基于本体数据挖掘技术研究.docVIP

基于本体数据挖掘技术研究 　　[摘要] 本文阐述了将本体应用到数据挖掘中的科学性和可行性。根据本体的特点，将本体引入到数据挖掘中，与传统的数据挖掘方法相比，使专业技术人员能够了解应用领域的背景知识，设计出更好的数据挖掘算法，提高了数据挖掘的效率和结果。 　　[关键字] 数据挖掘 本体 人工智能 　　 　　1.引言 　　随着信息技术的迅速发展，人们正在步入信息化的社会。浩瀚的信息量使得企业决策越来越复杂，严重影响了企业对市场的反应速度，如何从这浩瀚的知识中挖掘出未知的、有价值的的新知识和规律，根据现有数据预测未来的发展趋势，越来越引起人们的重视和关注，成为当今研究的一个热点问题。数据挖掘就是从大量的数据中提取或挖掘知识，近年来引起了产业界的广泛关注，如今，数据挖掘已经应用到各个领域中[1]，如：电子商务、市场营销、零售、银行、证券等等。但是数据挖掘的专业技术人员并不具备相应的应用领域的背景知识，因而很难设计出最佳的数据挖掘算法，影响了数据挖掘的效率与效果，将本体概念和技术加入到数据挖掘中，建立背景领域的领域本体辅助技术人员来进行数据挖掘。本文利用本体的特征，研究如何利用将本体技术应用到数据挖掘中，开发出更加有效的挖掘算法，提高挖掘效率和结果。 　　2.本体 　　本体[2]（Ontology）原本是哲学上的一个概念，被哲学家用来描述事物的本质。随着人工智能的发展，本体被引入到人工智能界且定义经历了一个过程。1993年，Gruber给出了本体最为流行的定义：“本体是概念模型的明确规范说明”。后来，在此基础上，1997年Borst给出了本体另一种定义：“本体是共享概念模型的形式化规范说明”。1998年Studer对上述两个定义进行了深入的研究，认为本体是：“共享概念模型的明确的形式化规范说明”。本体是领域内部不同主体之间进行交流的一种语义基础，即本体提供一种明确定义的共识，构造本体的目的是为了实现某种程度的知识共享和重用，然而要建立一个能够涵盖所有领域知识的通用本体是不可行的，因此比较现实的方法是抽象出某个领域内共同认可的一些概念以及概念之间的关系，用计算机可以理解的方式去构建领域本体，利用它去解决该领域的问题。 　　基于概念分层，数据库中的概念或数据往往被组织成不同的抽象层次。例如一个人的出生地被组织成如下层次：城市，省，国家等等。概念分层定义了概念之间的这种泛化关系。本体的描述语言有多种，有代表性的有：SHOE、XOL、RDF、RDFS、OIL、DAML+OIL、OWL。下面给出一个RDFS描述的一个本体的例子片段： 　　 　　 　　 　　 　　 　　 　　 　　3.数据挖掘 　　3.1 数据挖掘过程[3] 　　1.确定对象。清晰的定义出业务问题，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，但要探索的问题应该是有预见的，为了数据挖掘而数据挖掘，是不可能成功的。 　　2.数据准备。（1）数据选择。搜索所有与业务对象有关的内部和外部数据信息，并从中选择出适合于数据挖掘应用的数据。（2）数据预处理。研究数据的质量，为进一步的分析做好准备，并确定将要进行的挖掘操作的类型。（3）数据转换。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。 　　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，其余的一切工作都能自动地完成。 　　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。 　　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结构组织中去。 　　总之，数据挖掘过程需要多次的循环反复，才能达到预期的效果。 　　3.2数据挖掘方法 　　数据库技术只是将数据有效地组织和存储在数据库中，并对这些数据作一些简单的分析，大量的隐藏在数据内部的有用的信息我们无法得到。而机器学习、模式识别、统计学等领域却有大量的提取知识的方法，但没有和实际应用中的海量数据结合起来，很大程度上只是对实验数据或学术研究发挥作用，数据挖掘从一个新的角度将数据库技术、机器学习、统计学等领域结合起来，从更深层次中发掘出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可理解的模式。由此，我们可以根据数据挖掘方法所属领域的不同将其分为数学统计方法、机器学习方法、面向数据库的方法、混合方法还有可视化技术、知识表示技术等等，具体来说，主要有以下几种数据挖掘方法[4,5]： 　　（1）神经网络方法。神经网络由于本身良好的鲁棒性、自组织自适应性、并行处理、分布存储和高度容错等特点，为解决大复杂度问题提供了一种相对来说比较有效的简单方法，因此近年来越来越受到人们的关