊分析、模糊分类以及模糊评估，该模型的复杂程度越高，其数据处理模糊性越强；
（6）关联规则模型，关联规则模型依赖数据与数据之间的关联性，其中最典型的关联规则模型是Apriori 模型，该模型可以挖掘源数据库中满足最小支持度与最小可信度的关联规则，从而通过关联规则挖掘数据。
4数据挖掘技术的发展方向
数据挖掘技术是多个学科的高度融合，因此数据挖掘技术的分支较多，可以从不同的角度研究数据挖掘技术，本文根据数据挖掘的对象进行分类，可以将数据挖掘技术分为空间数据库挖掘技术、时态数据挖掘技术、文本数据源挖掘技术、多媒体数据库挖掘技术、Web 数据挖掘技术以及文本挖掘技术等。
（1）多媒体数据挖掘技术。
多媒体数据挖掘技术的对象包括音频、视频、文本、文档、图片、图像等，网络上的数据类型十分丰富，常见的数据类型包括非结构化数据、结构化数据、半结构化数据。
多媒体数据挖掘技术基于多媒体数据建模、存储、挖掘，是多媒体数据库技术与数据挖掘技术的完美
融合。
（2）时态数据挖掘技术。
该技术通过分析数据的时间特性，总结数据变化律。
时态数据挖掘技术的关键是建立合适的时序表示模型，时态数据挖掘技术可以用于宏观经济预测，除此之外，还可以用于专利数据挖掘。
（3）Web 数据挖掘技术。
Web 数据挖掘技术是未来网络数据的主要发展趋势，随着网络信息资源的不断膨胀，网络数据呈现多样化、多元化、多态化，Web 数据挖掘技术可以为用户提供高质量的数据，其核心是在全球化的大数据集合中发现有高价值数据。
（4）文本数据源挖掘技术。
文本数据源挖掘技术实际上属于数据挖掘技术的重要分支，常见的文本数据源挖掘技术功能包括文本分类、文本分析、文本总结以及趋势分析，该技术也是数据挖掘技术的主要发展趋势之一。
参考文献：[1]毛国君.数据挖掘技术与关联规则挖掘算法研究[D ].北京工业大学,2003
[2]柴文光,周宁.网络信息安全防范与Web 数据挖掘技术的整合研究[J ].情报理论与实践,2009(3):97-101
[3]王新华,米飞,冯英春,赵玮.空间数据挖掘技术的研究现状与发展趋势[J ].计算机应用研究,2009,(7):2401-2403
[4]曹军.数据挖掘技术在银行客户关系管理中的应用研究[D ].湖南大学,2013
[5]
陈卓民.数据挖掘技术在国内外的研究和发展现状[J ].青年文学家,2009(16):122-123。