大数据建模与挖掘技术.ppt

*,*,大数据建模与挖掘技术,*,*,课程内容,概述 大规模文件系统和Mapreduce 相似项发现 数据流挖掘 链接分析 频繁项集 聚类 Web广告 推荐系统,教材,/ullman/mmds/book.pdf 大数据-互联网大规模数据挖掘与分布式处理 /,*,*,*,*,第一章数据挖掘的基本概念,11 数据挖掘的定义 1.2 数据挖掘的统计限制 13 相关知识,数据挖掘的定义,数据挖掘是数据模型的发现过程。 什么是模型？ 统什模型: 研究可见数据遵从的总体概率分布。如已有一系列数据，先猜想服从高斯分布，从数据获取模型参数，验证与数据分布是附合 机器学习。 将数据当作某类算法的训练集训练算法。然后再用这个算法分析未知的数据,*,*,什么是模型？,机器学习的长处。当对要在数据中寻找的目标一无所知的时候。如不知道是哪些因素影响人们对影片的喜好。netflix竞赛。 如目标能明确描述，机器学习方法并不成功。如在web上寻找个人简历。机器学习方法.不如关键词或者短语更准确,*,*,建模的计算方法,数据挖掘已被看成是一个算法问题。数据模型就是提供复杂查询的答案。 除了统计建模，其它大部分建模方法可分为如下两类 对数据进行简要汇总 从数据中抽取最突出的特征来代替数据并将剩余内容忽略。,*,*,数据汇总,pagerank。谷歌成功的关键算法之一。Web的复杂结构可以由每个页面的pagerank描述，反映了一个web上的随机游走者在任意时刻处于该页面的概率。 聚类。数据被看成是多维空间的点。空间相互邻近的点被认为是相同的类别。每个类别可以析括表示，如质心或者是到质心的平均距离。,*,*,*,*,特征抽取,从数据中寻找某个现象的特殊样例，用这些样例来表示数据。介绍两种方法： 频繁项集：在很多购物篮/订单里面寻找同时出现的项集/商品。 相似项：数据可以描述为一系列的集合。寻找共同元素较多的集合。亚马逊网站的顾客可以理解为他购买商品的集合。寻找相似的集合也就是寻找具有类似兴趣的人，把这些人购买过的东西推荐给该顾客。也称为协同过滤,数据挖掘的统计限制,2002年，布什政府提出一项对所有数据进行挖掘的计划，没有被国会通过。目的是追逐恐怖活动 问题：如果能够获得所有的数据，并且想从中获得恐怖活动的信息。是否会导致误报很多无辜的行为？,*,*,Bonferronis Principle,随着数据规模的增加，任何数据都会显现出一些不同寻常的特征，这些特征看上去非常重要，实际上却并不重要。 Bonferronis Principle。在数据随机性假设的基础上，计算所寻找的事件的发生的期望值，如果该期望值大于找到的真实事件的数目，则所找到的事件是假象。,*,*,13,关于整体情报预警的故事,设有一群坏人会偶尔在酒店聚会策划阴谋 想找出那些同一天在同一个酒店至少出现两次的人群.,14,假设,109 可疑人. 1000 days. 每个人去酒店的概率 1% (1000天里住10天酒店). 酒店容纳100 人 (有 105 个酒店). 每个人行为都是随机的。数据挖掘能发现可疑行为吗？,15,Calculations (1),人员 p 和人员 q 同一天在同一个酒店出现的概率 : 1/100 1/100 10-5 = 10-9. 人员p 和 q 在d1 和 d2 出现在同一个酒店的概率: 10-9 10-9 = 10-18. 1000天任意两天的排列组合: 5105.,16,Calculations (2),人员 p 和 q 在任意两天出现在同一个酒店的概率: 5105 10-18 = 510-13. 可能的人数是10亿，任意两个人的排列组合是: 51017. 平均可疑的人员对的数目: 51017 510-13 = 250,000. 实际上他们是纯随机导致的巧合,17,结论,假设真的有10 对坏人在同一个酒店出现两次. 需要扫描250,010 对候选人才能找出这10对坏人. 这个方法好吗？,18,小结,寻找某个性质的事件的时候 (如, “两个人在同一个旅馆出现了两次”), 需要考虑纯随机性是否会产生多个具有这个性质的事件。,19,Rhine Paradox (1),Joseph Rhine是1950年代的心理学家，他猜想某些人有超感知能力. 他设计了一个实验：要求实验对象猜10张隐藏的卡片的颜色： 红 或者 蓝？ 他发现1000个人里面有1个具有超感知能力 能猜对所有10张卡片的颜色!,20,Rhine Paradox (2),他告诉这些人他们有超能力，并要求他们再做一次同样的实验. 这些人都失去了他们的超能力. 为什么? 见下一个幻灯片.,21,Rhine Paradox (3),这个心理学家总结道：你不能告诉人们他们具有超能力，否则他们就会失去超能力.,22,Moral,理解了Bonferronis 原理，能够使你不犯那个心理学家的错误,1.3 相关知识,1.3.1 词语在文档中的重要性 根据文档的主题对文档进行分类 主题是通过一些能够表现主题的词语进行刻画。例如棒球、球、跑等。 并不是出现频率高的词最重要。如the,and等，这些常见的词（数百个）应该去掉 事实上，描述主题的词都比较罕见。,*,*,TF.IDF,假定有N篇文档，fij为词i在文档j中出现的频率（次数），词项i在文档j中的词项频率Tfij定义为 Tfij=fij/maxkfkj 其实就是fij除以在该文档出现次数最多的词的频率,*,TF.IDF,假定词项i在文档集的ni篇文档中出现，词项i的IDF定义如下 IDFi=log2(N/ni) 最后，词项i在文档j中的得分定义为Tfij*IDFi,*,*,TF.IDF,例1.3 如果有1048576个文档，词w在1024个文档中出现。对于文档j，w出现了20次，也是该文档中出现的最高频率。 Tfij*IDFi=log(1048576/1024)*1=10 其他条件同上，但是在文档k中，此w出现一次，而该文档中出现最多的词的频率是20.则 Tfij*IDFi=log(1048576/1024)*1/20=1/2,*,*,哈希函数,哈希函数的输入是一个哈希键值(hash-key），输出是一个桶编号(bucket number）。哈希函数将哈希键值随机化 如果哈希键值随机地从某个合理可能的哈希键分布中抽样而成，函数h把数目近似相等的哈希键值映射到相同的桶编号。,*,*,一个哈希函数例子,H(x)=x mod B 如果x是随机的整数值，则x将被均匀分配到每个桶中，即0到B-1的整数 如果X只是偶数，且B=10，则答案只有0，2，4，6，8.答案不够均匀 如果X只是偶数，且B=11，则答案均匀 如果大部分x与B具有公因式，则答案不均匀。 通常取B为素数。,*,*,哈希函数,如果输入数据类型是有比特位构成，则把比特位转换为整数 字符串转换为ASCII,在解释为整数 等等,*,*,索引,通常的数据对象是记录。每个记录包括多个字段。 在某个字段上面建立索引。索引一种高效的数据查找结构。例如，哈希函数就是一种实现方法。 如图1-2所示。,*,*,*,*,二级存储器,从磁盘读入数据的时间是从内存读入数据的100000倍。磁盘读入数据的时间大约是10毫秒。 如果需要读取的数据在磁盘上的一个柱面上，则读入一批数据时不需要转动磁头，则读入每块数据的时间可以小于10毫秒。,*,*,1.3.6 幂律分布,随机变量的