海量數據處理與挖掘關鍵技術研究.pdf

1、隨著信息技術和互聯網的快速發(fā)展，產生了呈爆炸式遞增的海量數據。數據挖掘是指從大量的數據中通過算法搜索隱藏于其中信息的過程，如何有效地處理、存儲這些海量數據，并從這些數據中挖掘隱藏其中的知識是一項重要而有意義的工作。本文針對大規(guī)模海量數據存在的問題，對數據預處理技術、海量數據存儲方法等進行介紹，尤其對數據預處理中的重復數據刪除技術進行了深入研究改進；在此基礎上，對數據挖掘技術中的多視角聚類算法和關聯規(guī)則算法進行了有針對性的研究和改進，具體

2、包括以下幾個方面的工作：
　　1.面對海量數據中存在的問題，在研究數據預處理技術的基礎上，對數據壓縮、增量備份及重復數據刪除技術等數據處理技術進行技術比較，著重針對重復數據刪除技術開展深入研究，提出一種基于自適應優(yōu)化和K-Means的重復數據刪除方法。首先通過在分布式存儲系統(tǒng)中使用一致性哈希算法，以及在目標機器系統(tǒng)查詢中使用Bloom Filter結構算法相結合的索引搜索方式，提升分布式數據索引搜索的效率；同時，通過改進基于Rab

3、in指紋的分塊算法，以及用后綴名劃分的自適應數據分塊優(yōu)化方法，使數據選擇分塊方法具有自適應性和更好的數據傳輸效果；另外，提出基于K-Means的重復數據刪除方法，準確識別重復的數據，提高重復數據檢測和刪除的效率。
　　2.應用數據挖掘中的聚類算法對預處理消冗后的數據進行研究，提出一種基于特征加權和非負矩陣分解的多視角聚類（FeatureWeighting andNon-negativeMatrix Factorization-Mu

4、ltiview Clustering，FWNMF-MC）算法。FWNMF-MC算法在多視角聚類過程中同時考慮特征權重和數據高維性問題，針對不同特征的差異性，根據每個視角中每個特征在聚類過程中的重要性，自動賦予不同的權值。通過將每個視角空間中的特征矩陣分解為基矩陣與系數矩陣的乘積，將多視角數據從高維空間映射到低維空間。同時，為了有效利用每個視角信息挖掘聚簇結構，最大化每個視角在低維空間的一致性。實驗表明，已有的算法相比，FWNMF-MC算

5、法能夠取得更好的聚類效果，適用于處理大規(guī)模數據。
　　3.應用數據挖掘中的關聯規(guī)則算法對預處理消冗后的數據進行研究，提出一種基于粒子群優(yōu)化的關聯規(guī)則挖掘算法（Association Rules Mining based on Particle Swarm Optimizaton，ARM-PSO）。ARM-PSO算法基于粒子群優(yōu)化策略，首先找到每個粒子的最優(yōu)適應值，通過將這些數據轉換成二進制值后，計算出相應的支持度和可信度作為最小的