数据挖掘中的半结构化数据(1)

    数据挖掘(DM)是从在大型数据库或数据仓库中发现并提取隐藏在其中的信息或者知识的过程。其目的是帮助分析人员寻找数据之间的关联，发现被忽略的要素，而这些信息对于预测趋势和决策行为是十分有用的。

    数据挖掘源于人工智能的机器学习领域，其实质的内涵是在一个已知状态的数据集(DataSet)上，通过设定一定的学习算法，从数据集中获取所谓的知识。知识发现技术的相关研究为数据挖掘技术提供了坚实的理论基础，数据挖掘技术实际上是人工智能领域中的知识发现技术和数据库技术共同发展的结果。

    传统意义的数据库、数据仓库和上面我们提到的Internet中的数据是我们所拥有的数据资源，也是进行数据挖掘的基础。传统数据库中的数据结构性很强，其中的数据为完全结构化的数据；数据仓库是由数据库导出的用于分析型的数据环境；我们可把Web网站上的信息看作一个数据库，一个更大、更复杂的数据库，Web上的每一个站点就是一个数据源，每个数据源都是异构的，因而每一站点之间的信息和组织都不一样，这就构成了一个巨大的异构数据库环境。

    Internet上的数据与传统的数据库中的数据不同，传统的数据库都有一定的数据模型，可以根据模型来具体描述特定的数据，同时可以很好地定义和解释相关的查询语言。而Internet上的数据非常复杂，没有特定的模型描述，每一站点的数据都各自独立设计，并且数据本身具有自述性和动态可变性，其结构也不可琢磨，是一种我们称之为半结构化数据。所谓半结构化是相对于结构化(传统数据库)和非结构化(如一本书、一张图片等)而言的。但是Internet上存在的数据既不是完全结构化的也不是完全非结构化的，因为它的页面也具有一定的描述层次的，存在一定的结构，所以我们将它称为半结构化的数据。如果想要利用Internet上的数据进行数据挖掘，必须先要研究站点之间异构数据的集成问题，只有将这些站点的数据都集成起来，提供给用户一个统一的视图，才有可能从巨大的数据资源中获取所需的东西。其次，还要解决Web上的数据查询问题，因为如果所需的数据不能很有效地得到，对这些数据进行分析、集成、处理就无从谈起。针对Internet上的数据半结构化的特点，寻找一个半结构化的数据模型则成为了解决上述问题的关键所在。此外，除了要定义这样一个半结构化数据模型外，还需要一项技术能够自动地从现有数据中将这个模型抽取出来，这就是所谓的模型抽取技术。因此半结构化数据模型及其抽取技术是面向Internet的数据挖掘技术实施的前提。

    半结构化数据有两层含义，一种是指在物理层上缺少结构的数据，另一种是指在逻辑层上缺少结构的数据。有一些结构化数据，为用于web页面的显示而与html语言的标记符号嵌在一起，构成了物理上的半结构化数据。Internet中有大量丰富的数据，这些数据多存在于html文件中，没有严格的结构及类型定义，这些都是逻辑层半结构化的数据。Internet上的数据与传统数据库中的数据不同，传统的数据库都有一定的数据模型，可以根据模型来具体描述特定的数据.而上的数据非常复杂，没有特定的模型描述，每一站点的数据都各自独立设计，并且数据本身具有自述性和动态可变性.因而，Internet上的数据具有一定的结构性，但因自述层次的存在，是一种非完全结构化的数据，这也被称为半结构化数据。半结构化是上数据的最大特点。

    半结构化数据主要来源有3方面:

    1）在WWW等对存储数据无严格模式限制的情形下，常见的有HTML、XML和SGML文件；

    2）在电子邮件、电子商务、文献检索和病历处理中，存在着大量结构和内容均不固定的数据；

    3）异构信息源集成情形下，由于信息源上的互操作要存取的信息源范围很广，包括各类数据库、知识库、电子图书馆和文件系统等。

    ◆  隐含的模式信息

    虽然具有一定的结构，但结构和数据混合在一起，没有显式的模式定义(HMTL文件是一个典型)。

    ◆  不规则的结构

    一个数据集合可能由异构的元素组成，或用不同类型的数据表示相同的信息。

    ◆  没有严格的类型约束

    由于没有一个预先定义的模式，以及数据在结构上的不规则性，导致缺乏对数据的严格约束。

    半结构化数据是缺乏严格、完整结构的数据。这类数据并非毫无结构，但它们的结构可能是隐含的、不完整的，甚至可能是需要不断修改的。要对这样的数据进行查询等处理，首要问题就是对半结构化的数据进行描述。由于没有强制性模式限制，使半结构化数据具有很大灵活性，能够满足网络这种复杂分布式环境需要，但同时也给数据描述和处理带来了很大困难。

    具体地，象WWW这种数据模型可表示成3种关系：

    {Obj(oid)，Ref(source，label，destination)，Val(oid，value)}

其中Obj表示一个无限的对象集合，例如WWW上的网页，网页中的内容都可看成是对象。Ref(o₁，label，o₂)表示从源对象o₁到目标对象o₂间存在一种联系，这种联系的语义信息用标记label表示。在我们的实现中，这种联系不仅包括了网页间存在的链接，而且当某个网页Page_obj包含多个具有相同意义的