目前，数据挖掘的研究热点围绕挖掘算法展开。数据挖掘是综合了机器学习、人工智能、数据统计等学科的研究领域。随着数据挖掘工具在实际应用中的迅速增长，相关学科成熟的算法实现不断地加入到数据挖掘中来;挖掘算法的研究还包括对现有挖掘算法的优化和改进，比如使用全局搜索算法优化神经网络学习过程。除此以外，数据挖掘还有以下研究热点：

1.数据挖掘原语

我们把数据挖掘原语可以理解为有效辅助数据挖掘实施知识发现功能的思想和做法，是知识发现的辅助工具。数据挖掘原语的研究是为了支持有效的知识发现，为了让用户更加易于理解挖掘出来的知识。用户能够通过数据挖掘原语与数据挖掘系统通信，从不同的角度和深度审查发现结果，并指导挖掘过程。这组原语包括数据库说明的部分或用户感兴趣的数据集、要挖掘的知识类型、用于指导挖掘过程的背景知识、模式评估以及度量和如何显示所发现的知识等等。

2.数据挖掘语言及标准

数据挖掘行业是高度分散的，公司和研究机构独立开发各自的数据挖掘系统和平台，没有形成开放性的标准；同时数据挖掘本身是一门多学科综合跨度非常大的技术，这些造成了数据挖掘在通用性方面存在一系列问题：①各种数据挖掘问题及挖掘方法基于不同的模型和技术，彼此互相孤立，联系很少；②缺少简明精确的问题描述方法，挖掘的语义通常是由实现方法决定的；③数据挖掘系统仅提供孤立的知识发现功能，难于嵌入大型应用；④数据挖掘引擎与数据库系统是松散耦合的。数据挖掘语言和标准的开发有望解决上述问题。

目前，已实现的数据挖掘语言有DMQL、MSQL和MINE RULE等;数据挖掘语言标准有PMML(DMG：数据挖掘组织协会)和OLE DB for Data Mining(微软)。

3.数据挖掘系统

知识发现是一个有机的整体，各个部分之间有着密切的关系。我们称围绕某一数据挖掘任务的知识发现过程为数据挖掘系统。应该说所有的算法是为某一个挖掘系统服务的。数据挖掘系统的研究是为了建立科学的系统结构，利于挖掘算法的重用、嵌入，利于算法与系统其他模块有机结合。图3是一个挖掘系统的原型结构。

4.基于数据仓库的数据挖掘

把数据挖掘建立在数据仓库之上，一方面能够提高数据仓库系统的决策支持能力，另一方面，由于数据仓库完成了数据的清洗、ETL(抽取，转换，装载)，数据挖掘面对的是经过初步处理的数据，更加有利于数据挖掘功能的发挥。这方面的研究集中在基于数据仓库的数据挖掘系统结构的探讨上。

5.OLAM

OLAM将OLAP和数据挖掘功能集成在一起，可以实现数据挖掘功能的联机选择，为用户选择所期望的数据挖掘功能、动态地改变数据挖掘任务提供了灵活性。OLAM和OLAP通过图形用户界面GUI接受用户指令，对数据立方体Cube进行数据分析、挖掘。由于OLAM服务器可以执行如关联、分类、预测、聚类、时序分析等多种数据挖掘任务，它通常由多个集成的数据挖掘模块组成。

6.数据挖掘与具体应用的结合

数据挖掘目前在医学、电信、零售业等多个应用领域均有成功的应用案例。随着越来越多的业务需求被不断明确，数据挖掘应用的领域和解决的问题会越来越广泛;一些应用系统，如ERP、SCM、HR等系统也逐渐与数据挖掘集成起来，用以提高系统的决策支持能力。这方面的研究热点包括数据挖掘与商业智能(BI)、CRM、WEB应用的结合。

四、总结

数据挖掘是当前计算机工业最热门的研究领域之一。数据挖掘是一个不断发展的、综合交叉的学科。本文从知识的形态和知识产生的视角阐述了数据挖掘与知识发现、数据挖掘与OLAP的区别与联系，本文还总结了数据挖掘的分类以及数据挖掘在知识发现过程中的地位与作用。最后，对当前数据挖掘领域的研究热点进行了详细的概括与总结。

ITPub博客

数据挖掘的研究热点