以前我們談?wù)摂?shù)據(jù)挖掘，而大數(shù)據(jù)時(shí)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(duì)此進(jìn)行了一些歸納，希望能提供一些思考問(wèn)題的方法。

不足之處請(qǐng)留言發(fā)表意見(jiàn)。

 

       數(shù)據(jù)量大到多少? 這是一個(gè)很多人在進(jìn)行大數(shù)據(jù)挖掘時(shí)要問(wèn)的問(wèn)題。

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

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

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

 

      在數(shù)據(jù)挖掘時(shí)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(shí)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(huì)涉及到多種數(shù)據(jù)類型。這里所說(shuō)的數(shù)據(jù)類型不是程序設(shè)計(jì)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(shí)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(jià)格是普通數(shù)據(jù)類型，但是從時(shí)間維度將它們按照順序連接起來(lái)，構(gòu)成的時(shí)間序列數(shù)據(jù)能體現(xiàn)出價(jià)格的變化規(guī)律，理所當(dāng)然具有更豐富的含義。

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

       微博或論壇中每個(gè)人是獨(dú)立存在的，也是普通數(shù)據(jù)，但是如果把每個(gè)人按照粉絲、關(guān)注等關(guān)系連接起來(lái)，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(yùn)動(dòng)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(diǎn)。

 

      在數(shù)據(jù)挖掘時(shí)代，數(shù)據(jù)來(lái)源于關(guān)系型數(shù)據(jù)庫(kù)，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(lái)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(lái)源的數(shù)據(jù)的質(zhì)量、數(shù)據(jù)結(jié)構(gòu)魚(yú)龍混雜，以增強(qiáng)數(shù)據(jù)處理的魯棒性。比如，要進(jìn)行企業(yè)級(jí)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(lái)區(qū)分客戶的學(xué)歷，而有的采用本科/研究生來(lái)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。

 

      在數(shù)據(jù)挖掘時(shí)代，一般側(cè)重于單項(xiàng)的數(shù)據(jù)分析，而大數(shù)據(jù)挖據(jù)可能會(huì)更側(cè)重于多項(xiàng)數(shù)據(jù)挖掘任務(wù)同時(shí)存在，如業(yè)務(wù)上同時(shí)要求分類、預(yù)測(cè)、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(cè)、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(shí)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)。