XML與面向Web的數(shù)據(jù)挖掘技術(shù)

申請免費試用、咨詢電話：400-8352-114

面向Web的數(shù)據(jù)挖掘

Web上有海量的數(shù)據(jù)信息，怎樣對這些數(shù)據(jù)進行復雜的應(yīng)用成了現(xiàn)今數(shù)據(jù)庫技術(shù)的研究熱點。數(shù)據(jù)挖掘就是從大量的數(shù)據(jù)中發(fā)現(xiàn)隱含的規(guī)律性的內(nèi)容，解決數(shù)據(jù)的應(yīng)用質(zhì)量問題。充分利用有用的數(shù)據(jù)，廢棄虛偽無用的數(shù)據(jù)，是數(shù)據(jù)挖掘技術(shù)的最重要的應(yīng)用。相對于Web的數(shù)據(jù)而言，傳統(tǒng)的數(shù)據(jù)庫中的數(shù)據(jù)結(jié)構(gòu)性很強，即其中的數(shù)據(jù)為完全結(jié)構(gòu)化的數(shù)據(jù)，而Web上的數(shù)據(jù)最大特點就是半結(jié)構(gòu)化。所謂半結(jié)構(gòu)化是相對于完全結(jié)構(gòu)化的傳統(tǒng)數(shù)據(jù)庫的數(shù)據(jù)而言。顯然，面向Web的數(shù)據(jù)挖掘比面向單個數(shù)據(jù)倉庫的數(shù)據(jù)挖掘要復雜得多。
   
1.異構(gòu)數(shù)據(jù)庫環(huán)境   

數(shù)據(jù)庫研究的角度出發(fā)，Web網(wǎng)站上的信息也可以看作一個數(shù)據(jù)庫，一個更大、更復雜的數(shù)據(jù)庫。Web上的每一個站點就是一個數(shù)據(jù)源，每個數(shù)據(jù)源都是異構(gòu)的，因而每一站點之間的信息和組織都不一樣，這就構(gòu)成了一個巨大的異構(gòu)數(shù)據(jù)庫環(huán)境。如果想要利用這些數(shù)據(jù)進行數(shù)據(jù)挖掘，首先，必須要研究站點之間異構(gòu)數(shù)據(jù)的集成問題，只有將這些站點的數(shù)據(jù)都集成起來，提供給用戶一個統(tǒng)一的視圖，才有可能從巨大的數(shù)據(jù)資源中獲取所需的東西。其次，還要解決Web上的數(shù)據(jù)查詢問題，因為如果所需的數(shù)據(jù)不能很有效地得到，對這些數(shù)據(jù)進行分析、集成、處理就無從談起。
   
2.半結(jié)構(gòu)化的數(shù)據(jù)結(jié)構(gòu)   

Web上的數(shù)據(jù)與傳統(tǒng)的數(shù)據(jù)庫中的數(shù)據(jù)不同，傳統(tǒng)的數(shù)據(jù)庫都有一定的數(shù)據(jù)模型，可以根據(jù)模型來具體描述特定的數(shù)據(jù)。而Web上的數(shù)據(jù)非常復雜，沒有特定的模型描述，每一站點的數(shù)據(jù)都各自獨立設(shè)計，并且數(shù)據(jù)本身具有自述性和動態(tài)可變性。因而，Web上的數(shù)據(jù)具有一定的結(jié)構(gòu)性，但因自述層次的存在，從而是一種非完全結(jié)構(gòu)化的數(shù)據(jù)，這也被稱之為半結(jié)構(gòu)化數(shù)據(jù)。半結(jié)構(gòu)化是Web上數(shù)據(jù)的最大特點。
   
3.解決半結(jié)構(gòu)化的數(shù)據(jù)源問題   

Web數(shù)據(jù)挖掘技術(shù)首要解決半結(jié)構(gòu)化數(shù)據(jù)源模型和半結(jié)構(gòu)化數(shù)據(jù)模型的查詢與集成問題。解決Web上的異構(gòu)數(shù)據(jù)的集成與查詢問題，就必須要有一個模型來清晰地描述Web上的數(shù)據(jù)。針對Web上的數(shù)據(jù)半結(jié)構(gòu)化的特點，尋找一個半結(jié)構(gòu)化的數(shù)據(jù)模型是解決問題的關(guān)鍵所在。除了要定義一個半結(jié)構(gòu)化數(shù)據(jù)模型外，還需要一種半結(jié)構(gòu)化模型抽取技術(shù)，即自動地從現(xiàn)有數(shù)據(jù)中抽取半結(jié)構(gòu)化模型的技術(shù)。面向Web的數(shù)據(jù)挖掘必須以半結(jié)構(gòu)化模型和半結(jié)構(gòu)化數(shù)據(jù)模型抽取技術(shù)為前提。
   
XML與Web數(shù)據(jù)挖掘技術(shù)

XML為基礎(chǔ)的新一代WWW環(huán)境是直接面對Web數(shù)據(jù)的，不僅可以很好地兼容原有的Web應(yīng)用，而且可以更好地實現(xiàn)Web中的信息共享與交換。XML可看作一種半結(jié)構(gòu)化的數(shù)據(jù)模型，可以很容易地將XML的文檔描述與關(guān)系數(shù)據(jù)庫中的屬性一對應(yīng)起來，實施精確地查詢與模型抽取。
   
1.XML的產(chǎn)生與發(fā)展

XML(eXtensibleMarkupLanguage)是由萬維網(wǎng)協(xié)會(W3C)設(shè)計，特別為Web應(yīng)用服務(wù)的SGML（StandardGeneralMarkupLanguage）的一個重要分支?？偟膩碚f，XML是一種中介標示語言（Meta-markupLanguage），可提供描述結(jié)構(gòu)化資料的格式，詳細來說，XML是一種類似于HTML，被設(shè)計用來描述數(shù)據(jù)的語言。XML提供了一種獨立的運行程序的方法來共享數(shù)據(jù)，它是用來自動描述信息的一種新的標準語言，它能使計算機通信把Internet的功能由信息傳遞擴大到人類其他多種多樣的活動中去。XML由若干規(guī)則組成，這些規(guī)則可用于創(chuàng)建標記語言，并能用一種被稱作分析程序的簡明程序處理所有新創(chuàng)建的標記語言，正如HTML為第一個計算機用戶閱讀Internet文檔提供一種顯示方式一樣，XML也創(chuàng)建了一種任何人都能讀出和寫入的世界語。XML解決了HTML不能解決的兩個Web問題，即Internet發(fā)展速度快而接入速度慢的問題，以及可利用的信息多，但難以找到自己需要的那部分信息的問題。XML能增加結(jié)構(gòu)和語義信息，可使計算機和服務(wù)器即時處理多種形式的信息。因此，運用XML的擴展功能不僅能從Web服務(wù)器下載大量的信息，還能大大減少網(wǎng)絡(luò)業(yè)務(wù)量。
   
XML中的標志(TAG)是沒有預先定義的，使用者必須要自定義需要的標志，XML是能夠進行自解釋(SelfDescribing)的語言。XML使用DTD(DocumentTypeDefinition文檔類型定義)來顯示這些數(shù)據(jù)，XSL(eXtensibleStyleSheetLanguage)是一種來描述這些文檔如何顯示的機制，它是XML的樣式表描述語言。XSL的歷史比HTML用的CSS(層疊式樣式表CascadingStyleSheets)還要悠久，XSL包括兩部分：一個用來轉(zhuǎn)換XML文檔的方法；一個用來格式化XML文檔的方法。XLL（eXtensibleLinkLanguage）是XML連接語言，它提供XML中的連接，與HTML中的類似，但功能更強大。使用XLL，可以多方向連接，且連接可以存在于對象層級，而不僅僅是頁面層級。由于XML能夠標記更多的信息，所以它就能使用戶很輕松地找到他們需要的信息。利用XML，Web設(shè)計人員不僅能創(chuàng)建文字和圖形，而且還能構(gòu)建文檔類型定義的多層次、相互依存的系統(tǒng)、數(shù)據(jù)樹、元數(shù)據(jù)、超鏈接結(jié)構(gòu)和樣式表。
   
2.XML的主要特點   

正是XML的特點決定了其卓越的性能表現(xiàn)。XML作為一種標記語言，有許多特點：   
 
（1）簡單。XML經(jīng)過精心設(shè)計，整個規(guī)范簡單明了，它由若干規(guī)則組成，這些規(guī)則可用于創(chuàng)建標記語言，并能用一種常常稱作分析程序的簡明程序處理所有新創(chuàng)建的標記語言。XML能創(chuàng)建一種任何人都能讀出和寫入的世界語，這種創(chuàng)建世界語的功能叫做統(tǒng)一性功能。如XML創(chuàng)建的標記總是成對出現(xiàn)，以及依靠稱作統(tǒng)一代碼的新的編碼標準。   
 
（2）開放。XML是SGML在市場上有許多成熟的軟件可用來幫助編寫、管理等,開放式標準XML的基礎(chǔ)是經(jīng)過驗證的標準技術(shù)，并針對網(wǎng)絡(luò)做最佳化。眾多業(yè)界頂尖公司，與W3C的工作群組并肩合作，協(xié)助確保交互作業(yè)性，支持各式系統(tǒng)和瀏覽器上的開發(fā)人員、作者和使用者，以及改進XML標準。XML解釋器可以使用編程的方法來載入一個XML的文檔，當這個文檔被載入以后,用戶就可以通過XML文件對象模型來獲取和操縱整個文檔的信息，加快了網(wǎng)絡(luò)運行速度。   
 
（3）高效且可擴充。支持復用文檔片斷，使用者可以發(fā)明和使用自己的標簽，也可與他人共享，可延伸性大，在XML中，可以定義無限量的一組標注。XML提供了一個標示結(jié)構(gòu)化資料的架構(gòu)。一個XML組件可以宣告與其相關(guān)的資料為零售價、營業(yè)稅、書名、數(shù)量或其它任何數(shù)據(jù)元素。隨著世界范圍內(nèi)的許多機構(gòu)逐漸采用XML標準，將會有更多的相關(guān)功能出現(xiàn)：一旦鎖定資料，便可以使用任何方式透過電纜線傳遞，并在瀏覽器中呈現(xiàn)，或者轉(zhuǎn)交到其他應(yīng)用程序做進一步的處理。XML提供了一個獨立的運用程序的方法來共享數(shù)據(jù)，使用DTD，不同的組中的人就能夠使用共同的DTD來交換數(shù)據(jù)。你的應(yīng)用程序可以使用這個標準的DTD來驗證你接受到的數(shù)據(jù)是否有效，你也可以使用一個DTD來驗證你自己的數(shù)據(jù)。   

（4）國際化。標準國際化，且支持世界上大多數(shù)文字。這源于依靠它的統(tǒng)一代碼的新的編碼標準，這種編碼標準支持世界上所有以主要語言編寫的混合文本。在HTML中，就大多數(shù)字處理而言，一個文檔一般是用一種特殊語言寫成的，不管是英語，還是日語或阿拉伯語，如果用戶的軟件不能閱讀特殊語言的字符，那么他就不能使用該文檔。但是能閱讀XML語言的軟件就能順利處理這些不同語言字符的任意組合。因此，XML不僅能在不同的計算機系統(tǒng)之間交換信息，而且能跨國界和超越不同文化疆界交換信息。
   
3.XML在Web數(shù)據(jù)挖掘中的應(yīng)用   

XML已經(jīng)成為正式的規(guī)范，開發(fā)人員能夠用XML的格式標記和交換數(shù)據(jù)。XML在三層架構(gòu)上為數(shù)據(jù)處理提供了很好的方法。使用可升級的三層模型，XML可以從存在的數(shù)據(jù)中產(chǎn)生出來，使用XML結(jié)構(gòu)化的數(shù)據(jù)可以從商業(yè)規(guī)范和表現(xiàn)形式中分離出來。數(shù)據(jù)的集成、發(fā)送、處理和顯示是下面過程中的每一個步驟:     

促進XML應(yīng)用的是那些用標準的HTML無法完成的Web應(yīng)用。這些應(yīng)用從大的方面講可以被分成以下四類：需要Web客戶端在兩個或更多異質(zhì)數(shù)據(jù)庫之間進行通信的應(yīng)用；試圖將大部分處理負載從Web服務(wù)器轉(zhuǎn)到Web客戶端的應(yīng)用；需要Web客戶端將同樣的數(shù)據(jù)以不同的瀏覽形式提供給不同的用戶的應(yīng)用；需要智能Web代理根據(jù)個人用戶的需要裁減信息內(nèi)容的應(yīng)用。顯而易見，這些應(yīng)用和Web的數(shù)據(jù)挖掘技術(shù)有著重要的聯(lián)系，基于Web的數(shù)據(jù)挖掘必須依靠它們來實現(xiàn)。
  
XML給基于Web的應(yīng)用軟件賦予了強大的功能和靈活性，因此它給開發(fā)者和用戶帶來了許多好處。比如進行更有意義的搜索，并且Web數(shù)據(jù)可被XML唯一地標識。沒有XML，搜索軟件必須了解每個數(shù)據(jù)庫是如何構(gòu)建的，但這實際上是不可能的，因為每個數(shù)據(jù)庫描述數(shù)據(jù)的格式幾乎都是不同的。由于不同來源數(shù)據(jù)的集成問題的存在，現(xiàn)在搜索多樣的不兼容的數(shù)據(jù)庫實際上是不可能的。XML能夠使不同來源的結(jié)構(gòu)化的數(shù)據(jù)很容易地結(jié)合在一起。軟件代理商可以在中間層的服務(wù)器上對從后端數(shù)據(jù)庫和其它應(yīng)用處來的數(shù)據(jù)進行集成。然后，數(shù)據(jù)就能被發(fā)送到客戶或其他服務(wù)器做進一步的集合、處理和分發(fā)。XML的擴展性和靈活性允許它描述不同種類應(yīng)用軟件中的數(shù)據(jù)，從描述搜集的Web頁到數(shù)據(jù)記錄，從而通過多種應(yīng)用得到數(shù)據(jù)。同時，由于基于XML的數(shù)據(jù)是自我描述的，數(shù)據(jù)不需要有內(nèi)部描述就能被交換和處理。利用XML，用戶可以方便地進行本地計算和處理，XML格式的數(shù)據(jù)發(fā)送給客戶后，客戶可以用應(yīng)用軟件解析數(shù)據(jù)并對數(shù)據(jù)進行編輯和處理。使用者可以用不同的方法處理數(shù)據(jù)，而不僅僅是顯示它。XML文檔對象模式(DOM)允許用腳本或其他編程語言處理數(shù)據(jù)，數(shù)據(jù)計算不需要回到服務(wù)器就能進行。XML可以被利用來分離使用者觀看數(shù)據(jù)的界面，使用簡單靈活開放的格式，可以給Web創(chuàng)建功能強大的應(yīng)用軟件，而原來這些軟件只能建立在高端數(shù)據(jù)庫上。另外，數(shù)據(jù)發(fā)到桌面后，能夠用多種方式顯示。
   
XML還可以通過以簡單開放擴展的方式描述結(jié)構(gòu)化的數(shù)據(jù)，XML補充了HTML，被廣泛地用來描述使用者界面。HTML描述數(shù)據(jù)的外觀，而XML描述數(shù)據(jù)本身。由于數(shù)據(jù)顯示與內(nèi)容分開，XML定義的數(shù)據(jù)允許指定不同的顯示方式，使數(shù)據(jù)更合理地表現(xiàn)出來。本地的數(shù)據(jù)能夠以客戶配置、使用者選擇或其他標準決定的方式動態(tài)地表現(xiàn)出來。CSS和XSL為數(shù)據(jù)的顯示提供了公布的機制。通過XML，數(shù)據(jù)可以粒狀地更新。每當一部分數(shù)據(jù)變化后，不需要重發(fā)整個結(jié)構(gòu)化的數(shù)據(jù)。變化的元素必須從服務(wù)器發(fā)送給客戶，變化的數(shù)據(jù)不需要刷新整個使用者的界面就能夠顯示出來。但在目前，只要一條數(shù)據(jù)變化了，整一頁都必須重建。這嚴重限制了服務(wù)器的升級性能。XML也允許加進其他數(shù)據(jù)，比如預測的溫度。加入的信息能夠進入存在的頁面，不需要瀏覽器重新發(fā)一個新的頁面。XML應(yīng)用于客戶需要與不同的數(shù)據(jù)源進行交互時，數(shù)據(jù)可能來自不同的數(shù)據(jù)庫，它們都有各自不同的復雜格式。但客戶與這些數(shù)據(jù)庫間只通過一種標準語言進行交互，那就是XML。由于XML的自定義性及可擴展性，它足以表達各種類型的數(shù)據(jù)。客戶收到數(shù)據(jù)后可以進行處理，也可以在不同數(shù)據(jù)庫間進行傳遞?？傊谶@類應(yīng)用中，XML解決了數(shù)據(jù)的統(tǒng)一接口問題。但是，與其他的數(shù)據(jù)傳遞標準不同的是，XML并沒有定義數(shù)據(jù)文件中數(shù)據(jù)出現(xiàn)的具體規(guī)范，而是在數(shù)據(jù)中附加TAG來表達數(shù)據(jù)的邏輯結(jié)構(gòu)和含義。這使XML成為一種程序能自動理解的規(guī)范。
   
XML應(yīng)用于將大量運算負荷分布在客戶端，即客戶可根據(jù)自己的需求選擇和制作不同的應(yīng)用程序以處理數(shù)據(jù)，而服務(wù)器只須發(fā)出同一個XML文件。如按傳統(tǒng)的“Client/Server”工作方式，客戶向服務(wù)器發(fā)出不同的請求，服務(wù)器分別予以響應(yīng)，這不僅加重服務(wù)器本身的負荷，而且網(wǎng)絡(luò)管理者還須事先調(diào)查各種不同的用戶需求以做出相應(yīng)不同的程序，但假如用戶的需求繁雜而多變，則仍然將所有業(yè)務(wù)邏輯集中在服務(wù)器端是不合適的，因為服務(wù)器端的編程人員可能來不及滿足眾多的應(yīng)用需求，也來不及跟上需求的變化，雙方都很被動。應(yīng)用XML則將處理數(shù)據(jù)的主動權(quán)交給了客戶，服務(wù)器所作的只是盡可能完善、準確地將數(shù)據(jù)封裝進XML文件中，正是各取所需、各司其職。XML的自解釋性使客戶端在收到數(shù)據(jù)的同時也理解數(shù)據(jù)的邏輯結(jié)構(gòu)與含義，從而使廣泛、通用的分布式計算成為可能。
   
XML還被應(yīng)用于網(wǎng)絡(luò)代理，以便對所取得的信息進行編輯、增減以適應(yīng)個人用戶的需要。有些客戶取得數(shù)據(jù)并不是為了直接使用而是為了根據(jù)需要組織自己的數(shù)據(jù)庫。比方說，教育部門要建立一個龐大的題庫，考試時將題庫中的題目取出若干組成試卷，再將試卷封裝進XML文件，接下來在各個學校讓其通過一個過濾器，濾掉所有的答案，再發(fā)送到各個考生面前，未經(jīng)過濾的內(nèi)容則可直接送到老師手中，當然考試過后還可以再傳送一份答案匯編。此外，XML文件中還可以包含進諸如難度系數(shù)、往年錯誤率等其他相關(guān)信息，這樣只需幾個小程序，同一個XML文件便可變成多個文件傳送到不同的用戶手中。
   
結(jié)束語

面向Web的數(shù)據(jù)挖掘是一項復雜的技術(shù)，由于Web數(shù)據(jù)挖掘比單個數(shù)據(jù)倉庫的挖掘要復雜的多，因而面向Web的數(shù)據(jù)挖掘成了一個難以解決的問題。而XML的出現(xiàn)為解決Web數(shù)據(jù)挖掘的難題帶來了機會。由于XML能夠使不同來源的結(jié)構(gòu)化的數(shù)據(jù)很容易地結(jié)合在一起，因而使搜索多樣的不兼容的數(shù)據(jù)庫能夠成為可能，從而為解決Web數(shù)據(jù)挖掘難題帶來了希望。XML的擴展性和靈活性允許XML描述不同種類應(yīng)用軟件中的數(shù)據(jù)，從而能描述搜集的Web頁中的數(shù)據(jù)記錄。同時，由于基于XML的數(shù)據(jù)是自我描述的，數(shù)據(jù)不需要有內(nèi)部描述就能被交換和處理。作為表示結(jié)構(gòu)化數(shù)據(jù)的一個工業(yè)標準，XML為組織、軟件開發(fā)者、Web站點和終端使用者提供了許多有利條件。相信在以后，隨著XML作為在Web上交換數(shù)據(jù)的一種標準方式的出現(xiàn)，面向Web的數(shù)據(jù)挖掘?qū)兊梅浅］p松。 

來源：編輯之家