WEB数据挖掘面临的难题
WEB数据挖掘面临的难题
大数据的特点
高速性（Velocity）
要求数据的快速处理，是大数据区别于传统海量 数据处理的重要特性之一
不断激增的数据不但不能为解决问题带来优势， 反而成了快速解决问题的负担
数据不是静止不动的，而是在互联网络中不断流 动，且通常这样的数据价值是随着时间的推移而 迅速降低的，如果数据尚未得到有效的处理，就 失去了价值，大量的数据就没有意义
大数据的产生
用户原创内容阶段
互联网促使人类社会数据量出现第２次飞跃，但 是真正的数据爆发产生于Web2.0时代， Web2.0 的最重要标志就是用户原创内容
主要原因
以博客、微博和微信等为代表的新型社交网络的出现和 快速发展
以智能手机、平板电脑为代表的新型移动设备的出现， 使得人们在网上发表自己意见的途径更为便捷
大数据的基本概念
重要意义
大数据成为推动经济转型发展的新动力
大数据持续激发商业模式创新，不断催生新业态，已成为互联网 等新兴领域促进业务创新增值、提升企业核心价值的重要驱动力
大数据成为重塑国家竞争优势的新机遇
发掘和释放数据资源的潜在价值，有利于更好发挥数据资源的战 略作用
大数据成为提升政府治理能力的新途径
片超过10 亿张，每天生成300TB 以上的日志 数据 淘宝网会员超过3.7 亿，在线商品超过11 亿类， 每天交易数千万笔，产生约20TB 数据。
大数据的特点
大数据的特点
著名咨询公司IDC的统计
传感网和物联网的蓬勃发展是大数据的又一推 动力，各个城市的视频监控每时每刻都在采集 巨量的流媒体数
大数据的特点
多样性（Variety）
数据类型繁多，复杂多变是大数据的重要特性 以往的数据尽管数量庞大，但通常是事先定义好
的结构化数据。结构化数据是将事物向便于人类 和计算机存储、处理、查询的方向抽象的结果 数据都以表格的形式保存在数据库中
大数据的特点
多样性（Variety）
大数据时代半结构化、非结构化数据逐渐成为 主流数据。非结构化数据量已占到数据总量的 75%以上，且非结构化数据的增长速度比结构 化数据快10 倍到50 倍。
建立“用数据说话、用数据决策、用数据管理、用数据创新”的 管理机制
大数据的基本概念
维基百科的定义
大数据是指利用常用软件工具捕获、管理和处
理数据所耗时间超过可容忍时间的数据集
大数据的基本概念
IDC(International Data Corporation)的定义
大数据一般会涉及2 种或2 种以上数据形式。
大数据的特点
著名咨询公司IDC的统计
2011 年全球被创建和复制的数据总量为1.8ZB （10 的21 次方），其中75%来自于个人（主 要是图片、视频和音乐），远远超过人类有史 以来所有印刷材料的数据总量（200PB）
预测到2020 年，全球数据量暴增44 倍（相比 2009 年），总量会达到35 ZB。
它要收集超过100TB 的数据，并且是高速、实 时数据流; 或者是从小数据开始，但数据每年会 增长60%以上
大数据的基本概念
Gartner的定义
大数据是需要新处理模式才能具有更强的决策 力、洞察发现力和流程优化能力的海量、高增
长率和Volume）
根据IDC 的定义至少要有超过100TB 的可供分 析的数据，数据量大是大数据的基本属性
大数据的特点
价值性（Value）
大数据的价值往往呈现出稀疏性的特点 数据价值密度低是大数据关注的非结构化数据的
重要属性 视频监控，大量的图像数据被存储下来，对于某
一特定的应用，比如获取犯罪嫌疑人的体貌特征， 有效的视频数据可能仅仅有1-2秒
大数据的产生
数据产生方式的变革
人类社会的数据产生方式经历了３个阶段，而 正是数据产生方式的巨大变化才最终导致大数 据的产生
数据类型层出不穷，已经很难用一种或几种规 定的模式来表征日趋复杂、多样的数据形式
视频、音频、图片、邮件、HTML、RFID、GPS 和传感器
WEB数据挖掘面临的难题
Web上半结构化数据特点
Web页面的结构是页面自描述的 在页面里数据与结构混合存在 结构经常动态变化
WEB数据挖掘面临的难题
大数据的特点
数据增长定律
图灵奖获得者Jim Gray提出数据增长的经验定 律
网络环境下每18 个月产生的数据量等于有史以来数 据量之和
大数据的特点
著名咨询公司IDC的统计
Google 公司通过大规模集群和MapReduce 软件，book 注册用户超过10亿，每月上传的照
大数据的发展和应用
1 互联网的产生和发展 1 大数据的概念
2 大数据的特点 3 大数据的产生 4 大数据的应用
大数据的基本概念
国务院《促进大数据发展行动纲要》
大数据是以容量大、类型多、存取速度快、应用 价值高为主要特征的数据集合，正快速发展为对 数量巨大、来源分散、格式多样的数据进行采集、 存储和关联分析，从中发现新知识、创造新价值、 提升新能力的新一代信息技术和服务业态。
劳斯莱斯公司对全世界数以万计的飞机引擎进 行实时监控，每年传送PB数量级的数据。
大数据的特点
数据丰富，信息贫乏
组织
项目
电信 银行 股票 卷烟厂 超市 搜索引擎 在线零售商
通话清单 业务数据 日线数据 生产数据 销售数据 网页 交易数据
数据规模
数十亿条/月 数千万条/月 数十万条/月 数百万条/月 数百万条/月 数百亿页 数百万条
运营式系统阶段 用户原创内容阶段 感知式系统阶段
大数据的产生
运营式系统阶段
数据库出现使得数据管理的复杂度大大降低
超市的销售记录系统 银行的交易记录系统 医院病人的医疗记录
主要特点是数据伴随运营活动产生并记录在数据 库中
比如淘宝每销售出一件产品就会在数据库中产生相应的 一条销售记录