大數(shù)據(jù)的挖掘“大”在哪里?

2019-05-07

以前我們談?wù)摂?shù)據(jù)挖掘，而大數(shù)據(jù)時代我們談?wù)摯髷?shù)據(jù)挖掘。那么大數(shù)據(jù)挖掘“大”在哪里? 本文對此進行了一些歸納，希望能提供一些思考問題的方法。

不足之處請留言發(fā)表意見。

一、數(shù)據(jù)量的大

數(shù)據(jù)量大到多少? 這是一個很多人在進行大數(shù)據(jù)挖掘時要問的問題。

從一些實際應(yīng)用看，一般每天處理的數(shù)據(jù)量達到T、P級別的，可以考慮部署Hadoop、Spark之類的大數(shù)據(jù)處理平臺，一定量級的數(shù)據(jù)處理才能突顯這些平臺的優(yōu)越性。

數(shù)據(jù)量少，數(shù)據(jù)的讀取、搬遷所花費的時間占比太多，反而無法體現(xiàn)大數(shù)據(jù)處理平臺的優(yōu)勢。不少應(yīng)用只是為了大數(shù)據(jù)而大數(shù)據(jù)，幾百M也弄個Hadoop。因此，現(xiàn)在一談大數(shù)據(jù)就認為是Hadoop、Spark等平臺是很有局限性的。

當然，實際在決定是否使用大數(shù)據(jù)平臺時，可能需要考慮更多的因素，例如：要集成很多的低性能機器、異構(gòu)軟硬件平臺間的可移植性、大量的非結(jié)構(gòu)化數(shù)據(jù)處理等。

二、數(shù)據(jù)類型的多樣化

在數(shù)據(jù)挖掘時代，我們挖掘的數(shù)據(jù)主要以關(guān)系型數(shù)據(jù)為主。大數(shù)據(jù)時代，各種應(yīng)用產(chǎn)生了各種數(shù)據(jù)，通常在大數(shù)據(jù)挖掘中會涉及到多種數(shù)據(jù)類型。這里所說的數(shù)據(jù)類型不是程序設(shè)計中的普通數(shù)據(jù)類型，而是更接近于應(yīng)用的數(shù)據(jù)表現(xiàn)形式，通常有時間序列數(shù)據(jù)、軌跡數(shù)據(jù)、圖數(shù)據(jù)、文本數(shù)據(jù)等等。

每天的銷售記錄、價格是普通數(shù)據(jù)類型，但是從時間維度將它們按照順序連接起來，構(gòu)成的時間序列數(shù)據(jù)能體現(xiàn)出價格的變化規(guī)律，理所當然具有更豐富的含義。

每個人所處的位置不過是一個（x,y）的普通數(shù)據(jù)類型，但是按照移動的先后順序把位置連接起來，就構(gòu)成了某人的活動軌跡，背后體現(xiàn)的是他的生活、習慣，這些隱藏信息才是大數(shù)據(jù)應(yīng)當關(guān)注的。

微博或論壇中每個人是獨立存在的，也是普通數(shù)據(jù)，但是如果把每個人按照粉絲、關(guān)注等關(guān)系連接起來，就可以構(gòu)成一張很大的圖，即圖數(shù)據(jù)。圖中的人群、離群，以及加上群體偏好、群體運動等屬性后的高等圖數(shù)據(jù)，就是大數(shù)據(jù)挖掘的關(guān)注點。

三、數(shù)據(jù)處理的噪音

在數(shù)據(jù)挖掘時代，數(shù)據(jù)來源于關(guān)系型數(shù)據(jù)庫，都是一些與業(yè)務(wù)相關(guān)、質(zhì)量比較高的數(shù)據(jù)，一般拿來就可以直接挖。大數(shù)據(jù)挖掘肯定就不是這樣，大數(shù)據(jù)思維決定了我們要考慮不同來源的數(shù)據(jù)的質(zhì)量、數(shù)據(jù)結(jié)構(gòu)魚龍混雜，以增強數(shù)據(jù)處理的魯棒性。比如，要進行企業(yè)級的客戶分析，不同的分公司可能使用不同的客戶管理系統(tǒng)，有的系統(tǒng)采用本科/碩士/博士來區(qū)分客戶的學歷，而有的采用本科/研究生來區(qū)分，這就要求考慮數(shù)據(jù)的一致性處理。此外，數(shù)據(jù)格式、數(shù)據(jù)完整性等等都是大數(shù)據(jù)挖掘需要考慮的。

四、數(shù)據(jù)挖掘的多樣化

在數(shù)據(jù)挖掘時代，一般側(cè)重于單項的數(shù)據(jù)分析，而大數(shù)據(jù)挖據(jù)可能會更側(cè)重于多項數(shù)據(jù)挖掘任務(wù)同時存在，如業(yè)務(wù)上同時要求分類、預(yù)測、相關(guān)性、聚類等。盡管業(yè)務(wù)需求多了，但是這些分類、預(yù)測、相關(guān)性、聚類可能在底層上采用的是同一種模型，因此，在大數(shù)據(jù)挖據(jù)時考慮模型、算法與業(yè)務(wù)的分離是非常重要的，即所謂的大數(shù)據(jù)處理層次結(jié)構(gòu)。

文章內(nèi)容來源于網(wǎng)絡(luò)，侵刪

知識產(chǎn)權(quán)

工商財稅

數(shù)字化建設(shè)

資質(zhì)認證

人事服務(wù)

大數(shù)據(jù)的挖掘“大”在哪里?

推薦閱讀