1、數(shù)據(jù)挖掘以及教育應(yīng)用數(shù)據(jù)挖掘是一門交叉學(xué)科，融合了數(shù)據(jù)庫、人工智能？、機器學(xué)習(xí)、統(tǒng)計 學(xué)等多個領(lǐng)域的理論和技術(shù)。一、數(shù)據(jù)挖掘是什么?定義 人們在日常生活中經(jīng)常會遇到這樣的情況：超市的經(jīng)營者希望將經(jīng)常被同時購買 的商品放在一起，以增加銷售；保險公司想知道購買保險的客戶一般具有哪些特 征；醫(yī)學(xué)研究人員希望從已有的成千上萬份病歷中找出患某種疾病的病人的共同 特征，從而為治愈這種疾病提供一些幫助。對于以上問題，現(xiàn)有信息管理系統(tǒng)中的數(shù)據(jù)分析工具無法給出答案。因為無 論是查詢、統(tǒng)計還是報表，其處理方式都是對指定的數(shù)據(jù)進行簡單的數(shù)字處理， 而不能對這些數(shù)據(jù)所包含的內(nèi)在信息進行提取。隨著信息管理系統(tǒng)的廣泛應(yīng)用

2、和 數(shù)據(jù)量激增，人們希望能夠提供更高層次的數(shù)據(jù)分析功能，從而更好地對決策或 科研工作提供支持。正是為了滿足這種要求，從大量數(shù)據(jù)中提取出隱藏在其中的有用信息，將機器學(xué)習(xí)應(yīng)用于大型數(shù)據(jù)庫的數(shù)據(jù)挖掘(Data Mining)技術(shù)得到了長足的發(fā)展。機器學(xué)習(xí)(Machine Learning) 是研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行 為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。 它是人工智能的核心，是使計算機具有智能的根本途徑，其應(yīng)用遍及人工智能的 各個領(lǐng)域，它主要使用歸納、綜合而不是演繹。機器學(xué)習(xí)在人工智能的研究中具有十分重要的地位。一個不具有學(xué)習(xí)能 力的智能系統(tǒng)難以稱得上

3、是一個真正的智能系統(tǒng)，但是以往的智能系統(tǒng)都普遍缺 少學(xué)習(xí)的能力。例如，它們遇到錯誤時不能自我校正；不會通過經(jīng)驗改善自身的 性能；不會自動獲取和發(fā)現(xiàn)所需要的知識。隨著人工智能的深入發(fā)展，這些局限 性表現(xiàn)得愈加突出。正是在這種情形下，機器學(xué)習(xí)逐漸成為人工智能研究的核心 之一。它的應(yīng)用已遍及人工智能的各個分支，如專家系統(tǒng)、自動推理、自然語言 理解、模式識別、計算機視覺、智能機器人等領(lǐng)域。其中尤其典型的是專家系統(tǒng) 中的知識獲取瓶頸問題，人們一直在努力試圖采用機器學(xué)習(xí)的方法加以克服。定義1：數(shù)據(jù)挖掘（data mining）,顧名思義就是從大量的數(shù)據(jù)中挖掘出有用的信息，即從大量的、不完全的、有噪聲的、模

4、糊的、隨機的數(shù)據(jù)中提取隱含在其中的、規(guī)律性的、 人們事先不知道的、但又是潛在有用的并且最終可被理解的信息和知識的非平凡過程定義2：數(shù)據(jù)挖掘，在人工智能領(lǐng)域，習(xí)慣上又稱為數(shù)據(jù)庫中的知識發(fā)現(xiàn) （Knowledge Discover Database，KDD），是從大量數(shù)據(jù)中提取出可信、新穎、有 效并能被人理解的模式的高級處理過程。知識發(fā)現(xiàn)過程以下三個階段組成：（1） 數(shù)據(jù)準備，（2）數(shù)據(jù)挖掘，（3）結(jié)果表達和解釋。數(shù)據(jù)挖掘可以與用戶或知 識庫交互。圖L5電克數(shù)據(jù)栓掘系統(tǒng)的結(jié)構(gòu).數(shù)據(jù)挖掘?qū)ο蟾鶕?jù)信息存儲格式，用于挖掘的對象有關(guān)系數(shù)據(jù)庫、面向?qū)ο髷?shù)據(jù)庫、數(shù)據(jù) 倉庫、文本數(shù)據(jù)源、多媒體數(shù)據(jù)庫、空間數(shù)據(jù)庫

5、、時態(tài)數(shù)據(jù)庫、異質(zhì)數(shù)據(jù)庫以及 Internet 等。.數(shù)據(jù)挖掘流程定義問題：清晰地定義出業(yè)務(wù)問題，確定數(shù)據(jù)挖掘的目的。數(shù)據(jù)準備：數(shù)據(jù)準備包括：選擇數(shù)據(jù)-在大型數(shù)據(jù)庫和數(shù)據(jù)倉庫目標中提 取數(shù)據(jù)挖掘的目標數(shù)據(jù)集；數(shù)據(jù)預(yù)處理-進行數(shù)據(jù)再加工，包括檢查數(shù)據(jù)的完整 性及數(shù)據(jù)的一致性、去噪聲，填補丟失的域，刪除無效數(shù)據(jù)等。數(shù)據(jù)挖掘：根據(jù)數(shù)據(jù)功能的類型和和數(shù)據(jù)的特點選擇相應(yīng)的算法，在凈化 和轉(zhuǎn)換過的數(shù)據(jù)集上進行數(shù)據(jù)挖掘。結(jié)果分析：對數(shù)據(jù)挖掘的結(jié)果進行解釋和評價，轉(zhuǎn)換成為能夠最終被用戶 理解的知識。知識的運用：將分析所得到的知識集成到業(yè)務(wù)信息系統(tǒng)的組織結(jié)構(gòu)中去。4.數(shù)據(jù)檢索VS數(shù)據(jù)挖掘并非所有的信息發(fā)現(xiàn)任務(wù)都

6、被視為數(shù)據(jù)挖掘。例如，使用數(shù)據(jù)庫管理系統(tǒng)查 找個別的記錄，或通過因特網(wǎng)的搜索引擎查找特定的Web頁面，則是信息檢索(information retrieval)領(lǐng)域的任務(wù)。雖然這些任務(wù)是重要的，可能涉及使用復(fù) 雜的算法和數(shù)據(jù)結(jié)構(gòu)，但是它們主要依賴傳統(tǒng)的計算機科學(xué)技術(shù)和數(shù)據(jù)的明顯特 征來創(chuàng)建索引結(jié)構(gòu)，從而有效地組織和檢索信息。數(shù)據(jù)挖掘技術(shù)也用來增強信息 檢索系統(tǒng)的能力。從大量數(shù)據(jù)中提取出隱藏在其中的有用信息和知識的過程。二、數(shù)據(jù)挖掘能做什么？敖摭療柬技-七日町總寶通推比較賞泛“用木一斐幻輿這個成限-擔叩口的方抵I , S些萬法菰可以反莪I&中梅取有用的新信羸 蚊六神A氐也. Ii號知1七：攻心;

7、“;；S f !：】口諾1;:二: 項偵此pnyrmF；職告成美聯(lián)法財而酬 睥11牌噂D由SOtiflljftrt nd耕：1拇述；叫嘵億d*叫iiMi頓：3日1.虹虹1：.A戔或I作-炭計褂IT塑I.并于白攫的墳說適配上卜咔把：宓J直Ji 教揖壬成中一目杯虬犯聲珥得到的散-澳立我盅,用Aft禺-虬碧鞍罪米籍述我|沸玲卻1免 HEI：作.W啊戒財.嘩5先-j可W,51：挾斜控言：心 州Lurunu:,在心&敬3S況勤中一河背中的門州查扯.目標是打所擊禎；址中爰心此聯(lián)菁彌圣首由山芬野客取imwd.名士甘.給云封客迥事柳戲挪.如打頊4咒典W 的賣科玄商在在山的H定N,疑分浩船霽扼事勒笑擔表說為數(shù)掘

8、F-中秋N寸童.一命炎村過再是惜 ,嗦關(guān)/、國甄*奇記:/,.弟一軍中:垃成心樣明是材記京的史新.分罪工作的特點是先時不同卻莢別加以定加并由預(yù)先分類的岸本構(gòu)成訓(xùn)埠柴Fm如通 ”、在去是基建立一個（ft型并應(yīng)用謳一模型時豐分，散懈進行丁賣，汁英工柞薊舉例包精; 敕網(wǎng)二E拉一浦寸帶按美母|司土在石同炎到中i 特悟用卡率謫者博低.中就 g 分斃;七運嶺，匕家粗的比酒屈上制的；箱徵客傳亨注常定鯽藏害生型分jft,二：以穴臥子-中圈亮別命*己明，旦昆有映的震甘姓和仁“確:妒分用在基一萱E,估計分類處理的是寓散的蜻果:如”是與“不是抵押和-購車貸款l估計處理的 是笠K的結(jié)用:在巳知一些輸入的數(shù)據(jù)后.我何可

9、以用佑H的方怯得H未知時遷續(xù)聚陲機使量的 咨一數(shù)虬例如收/V導(dǎo)商或話用卡的在*跋中，估計經(jīng),渚秋用來它，斶斤類的一.!一停.-個很凸試圖耍作出決元應(yīng)該九-麟屹算蘆提 供購比財產(chǎn)廢胺.考忠的做法是將職甫的客由柿就借某.1，模用,模型治蝦個客jr ,牛吊仁釗1的分#L茵個分值實際上是某個客戶對申請儲裁積極響應(yīng)的幅率估計值&這種方法格對個人過 去的記錄進行分析、然后對每個客戶費積祗IH應(yīng)的程度排序口分類的任務(wù)括換成建立一個分數(shù)臨 界激值。如果一個人的得分大于等于這一臨界值,他就可SE是有賓趣的客%其他分類工作也可以a佑廿來實現(xiàn)剜虬客戶戴sim）模型餌瞟估計出睇客戶可能會轉(zhuǎn)機可以袖認為是就客戶是否要瞅

10、的分類成者可以被視為時顧客觸眼務(wù)時惻長度的一種估計， 估計的其他例子包括，對一個家庭中孩子個朕的估計：向?qū)κ彝ニ杖氲闹?；?鼾護價d觥此多散情況R分第與枯什在一苦使用日例如戳據(jù)推裾在祓用來Hffl哪些客戶對銀行信用卡站 余轉(zhuǎn)奉服務(wù)有興趣at也耍同時估計從銀行F向僧用住費賬金敏的多少,預(yù)測認由，他測本目并不是一舛獨立存壓.的方法-.4 何的城湖都可以袖認h以分綽或姑一汁， 在聞之處*于禰強調(diào)的是什取p當數(shù)撮控揖就用來區(qū)分某一個電話是普通人網(wǎng)的電話還是帝有 敷詐行為的信用卡文易的電話時畿們芳澄有打算事后再來檢陞這f次分矣是否正禰，我們的分 安可能是時的，也可推控不時藥，不踴定科伐叫是由于氏機牌

11、知識尚KH備：氏為7T現(xiàn)實世早中， 扣.?能持*和沾是已經(jīng)發(fā)生./、電話可能聯(lián)結(jié)到當?shù)卣蘴聯(lián)匙幅各供貨商mis也可能不是.，忸 用旨易可能是-廉的,也可能是販詐的口如果我們罩維做大的工作.也可能對這些結(jié)果加以 整酩威而，怯機是不叫抵，因咒汜云日經(jīng)扭賈/到的未來大或畏估計的未來數(shù)埴迎行一過訂 類；布徹摭中：射分類推晚性的拎通！I隴儒待事物發(fā)生后才能南定， 預(yù)測的騎尸包括；*遮個隹用一霧接曜棣勺侑用卡飴余轉(zhuǎn)服業(yè)務(wù)日二敢刨轉(zhuǎn)賬的.散領(lǐng)；波瀏芯塞六八北|可哪些客戶取消公仍的.眼務(wù)；,或測峙些電曲用F會巾誼使用二占迫話或留吉電諾的堆伯腰務(wù).、在時訓(xùn)練樣本進行預(yù)時分類初估計技術(shù)都可使用.訓(xùn)本使用的是呀史數(shù)

12、據(jù)，嚓預(yù)刑 的壯M1M已巨的，浸用反史數(shù)搦建立模型閔H的是辯糙是前爰十的行方r如果將峭前蝕散蝸瑜 7冥瑯,功I以用來預(yù)捎未來伽I為.組合或美聯(lián)法則叩介垛時任務(wù)是璃定那些，鄂訶會一起出刖:典型的舸子是蜜迎定原客也超市:卜的時購買哪 些商品即購物籃或購崗車中都是哪些商品右零曾連馥店應(yīng)用坦合法來安排貨架上的商品或商品 目錄-這樣將常常一起買的東西效在一起以方瘦顧窖凸螺合法還可以袖用來分析交叉曲物的機會 -IRlF.S - 5吒），以設(shè)汁首吸引力的寥種商品和服務(wù)的包裝與鼠合h關(guān)聯(lián)規(guī)則：我們有一個有趣的故事：”尿布與啤酒”的故事。在一家超市里，有一個有趣的現(xiàn)象：尿布和啤酒赫然擺在一起出售。但是這 個奇怪

13、的舉措?yún)s使尿布和啤酒的銷量雙雙增加了。這不是一個笑話，而是發(fā)生在 美國沃爾瑪連鎖店超市的真實案例，并一直為商家所津津樂道。沃爾瑪擁有世界 上最大的數(shù)據(jù)倉庫系統(tǒng)，為了能夠準確了解顧客在其門店的購買習(xí)慣，沃爾瑪對 其顧客的購物行為進行購物籃分析，想知道顧客經(jīng)常一起購買的商品有哪些。沃 爾瑪數(shù)據(jù)倉庫里集中了其各門店的詳細原始交易數(shù)據(jù)。在這些原始交易數(shù)據(jù)的基 礎(chǔ)上，沃爾瑪利用數(shù)據(jù)挖掘方法對這些數(shù)據(jù)進行分析和挖掘。一個意外的發(fā)現(xiàn)是： ”跟尿布一起購買最多的商品竟是啤酒！經(jīng)過大量實際調(diào)查和分析，揭示了一個 隱藏在”尿布與啤酒”背后的美國人的一種行為模式：在美國，一些年輕的父親下 班后經(jīng)常要到超市去買嬰兒尿

14、布，而他們中有30%40%的人同時也為自己買 一些啤酒。產(chǎn)生這一現(xiàn)象的原因是：美國的太太們常叮囑她們的丈夫下班后為小 孩買尿布，而丈夫們在買尿布后又隨手帶回了他們喜歡的啤酒。按常規(guī)思維，尿布與啤酒風(fēng)馬牛不相及，若不是借助數(shù)據(jù)挖掘技術(shù)對大量交易數(shù)據(jù)進行挖掘分析，沃爾瑪是不可能發(fā)現(xiàn)數(shù)據(jù)內(nèi)在這一有價值的規(guī)律的。聚斐騾芙芝士借是控柜岫步核分成一類，Zi.計麒大的事物分在年0的類中，康類七全賣的堅.出也聚關(guān)并不依翰于事血晰至將的如劑.在聚類中.沒白軍,荒勇忘駐的擔*.也沒有冉本.：己盤持叫日寺垮砰的相何,性采茉在芬河就. 類別中。帔據(jù)挖掘者來決定各類是否有帝義，意堂是什么-時扁逮果類后的某一特殊糞刑可能

15、就 是某神特疆Hj疾隊&音瓦材盤:停帶購買蹴據(jù)騾擒中的不同條利伸 I健批也屋丁不屆史化背 的群忡果美通*也牛為其隹效挪挖屯或建模汽，舞的笫一步丁普.例加，蜜斐頁K作% -市場劃分耕究 的第一步口對于“顧客們最喜丈什自樣的促銷方式M這樣的向鹿，不應(yīng)簡單地采版單一的辦法，而 宙蜜首宵:叛精W客片劇乂刁慌迸行理美，丁吊出近購買刁頃葉恩客祓介在一 a探山，.不同隔類別 房或不同氓齡.尤-j隙嘿后-分別調(diào)改r臏每世.顧客戒喜汰的促鎰方描述與可掘化肖時.作糖足我fO逐行歌據(jù)蝴聃目晰噥是要對夏雜叩j御幗町札恐瓚 取樸靠M客一刊M W*一耐9游翔睇寸牌做 f郊岫臥,說乳甲戶 桃弟步E麒海的習(xí)嘛酗觥或EJ舔湖:

16、崔野通卷”法土斯 :件史“世TiX f美毗別仙治斷就噸節(jié)明，槌，而，期疽;說胸政障公備兄傍 A的斜3描述無蛹會禎記者甫辮就扮濟學(xué)寮搠再珈*晌竟興/.散握可視欠懸敷幗按捆的一神描述性的有強予程要做出官來暨的可觀化敬果不昌一#容偵jHE英法知就抵曄砒業(yè)荷奴因為人澎用=5貨 的赭受中抽最出有用的信史,數(shù)據(jù)挖掘一一客戶關(guān)系管理的科學(xué)與藝術(shù)2003三、數(shù)據(jù)挖掘技術(shù)有哪些？神經(jīng)網(wǎng)絡(luò)算法、遺傳算法、決策樹、統(tǒng)計分析、粗糙集、模糊集。此外，還 有基于樣例的學(xué)習(xí)、貝葉斯學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)方法神經(jīng)網(wǎng)絡(luò)由于本身良好的自組織自適應(yīng)性、并行處理、分布存儲和高度容錯 等特性非常適合解決數(shù)據(jù)挖掘的問題，因此近年來越來越受到人們的

17、關(guān)注。典型 的神經(jīng)網(wǎng)絡(luò)模型主要分3大類：以感知機、BP反向傳播模型、函數(shù)型網(wǎng)絡(luò)為代 表的，用于分類、預(yù)測和模式識別的前饋式神經(jīng)網(wǎng)絡(luò)模型；以Hopfield的離 散模型和連續(xù)模型為代表的，分別用于聯(lián)想記憶和優(yōu)化計算的反饋式神經(jīng)網(wǎng)絡(luò)模 型；以ART模型、Koholon模型為代表的，用于聚類的自組織映射方法。神 經(jīng)網(wǎng)絡(luò)方法的缺點是黑箱性，人們難以理解網(wǎng)絡(luò)的學(xué)習(xí)和決策過程。（2）決策樹方法決策樹是一種常用于預(yù)測模型的算法，它通過將大量數(shù)據(jù)有目的分類，從中 找到一些有價值的，潛在的信息。它的主要優(yōu)點是描述簡單，分類速度快，特別 適合大規(guī)模的數(shù)據(jù)處理。最有影響和最早的決策樹方法是由Quinlan提出的著

18、名的基于信息熵的ID3算法。它的主要問題是：ID3是非遞增學(xué)習(xí)算法；ID3 決策樹是單變量決策樹，復(fù)雜概念的表達困難；同性間的相互關(guān)系強調(diào)不夠；抗 噪性差。針對上述問題，出現(xiàn)了許多較好的改進算法，如Schlimmer和Fisher 設(shè)計了 ID4遞增式學(xué)習(xí)算法;鐘鳴，陳文偉等提出了 IBLE算法等。信息是個很抽象的概念。我們常常說信息很多，或者信息較少，但卻很難說清楚 信息到底有多少。比如一本五十萬字的中文書到底有多少信息量。直到1948年，香農(nóng)提出了 “信息嫡”（shang）的概念，才解決了對信息的量化度量問題。（3）遺傳算法遺傳算法是一種基于生物自然選擇與遺傳機理的隨機搜索算法，是一種仿生

19、 全局優(yōu)化方法。遺傳算法具有的隱含并行性、易于和其它模型結(jié)合等性質(zhì)使得它 在數(shù)據(jù)挖掘中被加以應(yīng)用。Sunil已成功地開發(fā)了一個基于遺傳算法的數(shù)據(jù)挖掘工具，利用該工具對兩 個飛機失事的真實數(shù)據(jù)庫進行了數(shù)據(jù)挖掘?qū)嶒?，結(jié)果表明遺傳算法是進行數(shù)據(jù)挖 掘的有效方法之一。遺傳算法的應(yīng)用還體現(xiàn)在與神經(jīng)網(wǎng)絡(luò)、粗集等技術(shù)的結(jié)合上。 如利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在不增加錯誤率的前提下，刪除多余的連接 和隱層單元;用遺傳算法和BP算法結(jié)合訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后從網(wǎng)絡(luò)提取規(guī)則等。 但遺傳算法的算法較復(fù)雜，收斂于局部極小的較早收斂問題尚未解決。（10）統(tǒng)計分析方法在數(shù)據(jù)庫字段項之間存在兩種關(guān)系：函數(shù)關(guān)系（能用函數(shù)公式表

20、示的確定性 關(guān)系）和相關(guān)關(guān)系（不能用函數(shù)公式表示，但仍是相關(guān)確定性關(guān)系），對它們的分 析可采用統(tǒng)計學(xué)方法，即利用統(tǒng)計學(xué)原理對數(shù)據(jù)庫中的信息進行分析。可進行常 用統(tǒng)計（求大量數(shù)據(jù)中的最大值、最小值、總和、平均值等）、回歸分析（用回歸 方程來表示變量間的數(shù)量關(guān)系）、相關(guān)分析（用相關(guān)系數(shù)來度量變量間的相關(guān)程 度）、差異分析（從樣本統(tǒng)計量的值得出差異來確定總體參數(shù)之間是否存在差異） 等。（11）模糊集方法即利用模糊集合理論對實際問題進行模糊評判、模糊決策、模糊模式識別和 模糊聚類分析。系統(tǒng)的復(fù)雜性越高，模糊性越強，一般模糊集合理論是用隸屬度 來刻畫模糊事物的亦此亦彼性的。李德毅等人在傳統(tǒng)模糊理論和概率

21、統(tǒng)計的基礎(chǔ) 上，提出了定性定量不確定性轉(zhuǎn)換模型-云模型，并形成了云理論。、（12）粗集方法粗集理論是一種研究不精確、不確定知識的數(shù)學(xué)工具。粗集方法有幾個優(yōu)點: 不需要給出額外信息；簡化輸入信息的表達空間；算法簡單，易于操作。粗集 處理的對象是類似二維關(guān)系表的信息表。目前成熟的關(guān)系數(shù)據(jù)庫管理系統(tǒng)和新發(fā) 展起來的數(shù)據(jù)倉庫管理系統(tǒng)，為粗集的數(shù)據(jù)挖掘奠定了堅實的基礎(chǔ)。但粗集的數(shù) 學(xué)基礎(chǔ)是集合論，難以直接處理連續(xù)的屬性。而現(xiàn)實信息表中連續(xù)屬性是普遍存 在的。因此連續(xù)屬性的離散化是制約粗集理論實用化的難點?，F(xiàn)在國際上已經(jīng)研 制出來了一些基于粗集的工具應(yīng)用軟件，如加拿大regina大學(xué)開發(fā)的kdd-r;美國

22、 kansas大學(xué)開發(fā)的lers等。四、數(shù)據(jù)挖掘技術(shù)在教育中的應(yīng)用有哪些？數(shù)據(jù)挖掘的典型應(yīng)用分類、文本和web挖掘。（一）Web數(shù)據(jù)挖掘的應(yīng)用：Web挖掘技術(shù)已廣泛應(yīng)用于各行各業(yè)，下面主要從電子商務(wù)、網(wǎng)站設(shè)計和搜索 引擎服務(wù)等方面作以介紹。電子商務(wù)中的應(yīng)用隨著電子商務(wù)的興起和迅猛發(fā)展，未來Web挖掘的一個重要應(yīng)用方向?qū)⑹?電子商務(wù)系統(tǒng)。通過分析一定時期內(nèi)站點上的用戶的訪問信息，便可以發(fā)現(xiàn)該商 務(wù)站點的潛在客戶群體、聚類客戶等，而這些信息對一個電子商務(wù)網(wǎng)站來說是非 常有價值的。此外，在電子商務(wù)模式下，客戶與銷售商之間的空間距離已經(jīng)不復(fù)存在，那 么，銷售商就要盡量使客戶在自己的網(wǎng)站上駐留更長的時間

23、。利用Web挖掘 就可以獲得客戶的行為模式，了解客戶的興趣及需要，從而根據(jù)客戶的興趣及 需要動態(tài)調(diào)整Web頁面，以更好地滿足客戶。因為站點上的頁面內(nèi)容的安排和 連接如同傳統(tǒng)商店中物品在貨架上的擺設(shè)一樣，可以利用Web挖掘，找出具有 一定支持度和信任度的相關(guān)聯(lián)的物品，并且針對客戶的動態(tài)變化調(diào)整站點的結(jié) 構(gòu)，使客戶訪問關(guān)聯(lián)信息的連接更直接。網(wǎng)站設(shè)計中的應(yīng)用通過對網(wǎng)站內(nèi)容的挖掘，可以有效地組織網(wǎng)站信息，例如采用自歸類技術(shù)實 現(xiàn)網(wǎng)站信息的層次性組織；同時可以結(jié)合對用戶訪問日志記錄信息的挖掘，把握 用戶的興趣，從而有助于開展網(wǎng)站信息推送服務(wù)以及個人信息的定制服務(wù)。對 Web站點的鏈接結(jié)構(gòu)的優(yōu)化可從三方面來考慮：第一，通過對We