数据科学的研究范式探讨王志伟.pdfVIP

“数据科学”的兴起 基于大数据的时空研究范式探讨 王志伟 当今科学世界已进入复杂性科学研究时期，其中，自然科学、社会科学、认 知科学、系统科学和科学技术等不同学科、不同领域相互交叉、结合与综合是新 时期的特点。科学研究的融合范式得以更接近的揭示出客观世界形态的多元性、 可变性以及形态转化的规律性。这也就要求科学界研究创新的认识论和方法论， 建立科学的时空系统观。 数据科学就是在这样的一个复杂生态环境中萌芽初发。从数据科学之说诞生 之初，它就已超脱出学术界长久以来存在的 “实验科学”与“理论科学”之分以 及 “描述科学”与“精确科学”之争。它的学科基因里与生俱来的就包含了定性 与定量的结合子以及融合集成的方法论。 按照库恩的范式理论，一个新学科的范式形成，大致有内外两个方面的标志： 内在方面在科学共同体内形成共同的“学科基质”（范式），即通用的语言（理论 方法），共同信念、共同价值和范例；外在方面是主流科学界（研究院、权威期 刊等）对新学科的明确关注和认可。以此来审视数据科学，其目前仅仅还是处于 前科学时期。 本文试图就数据科学的萌芽构成做一个抛砖引玉的探讨。 一 大数据的涌现 前不久，中国计算机学会(CCF)大数据专家委员会发布了《中国大数据技术与 产业发展白皮书2013》。其中，明确指出：世界已进入网络化的大数据（Big Data ） 时代。另据咨询公司IDC 的统计，2011 年全球被创建和复制的数据总量为1.8ZB （10 的 21 次方），其中 75%来自于个人（主要是图片、视频和音乐），远远超 过人类有史以来所有印刷材料的数据总量（200PB ），且增长趋势遵循新摩尔定律 ( 全球数据量大约每两年翻一番) ，预计2020 年将达到35ZB 。Google 公司通过 大规模集群和 MapReduce 软件，每月处理的数据量超过400PB ；百度每天大约 要处理几十PB 数据；Facebook 注册用户超过10 亿，每月上传的照片超过10 亿 张，每天生成300TB 以上的日志数据；淘宝网会员超过4 亿，在线商品超过9 亿， 1 每天交易数千万笔，产生约20TB 数据。传感网和物联网的蓬勃发展是大数据的 又一推动力。 大数据的特点可以总结为4 个V，即Volume （体量浩大）、Variety （模态繁 多）、Velocity （生成快速）和Value （价值巨大但密度很低）。其次，大数据类型 繁多，包括结构化数据、半结构化数据和非结构化数据。现代互联网应用呈现出 非结构化数据大幅增长的特点，至2012 年末，非结构化数据占有比例将达到整 个数据量的75% 以上。同时，由于数据显性或隐性的网络化存在，使得数据之间 的复杂关联无所不在。 近几年，Nature 和Science 等国际顶级学术刊物相继出版专刊来专门探讨对 大数据的研究。一个横跨信息科学、自然科学、系统科学、人文科学、网络心理 学、网络经济学、产业生态学和决策学等诸多领域的新兴交叉学科数据科学， 正在逐步形成。 若是单从信息科学的角度看大数据：它是利用信息技术对数量巨大的（网络） 数据做统计性与结构性的搜索、比较、聚类、分类等分析归纳。大数据直接反映 的是海量孤立的数据和分散的链接，这些反映相互关系的链接整合起来是一个复 杂网络，进而形成为多层次嵌套的复杂系统。由此而论，数据科学就是从整体上 研究复杂系统的一门科学，其中，复杂网络分析是数据科学的基元；TB级数据挖 掘是数据科学的基石。 二 数据科学的范式 数据科学的研究对象不言而喻就是海量数据。就大数据来说，它包括物理世 界的源信息以及人类社会的相关活动信息。数据科学的研究目的：一是认识目的， 即认识对象的性质、结构与运动规律；二是利用目的，即把已被认识的事物