基于粒计算的数据挖掘算法研究
基于粒计算的系统建模及数据特征构建
基于粒计算的系统建模及数据特征构建汇报人：2023-12-11•引言•基于粒计算的模型构建•数据特征构建目录•基于粒计算的模型评估•实验与分析•结论与展望01引言当前，随着大数据时代的到来，数据呈现出爆炸式增长的趋势，如何有效地管理和处理这些大规模数据成为一个亟待解决的问题。
它通过对数据进行粒度划分，以更粗粒度的方式对大规模数据进行处理和分析，从而提高了数据处理效率。
粒计算作为一种处理大规模数据的理论和技术，近年来受到了广泛关注。
基于粒计算的系统建模及数据特征构建对于解决实际应用问题具有重要意义，如推荐系统、图像处理、自然语言处理等。
研究背景与意义研究内容与方法本文旨在研究基于粒计算的系统建模及数据特征构建方法，主要包括粒计算的基本理论、系统模型的构建方法、数据特征的提取与表示方法等。
研究方法本文采用理论分析和实证研究相结合的方法，首先对粒计算的基本理论进行深入探讨，然后构建基于粒计算的模型，最后通过实验验证模型的有效性和可行性。
02基于粒计算的模型构建粒计算是一种处理不确定、模糊和不完全信息的理论框架，通过将问题中的对象或属性进行划分，形成不同的粒度，从而简化问题的复杂性。
粒计算包括粗糙集理论、商空间理论、概念格理论等多种理论，这些理论都强调对信息的粒度划分和处理。
粒计算的基本思想是将问题中的信息进行分层抽象，形成一系列的粒度，每个粒度都具有特定的性质和特征。
粒计算基本原理在构建基于粒计算的模型前，需要明确问题的目标和约束条件，以便为后续的粒度划分提供指导。
确定问题的目标和约束条件对问题进行粒度划分建立粒度之间的关系建立基于粒计算的模型根据问题的特性和目标，将问题中的对象或属性进行划分，形成不同的粒度。
在确定了问题的粒度划分后，需要建立粒度之间的关系，以便为后续的模型构建提供基础。
根据问题的特性和目标，结合粒度之间的关系，建立基于粒计算的模型。
粒计算模型构建流程1 2 3粒计算通过对信息的分层抽象和处理，能够有效地处理不确定性和模糊性，为系统建模提供了有力的支持。
面向低质数据的粒计算与特征选择研究
面向低质数据的粒计算与特征选择研究面向低质数据的粒计算与特征选择研究是一项具有挑战性的任务。
在现实生活中，我们经常面临大量的低质量数据，这些数据可能存在噪声、异常值或缺失值等问题，使得数据质量不高。
因此，如何从这些低质数据中提取有用的信息并进行有效的特征选择成为了一个亟待解决的问题。
粒计算是一种处理大规模复杂系统的方法，它可以将一个复杂的问题分解成若干个较小的、更容易处理的子问题，从而简化问题的求解过程。
在面向低质数据的特征选择中，粒计算可以发挥重要作用。
通过将数据集划分为不同的粒度，我们可以从不同的角度观察数据，发现数据中的隐藏模式和规律，从而选择出更具有代表性和预测能力的特征。
具体而言，我们可以采用粒度矩阵等方法对数据进行粒化处理，将数据集划分为不同的粒度。
然后，我们可以通过比较不同粒度下的特征选择结果来确定最终的特征子集。
在比较过程中，可以采用不同的评估指标，如分类准确率、召回率、F1值等来评估特征选择的效果。
除了粒计算外，特征选择也是处理低质数据的关键技术之一。
特征选择可以帮助我们减少数据的维度，降低过拟合的风险，提高模型的泛化能力。
在面向低质数据的特征选择中，我们需要注意一些问题。
首先，由于数据质量不高，我们需要采用更加稳健的特征选择方法来
避免噪声和异常值的影响。
其次，由于低质数据中可能存在较多的冗余特征和无关特征，我们需要采用更加有效的特征选择方法来去除这些特征。
综上所述，面向低质数据的粒计算与特征选择研究是一项重要的任务。
通过采用粒计算和特征选择技术，我们可以从低质数据中提取有用的信息，提高数据的利用率和处理效率。
基于粒计算高效挖掘决策型关系数据库中关联规则
收 稿 日期 ： ０ ８ ０ － ６ ２０— ３０
作者简介： 赵小 龙 （９ ４ ）男 ， 徽 巢 湖人 。硕 士 研 究 生 ， 究 方 向 ： 计算 ， 据挖 掘 。 １７ 一 ， 安 研 粒 数
２ ２
维普资讯
Ｃ ｎ ｄ ｎ ｅ Ａ Ｂ ＝Ｐ（ Ｉ ｏｆ ｅｃ （ ｊ ） ｉ ＡＢ）
基于粒 计算 高效挖掘决策型关 系数据库 中关联 规则
赵 小龙 张 步群
（ 湖学 院计算 机 系 ，巢湖 安徽 ２ ８ ０ ） 巢 ３００
摘 要 ： 文章 提 出 了一种 基 于粒 计 算从 决 策 型 关 系 数 据 集 中快 速 提 取 关联 规则 方 法 。 照 按 属 性 利 用 等价 类 对 实体 进 行分 类 ， 用 分 类 后 的属 性 值 来 构建 粒 ， 出 了基 于 粒 计 算提 取 利 提 决 策 型 关 系数 据 库 的关 联 规 则算 法 ， 提取 关 系数 据 集 的 关联 规 则 ， 过 实 侧 来 验 证该 方 来 通 法 的有效 性 ， 后给 出 了性 能分析 ， 最 并指 出基 于 关 系数据 集上 的粒 计算 在提 取 关联 规 则方 面
联 规则挖 掘 。这 两种 方 法 中 ， 第一 种方 法 的转 换
设 Ｉ （ ， ， ， ， ） 项 的集合 。 任务相 关 ＝ ｉｉ ｉ … ｉ 是 ，： ３ 设
的数据 Ｄ是 数 据 库事 务 的集 合 ， 中每 个事 务 Ｔ 其 是 项 的集 合 ， 使得 Ｔ 。每一 个事 务 有一 个标 识 Ｉ
的不足 。
关键 词 ： 粒计 算 ； 关联 规则 ； 系数据 库 ； 据挖 掘 关 数 中图分类 号 ：Ｐ ｌ ． １ Ｔ ３ １ ３ １ 文献标 识码 ： 文 章编 号 ：６ ２ ２ ６ （０ ８ ０ 一 ｏ ２ ０ Ａ １７ — ８ ８ ２ ０ ）３ Ｏ ２ － ６
基于分布式计算的大规模数据挖掘算法研究
基于分布式计算的大规模数据挖掘算法研究随着互联网的发展和高性能计算的普及，大规模数据挖掘成为许多领域中的重要任务。
然而，随着数据量的爆炸式增长，传统的单机数据挖掘算法已经无法满足对大规模数据进行高效处理和准确挖掘的需求。
因此，基于分布式计算的大规模数据挖掘算法成为了重要的研究方向。
分布式计算是利用多台计算机共同完成计算任务的一种方式。
与传统的单机计算相比，分布式计算具有高性能、高扩展性和高可靠性等优势。
因此，将分布式计算技术应用于大规模数据挖掘中，可以进一步加速数据处理和挖掘的过程，并提高挖掘结果的准确性。
在分布式计算的框架下，大规模数据挖掘算法的研究主要包括以下几个方面：首先是数据划分与分发。
在分布式计算环境中，将大规模数据划分成多个子数据集，并将其分发到不同计算节点上进行并行挖掘是必要的。
数据划分的策略需要综合考虑数据的特征、任务的复杂度和计算节点的负载情况等因素，以保证各个子任务的负载均衡和数据关联的完整性。
其次是并行计算与通信。
大规模数据挖掘算法的并行计算是通过对数据集的子集进行独立计算，并通过通信机制进行信息交互和结果集合。
并行计算的设计需要充分利用计算节点之间的通信带宽，减少通信开销，并且合理安排计算任务的执行顺序，以提高整体计算效率。
然后是全局模型融合与更新。
由于数据集被划分为多个子集分布在不同的计算节点上，各个节点的局部模型需要进行融合和更新，以生成全局的准确模型。
模型融合的策略需要考虑各个局部模型的权重和贡献度，以及模型更新时的保序和收敛性，保证全局模型的准确性和稳定性。
最后是容错处理与算法优化。
在分布式计算环境中，计算节点的故障和数据通信的失败是不可避免的。
因此，容错处理对于大规模数据挖掘算法至关重要。
容错处理的方法包括节点故障检测与恢复、数据通信的重传和重试等。
此外，算法的优化也是大规模数据挖掘算法研究中的重点之一，包括任务调度算法、数据划分算法和通信优化算法等，以进一步提高算法的效率和性能。
基于粒计算的点抽稀算法及其应用
基于粒计算的点抽稀算法及其应用贾晓霞;袁晓娟;郑扬飞【期刊名称】《软件》【年(卷),期】2016(037)007【摘要】In recent years, with the development of geographic information, POI data is more and more serious, resulting in the superposition problem in the electronic map drawing. in order to better display the name / address data and produce better image effect, the need for data layer thinning. thinning layer data requires data mining association rules and establish the granular computing model, can achieve this point, so this paper from the angle of equivalent grain, the granular computing point thinning algorithm based on granular computing, this paper not only gives the point thinning algorithm based on text describes steps and implementation of SQLServer storage process of the algorithm and gives examples of proof, granular computing point thinning algorithm has the characteristics of simple, efficient and practical based, can meet the practical needs.%近年来，随着地理信息的发展，POI数据量越来越大,导致在电子地图配图时出现严重的叠加问题，为了更好地显示地名/地址数据及产生更好地配图效果，需要对图层数据进行抽稀，图层数据抽稀首先需要挖掘数据的关联规则并建立模型，而粒计算可以做到这一点，所以本文从等价粒的角度出发，提出了基于粒计算的点抽稀算法，本文不仅给出基于粒计算的点抽稀算法的文字描述步骤和实现该算法的 SQLServer 存储过程并且给出了实例说明，证明基于粒计算的点抽稀算法具有简单、高效、实用的特点，能满足实际需要。
基于粒度计算的聚类集成算法研究
基于粒度计算的聚类集成算法研究聚类集成(Clustering Ensemble)是近年来数据挖掘算法的研究热点之一,它借鉴集成学习的思想,通过融合函数来集成多个不同的聚类算法或同一聚类算法在不同参数下生成的聚类结果,最终获得比单一聚类算法更稳定更有效的结果。
随着信息技术的迅速发展,人们获取数据变得越来越容易,由于数据本身粗糙、模糊、不确定性的存在和人类认知层次的差异性,使得要想在结构复杂、动态递增的海量数据中寻找有用的知识信息变得更加困难。
粒度计算(Granular Computing,GrC)作为信息处理的一种新的观念和计算范式,为我们处理不精确、不确定信息提供了一整套的理论、方法、技术和工具。
它较好地模拟了人类在求解复杂问题时,从不同角度和不同粒层进行分析处理的能力,通过逐步尝试、由粗到细的办法,选择合适的粒度空间从而获得令人满意的解决方案。
本文应用粗糙集、模糊集等主要理论模型,结合半监督学习方法,基于粒度计算的思想从多层次多角度对聚类集成算法进行优化改进。
主要的研究内容包括以下几个方面:(1)针对聚类集成算法中,生成的基聚类结果存在不确定性、模糊性和重叠性,并且最终聚类结果的准确性容易受低质量基聚类成员的干扰等问题,从粒度计算的角度,提出一种基于知识粒度的聚类集成选择算法。
采用粒度距离(Granular Distance)的概念度量基聚类结果间的相似性,保证基聚类结果质量的同时增大了相互之间的差异性,有利于提高最终结果的质量;在融合函数的设计上,根据知识粒度的粒度值越小,知识的分辨能力越强原理,对共联矩阵元素的生成方法进行优化改进,得到更符合现实数据结构的样本相似度度量。
(2)传统的聚类集成选择算法通常把基聚类结果看作一个整体,采用评估指标或加权策略对基聚类成员进行选择,忽略了同一聚类结果中类簇之间的差异性。
针对此问题,结合粗糙集理论中的不确定性度量方法,提出一种基于粗糙模糊度的双粒聚类集成算法。
基于粒计算的大数据空间行为可视化技术仿真
第38卷第3期计算机仿真2021年3月文章编号：1006 - 9348(2021)03 - 0369 - 05基于粒计算的大数据空间行为可视化技术仿真郭亮(赣南师范大学，江西赣州341000)摘要:传统大数据行为可视化过程存在抗干扰性差、处理时间长的问题。
为此提出基于粒计算的大数据空间行为可视化技 术。
利用数据挖掘技术得到空间行为初始数据，通过矩阵向量来表示数据聚类图，根据粒计算的粒构建和分解原理，从粒度 空间优化和多粒度联合计算两个方面，得到粒计算的预处理结果，并进行空间行为轨迹变换，最终通过图像绘制输出空间行 为可视化结果。
实验结果表明，研究方法的稳定性更好，且在得出相同可视化处理结果的前提下，基于粒计算的空间行为可 视化技术的平均消耗时间仅为〇.02秒/KB，当实验对象数据量达到1GB时，与传统技术相比可节省873. 8秒的时间。
关键词：粒计算;大数据;空间行为;可视化技术中图分类号:TP181 文献标识码:BVisualization Technology Simulation of Large DataSpatial Behavior Based on Granular ComputingGUO Liang(Gannan Normal University,Ganzhou Jiangxi 341000, China)A B S T R A C T：In traditional visualization process of big data behavior,anti- interference ability i s poor and the processing time i s too long.Therefore,a big data spatial behavior visualization technology based on granular computing was proposed.Firstly,the data mining technology was used to get the i n i t i a l data of spatial behavior.Then,the m at r i x vector was used to represent the data clustering.According to the principle of granular construction and decomposition of granular computing,the preprocessing result of granular computing from the aspects of granularity space optimization and multiple granularities computing was obtained.Meanwhile,spatial behavior trajectories transformation was carried out.Finally,the visualization result of space behavior was output by image rendering.Simulation results show that the stability of the proposed method i s better.Based on same visualization results,the average consumption time of spatial behavior visualization technology based on granular computing i s only0. 02 seconds/K B.W h e n the data volume of simulation objects i s more than 1G B,the proposed method can save 873. 8 seconds compeired with the traditional technology.K E Y W O R D S：Granular computing；Big data；Spatial behavior；Visualization technologyi引言大数据是指融合多种来源，并以多元化的形式存在的庞 大数据组，具有数据量大、增长速度快以及结构多样的特点，大数据包含的数据信息具有时效性。
网球基础训练数据的粒计算方法研究
采集数据集 ，分别为不同人群 、不同打法类型选择的球拍统计量表 、身体素质与运动成绩统计量表 、不 同 训练方式统计量表 。身体素质所采用数据指标能够代表人体在 网球运动中所表现的力量 、速度 、耐力 、柔 韧及灵敏身体机能，运用粒计算方法统计分析 ，挖掘他们之间的关联 。球拍选择所采用数据指标能够反映 出不同人 、不同打法类型的人选择何种球拍的量化指标 ，运用粒计算方法统计分析 ，从而挖掘其中的关联。 不 同训 练 方式 与训 练 成效 的量 化指 标 ，运 用粒 计 算方 法统 计 分析 ，挖 掘其 中的关 联 。 网球 基 础训 练 数据 指 标 的测量与评价包括 ：测量可靠性 、有效性及客观性检验 、项 目分析如指标的难易度与区分度检验 ，成套 测验的组内相关分析、测量尺度 、评分评价表的制定与评价。 １ ． ２ 数 据采集 的实施 只有进行合理的需求分析 ，制定合适的数据格式 ，并采取合适 的数据采集方法 ，才能获得有意义的数 据 ，并从 中挖 掘 出规 律 。 由于相 关数 据 的规模 比较小 ，因此 在小 样本 上进 行学 习 ，使 决 策支 持 软件 与教 练
【 作者简介】 巫文佳 （ １ ９ ８ （ ） 一） ，男，福建漳州人 ，漳 州师范学院体育 系讲师，从事 网球 训练数据挖掘 、粒计算研究。
・
７ ４・
网球数据挖掘研究工作 的基础是网球基础训 练中的数据。因此 ，我们的首要工作就是采集网球基础训 练 中的各项数据。首先要做 的是明确需要采集的数据指标。其次要设计合理的数据采集方案 ，以确保采集 数 据 的真实 性 和正确 性 ，进 而保 证粒 计算 方法 研究 的科 学性 。
网球运 动是 一 项把 竞争 性 、文 化性 、观赏 性 和参 与性 有 机 融合 在 一起 的体 育项 目… 。随着 我 国社 会政 治 、经 济 、文化 的不 断发 展 ，特别 是李 娜法 网夺 冠后 ，国 内掀 起 了一股 网球 运动 热潮 。在 网球运 动不 断创 新 和改 革 的大潮 下 ，网球 基础 训练 除 了要研 究 国外优 秀选 手 的动作 技术 及相 关 的文化 外 ，更 要研 究 如何 采
- 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)。
代分号学号 密1020121208题（中、英文）作者姓指导教师姓名、学科门创新性声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。
尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。
与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。
申请学位论文与资料若有不实之处，本人承担一切的法律责任。
本人签名：日期关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。
学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。
同时本人保证，毕业后结合学位论文研究课题再撰写的文章一律署名单位为西安电子科技大学。
(保密的论文在解密后遵循此规定)本人签名：导师签名：日期：日期：摘要数据挖掘是当今计算机科学中快速发展的一个研究方向，它涉及到多个领域的知识。
数据挖掘能从大量的数据中发现一些人们事先未知的、潜在的、有趣的知识，因此广泛被应用于商业分析、机器学习、网络个性化服务等领域。
数据挖掘有很多研究方向，关联规则和序列模式是其中重要的两类，其中关联规则的研究重点在于频繁项集的发现，而序列模式则强调数据的序列特性。
本文基于粒计算的相关原理和模型，对关联规则和序列模式的挖掘算法进行了研究。
本文的主要工作概括如下：1. 概述了数据挖掘和粒计算的基本原理，说明了数据挖掘的主要研究方向和粒计算的几个重要的计算模型，对关联规则、序列模式和粗糙集的基础理论知识进行了介绍，对常见的关联规则挖掘算法和序列模式挖掘算法进行了简单的汇总和分析。
2. 详细分析了关联规则挖掘算法Apriori算法的原理。
针对Apriori算法存在的产生较多候选频繁项的问题，给出基于粒化原理的改进算法Apriori-GRC算法，并通过仿真实验表明其有效性。
3. 给出一种基于重要度的粗糙集信息系统属性约简算法Sig-Reducts算法。
讨论了序列的粗糙集模型，在Sig-Reducts算法的基础上，给出了一种基于决策表的序列规则挖掘算法Sequence-Mining算法，分析了算法的时间复杂度并通过仿真实验进行了验证。
关键词：数据挖掘粒计算关联规则序列模式AbstractData mining is a research direction that develop quickly, it involves different knowledge of many aspects. Data mining is able to discover some unknown, potential, and interesting information from large amounts of data, so it is widely used in in the correlation analysis, classification, network personalized services and so on. Data mining has many research directions, and frequent pattern mining and sequence pattern mining are two important types. Frequent pattern mining focuses on items that frequently appear, while sequential pattern mining emphasizes the temporal characteristics of items.This paper focuses on frequent pattern mining and sequential pattern mining based on the the principles and models of the granular computing. Some results are obtained and summarized as follow:1.The Theoretical basis of frequent pattern, sequential pattern and granular computing is briefly illuminated. The common algorithm of data mining and the principles of granular computing are introduced.2. A classical algorithm of frequent pattern mining –Apriori Algorithm is discussed in detail. Aiming at some existed questions in Apriori Algorithm such as, produceding candadata itemset need to match pattern, this chapter proposes one kind of frequent pattern mining algorithm based on granular computing, and its effectiveness is proved by the simulation.3. A information system attributes reducts algorithm based on the importance of attributes is proposed which is named Sig-Reducts. Introduce the granulated model of the sequence set. Based on the Sig-Reducts algorithm, this chapter proposes the Sequence-Mining algorithm which produces the sequential rule, and proves its effectiveness.Keyword：Granular Computing Data Mining Frequent Pattern Mining Sequential Pattern Mining目录第一章绪论 (1)1.1研究背景 (1)1.2研究现状 (2)1.2.1 数据挖掘研究现状 (2)1.2.2 粒计算研究现状 (3)1.3 本文主要研究工作和内容安排 (4)第二章相关研究分析 (7)2.1 数据挖掘 (7)2.1.1 数据挖掘的概念以及对象 (7)2.1.2 数据挖掘的步骤 (7)2.1.3 数据挖掘的功能 (8)2.2 关联规则挖掘和序列模式挖掘 (9)2.2.1 关联规则和序列模式的概念 (9)2.2.2 相关定义 (10)2.2.3 主要挖掘算法 (11)2.3粒计算理论 (12)2.3.1 粒计算的思想 (12)2.3.2 几个重要的概念 (12)2.3.3 粒计算研究的基本问题 (13)2.3.4 现有的粒计算模型 (14)2.3.5 各模型之间的关系 (15)2.4 粗糙集理论基础知识 (16)2.4.1 下近似集和上近似集 (16)2.4.2 信息系统和决策表 (18)2.4.3 约简与核 (19)2.5本章小结 (19)第三章基于粒化原理的关联规则挖掘算法 (21)3.1 挖掘关联规则的Apriori算法 (21)3.1.1 Apriori性质和Apriori算法的步骤 (21)3.1.2 Apriori算法描述 (22)3.1.3 存在的问题 (24)3.2一种基于粒化原理的关联规则挖掘算法—Apriori-GRC算法 (25)3.2.1 Apriori算法中的粒化原理分析 (25)3.2.2 Apriori-GRC算法描述 (25)3.2.3 算法示例 (27)3.3 仿真结果及分析 (28)3.4 本章小结 (30)第四章基于决策表的序列模式挖掘算法 (31)4.1 一种基于重要度的信息系统属性约简算法—Sig-Reducts算法 (31)4.1.1 属性的信息量和重要度 (31)4.1.2 Sig-Reducts算法描述 (32)4.2 序列的粗糙集模型 (35)4.2.1 序列和子序列 (35)4.2.2 序列信息系统和序列决策表 (36)4.3一种基于决策表的序列模式挖掘算法—Sequence-Mining算法 (37)4.3.1 算法思想 (37)4.3.2 算法描述 (38)4.4算法效率分析和仿真实验 (41)4.4.1 Sig-Reducts算法的时间复杂度分析 (41)4.4.2 Sequence-Mining算法的时间复杂度分析 (41)4.4.3 Sig-Reducts算法的仿真实验 (42)4.5本章小结 (43)结束语 (45)致谢 (47)参考文献 (49)攻读硕士期间完成的论文和参与的科研工作 (53)第一章绪论 1第一章绪论本章阐述了数据挖掘技术的应用需求背景，简单介绍了粒计算的原理，并指出基于粒计算的数据挖掘技术具有重要的理论和实际意义。
根据目前数据挖掘技术和粒计算的主要研究方向，本章给出其简单的总结。
最后本章总结了作者在攻读硕士学位期间的研究工作，并给出了全文的内容安排。
1.1 研究背景随着计算机技术、互联网和通信技术的飞速发展，我们已经进入了海量数据时代，如何有效地解决数据爆炸已经成了信息化进程中非常重要的课题。
从信息处理的角度来讲，我们希望计算机可以帮助我们对现有的各种数据进行深入的整理、归类和分析，并最终为我们的决策提供有效的数据支撑，从而使我们在做决策时更加客观和科学。
因此这就需要有能够对海量数据进行有效处理的工具。
传统的数据分析方法，例如各种统计分析技术等，只能够获取这些数据的表层现象，很难进行更深入的分析，不便于发觉数据在逻辑层面的规律和规则，而往往这些规律和规则对我们做出决策时具有非常重要的作用。
因此，针对拥有海量数据却难以发现其中蕴含的有效信息这一矛盾，我们急需一中能够从海量数据中发现潜在知识的工具，数据挖掘技术正是在这样的背景下出现的。