Технологии анализа данных (Text Mining, Data Mining)
Анализ структурированной информации, хранящейся в базах данных, требует предварительной обработки: проектирования БД, ввод информации по определенным правилам, размещение ее в специальных структурах (например, реляционных таблицах) и т. п. Текстовые документы практически невозможно преобразовать в табличное представление без потери семантики текста и отношений между сущностями. По этой причине… Читать ещё >
Технологии анализа данных (Text Mining, Data Mining) (реферат, курсовая, диплом, контрольная)
Технологии анализа данных (Text Mining, Data Mining)
Автор: Казьмина Анастасия, 4 курс.
Руководитель: Баяндин Николай Иванович.
Образовательное учреждение: Федеральное государственное бюджетное учреждение высшего профессионального образования «Московский государственный университет экономики, статистики и информатики (МЭСИ)», г. Москва Кто владеет информацией — тот владеет миром. В наше время трудно переоценить значение аналитики и мониторинга социальных медиа. Для быстрого и успешного развития бизнеса и эффективного продвижения в интернет, эти этапы просто необходимы.
На сегодняшний день, всё большую популярность приобретают задачи, связанные с получением и накоплением новых знаний путём анализа ранее полученной информации. Возникла необходимость в создании больших хранилищ данных и систем поддержки принятия решений.
Рассмотрим подробнее технологию анализа данных.
Наиболее перспективные направления анализа данных:
· анализ текстовой информации
· интеллектуальный анализ данных
1. Анализ текстовой информации Text Mining
Анализ структурированной информации, хранящейся в базах данных, требует предварительной обработки: проектирования БД, ввод информации по определенным правилам, размещение ее в специальных структурах (например, реляционных таблицах) и т. п. Текстовые документы практически невозможно преобразовать в табличное представление без потери семантики текста и отношений между сущностями. По этой причине такие документы хранятся в БД без преобразований, как текстовые поля (BLOB-поля). В это же время в тексте скрыто огромное количество информации, но ее неструктурированность не позволяет использовать алгоритмы Data Mining. Решением этой проблемы занимаются методы анализа неструктурированного текста (Text Mining).
Определение Text Mining: Обнаружение знаний в тексте — это нетривиальный процесс обнаружения действительно новых, потенциально полезных и понятных шаблонов в неструктурированных текстовых данных. «Неструктурированные текстовые данные» — набор документов, представляющих собой логически объединенный текст без каких-либо ограничений на его структуру (web-страницы, электронная почта, нормативные документы).
Процесс анализа текстовых документов можно представить как последовательность нескольких шагов:
1. Поиск информации. В первую очередь необходимо понять, какие документы нужно подвергнуть анализу плюс обеспечить доступ. Пользователи могут определить набор анализируемых документов самостоятельно — вручную.
2. Предварительная обработка документов. Выполняются необходимые преобразования с документами для представления их в нужном виде. Удаление лишних слов и придание тексту более строгой формы.
3. Извлечение информации. Выделение ключевых понятий для анализа.
4. Применение методов Text Mining. Извлекаются шаблоны и отношения, имеющиеся в текстах.
5. Интерпретация результатов. Представлении результатов на естественном языке, или в их визуализации в графическом виде.
Предварительная обработка документа
Приемы удаления неинформативных слов и повышения строгости текстов:
Удаление стоп-слов. Стоп-словами называются слова, которые являются вспомогательными и несут мало информации о содержании документа.
Стэмминг — морфологический поиск. Он заключается в преобразовании каждого слова к его нормальной форме.
Л-граммы это альтернатива морфологическому разбору и удалению стоп-слов. Позволяют сделать текст более строгим, не решают проблему уменьшения количества неинформативных слов;
Приведение регистра. Этот прием заключается в преобразовании всех символов к верхнему или нижнему регистру.
Наиболее эффективно совместное применение всех методов.
Задачи Text Mining
Классификация (classification) — определение для каждого документа одной или нескольких заранее заданных категорий, к которым этот документ относится, автоматическое выявление групп семантически похожих документов среди заданного фиксированного множества
Автоматическое аннотирование (summarization) сокращение текста и сохранение его смысла. Результат включает в себя наиболее значимые предложения в тексте.
Извлечения ключевых понятий (feature extraction) — идентификация фактов и отношений в тексте (имена существительные и нарицательные: имена и фамилии людей, названия организаций и др.).
Навигация по тексту (text-base navigation) перемещение по документам по определённым темам и терминам. Это выполняется за счет идентификации ключевых понятий и некоторых отношений между ними.
Анализ трендов позволяет идентифицировать тренды в наборах документов на какой-то период времени.
Поиск ассоциаций. В заданном наборе документов идентифицируются ассоциативные отношения между ключевыми понятиями.
Существует достаточно большое количество разновидностей перечисленных задач, а также методов их решения. Это еще раз подтверждает значимость анализа текстов.
Примеры средства анализа текстовой информации:
Средства Oracle — Oracle Text2.
Средства от IBM — Intelligent Miner for Text1
Средства SAS Institute — Text Miner
Интеллектуальный анализ данных Data Mining
Интеллектуальный анализа данных (англ. Data mining, другие варианты перевода — «добыча данных», «раскопка данных») — обнаружение неявных закономерностей в наборах данных.
Интеллектуальный анализ данных может проводиться с помощью программных продуктов следующих классов:
· специализированных «коробочных» программных продуктов для интеллектуального анализа;
· математических пакетов;
· электронных таблиц (и различного рода надстроек над ними);
· средств интегрированных в системы управления базами данных (СУБД);
· других программных продуктов.
Задачи интеллектуального анализа данных:
Задача классификации определение категории и класса каждому объекту.
Задача регрессии — поиск шаблонов для определения числового значения.
Задача прогнозирования новых значений на основании имеющихся значений числовой последовательности. Учитываются тренды.
анализ text data mining
Задача кластеризации — деление множества объектов на группы (кластеры) с похожими параметрами. При этом, в отличие от классификации, число кластеров и их характеристики могут быть заранее неизвестны и определяться в ходе построения кластеров исходя из степени близости объединяемых объектов по совокупности параметров.
Задача определения взаимосвязей — определение часто встречающихся наборов объектов среди множества подобных наборов.
Анализ последовательностей — обнаружение закономерностей в последовательностях событий.
Анализ отклонений — поиск событий, отличающихся от нормы.
По способу решения задачи интеллектуального анализа можно разделить на два класса: обучение с учителем (от англ. supervisedlearning) и обучение без учителя (от англ. unsupervisedlearning). В первом случае требуется обучающий набор данных, на котором создается и обучается модель интеллектуального анализа данных. Готовая модель тестируется и впоследствии используется для предсказания значений в новых наборах данных. Во втором случае целью является выявление закономерностей имеющихся в существующем наборе данных.
Вывод
Интеллектуальный анализ данных является одним из наиболее актуальных и востребованных направлений прикладной математики. Современные процессы бизнеса и производства порождают огромные массивы данных, и людям становится все труднее интерпретировать и реагировать на большое количество данных, которые динамически изменяются во времени выполнения. Нужно извлекать максимум полезных знаний из многомерных, разнородных, неполных, неточных, противоречивых, косвенных данных. А главное, сделать это эффективно, если объем данных измеряется гигабайтами или даже терабайтами.
Важно предохранить людей от информационной перегрузки, преобразовать оперативные данные в полезную информацию так, чтобы нужные действия могли быть приняты в нужное время.
Список используемой литературы и интернет — ресурсов
1. Л. М. Ермакова Методы классификации текстов и определения качества контента. Вестник пермского университета 2011. УДК 004.912
2. А. А. Барсегян, М. С. Куприянов, В. В. Степаненко, И. И. Холод: Технологии анализа данных. Data Mining, Visual Mining, Text Mining, OLAP: БХВ-Петербург, 2007
3. http://megaputer.ru/data_mining.
4. http://www.compress.ru/
5. http://www.iteam.ru/
6. http://www.piter.com/