基于网格平台的数据挖掘服务模式及其改进算法（2005年）

基于 HORAFA 算法的改进增量数据挖掘算法，其实挺适合搞数据和启发式约简的同学折腾一下的。它用了一种基于属性频率的方式来做属性约简，挖掘速度提升不少，思路也挺清晰的。尤其是在大规模不完整数据集的时候，还蛮稳的，粗糙集的那套理论在这就派上了用场。

随着分布式知识发现和挖掘在网格环境中日益受到关注，如何应对数据自治、异构和地理分布等挑战成为关键。为此，文中提出了一个基于网格技术和 Web 服务技术的数据挖掘框架，该框架利用 Web 服务实现资源（数据和算法资源）的共享和动态调用，并在 Globus 3.0 Alpha toolkit 平台上得以实现。

站点个性化系统是利用多种WEB挖掘技术构建的，根据用户的访问模式和当前需求提供实时个性化服务。该系统采用事务聚类、关联规则技术等数据挖掘方法分析用户行为，实验表明其性能优异。

介绍了典型算法，如CLIQUE聚类算法和WaveCluster聚类算法等。在机器学习中，聚类算法是一种无监督分类算法，包括基于划分的聚类算法（如kmeans）、基于层次的聚类算法（如BIRCH）、基于密度的聚类算法（如DBScan）和基于网格的聚类算法。基于网格的方法能够更好地处理非凸形状的簇，并降低计算复杂度。STING算法采用多分辨率网格，通过层次结构将空间分割为不同大小的单元，查询算法通过比较每个单元格的属性值与查询条件，逐渐缩小范围，最终找到满足条件的簇。CLIQUE算法结合了密度和网格思想，能够发现任意形状的簇，并处理高维数据。WaveCluster算法使用小波分析改进了聚类边界检测

针对传统选线判据无法精确识别干扰信号、可能导致频繁误跳闸的问题，本研究利用数据挖掘中的K-means算法进行了改进。通过对某支路历史数据的聚类分析，成功区分漏电真零序电流与干扰信号，显著提升了选线判据的准确性。

数据挖掘，听起来是不是挺复杂的？其实它是通过对大量数据的，从中提取出有用信息的技术。比如你在网上购物时，系统会推荐你喜欢的商品，这背后就是数据挖掘的功劳。数据挖掘能企业挖掘潜在商机，甚至预测未来趋势。它的主要方法包括关联、分类、聚类等。每种方法适用于不同的场景，比如关联可以发现“如果买了 A 商品，就买 B 商品”，这种规律。而分类则可以预测客户的行为。你可以想象，通过这些技术，企业可以更精准地满足用户需求，提升营销效果。不仅如此，数据挖掘在各行各业的应用都相当广泛。比如，在金融领域，它可以银行检测到潜在的欺诈行为；在医疗行业，它能医生快速诊断病情。通过数据挖掘，不仅能发现过去的规律，还能预测

序列模式t是指在多个数据序列中发现共同的行为模式。 t通过时间序列搜索出重复发生概率较高的模式，强调时间序列的影响。 例如，在所有购买了激光打印机的人中，半年后80%的人再购买新硒鼓，20%的人用旧硒鼓装碳粉； 在所有购买了彩色电视机的人中，有60%的人再购买VCD产品； 在时序模式中，需要找出在某个最短时间内出现比率一直高于某一最小百分比（阈值）的规则。

序列模式t是指在多个数据序列中发现共同的行为模式。t通过时间序列搜索出重复发生概率较高的模式。这里特别强调时间序列的影响。例如，在所有购买了激光打印机的人中，半年后80%的人再购买新硒鼓，20%的人用旧硒鼓装碳粉；在所有购买了彩色电视机的人中，有60%的人再购买VCD产品；在时序模式中，需要找出在某个最短时间内出现比率一直高于某一最小百分比（阈值）的规则。

频繁项集的挖掘一直是数据里的大热门，尤其是在时态数据时。这篇文章研究了一个挺实用的算法，通过结合频繁项集和时态约束来挖掘关联规则。这种方法适合用在商品销售、股票价格预测等领域。而且，文章还贴心地给了一个股票数据的实际案例，感觉接地气。如果你对频繁项集或者关联规则感兴趣，这绝对值得一读！