分布式数据挖掘综述

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

摘要：随着网络技术、通信技术等的不断突破，互联网、移动网、广电网等多种类现代网络及其衍生业务迅速扩张，形成泛在于网络空间的分布式计算环境。为了最大化这些数据的价值，需要利用数据挖掘技术发现其中隐藏的模式或规则，用以指导和辅助生产或运营中的管理决策行为，以提高决策水平及决策收益。然而，受到普遍存在的异构性、私有性和平台兼容性等限制，兼因行业竞争和法律约束等因素（如个人或企业的数据隐私保护问题等），互联于网络的数据源难于进行集中式挖掘，分布式数据挖掘（DDM）技术应运而生。介绍了DDM的定义与框架、适用场景和研究挑战。根据文中给出的DDM高层架构，最终结果的质量与局部数据源的类型、可用性、局部结果的质量及整合方法等密切相关。DDM的实施未必都以站点间纯粹独立挖掘的方式进行，此外，对于数据集中，系统分布式站点多的情况，也可采用DDM。当前，DDM研究领域的挑战主要有：异构与同构挖掘、动态环境下的数据多变性、通信开销、知识整合和语义异构等。当前的DDM系统被分为4类：1）基于Multi—Agent的系统，利用Agent的自治性实现局部挖掘以保护数据私有性；利用Agent的主动性减少用户参与以提高挖掘自动化水平；利用Agent的协作性实现多算法协同挖掘等；2）基于网格的系统，利用网格在资源共享、开放服务和协同工作等方面的优势，提高挖掘的可靠性和协同性；3）基于元学习的系统，通过元学习优化挖掘算法的选择与组合，并对已获知识进行多次学习以提高结果质量；4）基于CDM（collectivedatamining）框架的系统，将待学习的函数表示为一组基函数的分布式存在，允许各数据源选择不同的学习算法，并以全局结果正确为前提减少网络通信量。进而，对当前DDM研究存在的共性

原文链接:http://www.cqvip.com/QK/94553A/201401/48391030.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：数据挖掘 分布式 Datamining Collective collect 分布式数据挖掘 数据挖掘 本体 语义距离