# 数据库系统研究关注为单位和最终用户，创建、维护和使用数据库。特别是，数据库系统研究者们已经建立了数据建模、查询语言、查询处理与优化方法、数据村粗以及索引和存取方法的公认规则。
# 数据库系统因其在处理非常大的、相对结构化的数据集方面的高度可伸缩性而闻名。
# 许多数据挖掘任务都需要处理大型数据集，甚至处理实时的快速流数据。因此，数据挖掘可以很好的利用可伸缩的数据库技术，一遍获得在大型数据集上的高效率和可伸缩性。
# 数据挖掘任务可以用来扩充数据库系统，以便满足高端用户复杂的数据分析需求。
# 新的数据库系统使用数据仓库和数据挖掘机制，已经在数据库的数据上建立了系统的数据分析能力。
# 数据仓库，集成来自多种数据源和各个时间段的数据，它在多维空间合并数据，形成部分物化的数据立方体。数据立方体不仅有利于多维数据库的OLAP，而且推动了多维数据挖掘。
4）信息检索# 信息检索（IR）：搜索文档或文档中信息的科学。
# 文档可以是文本或多媒体，并且可能驻留在Web上。
# 传统的信息检索与数据库系统之间的差别：
1、信息检索假定所搜索的数据是无结构的；
2、信息检索查询主要用关键词，没有复杂的机构（不同与数据库系统中的SQL查询）。
# 信息检索的典型方法——概率模型。
# 文档的语言模型：生成文档中词的包的概率密度函数，语言模型之间的相似性可以度量两个文档之间的相似度。
# 一个文本文档集的主题可以用词汇表上的概率分布建模，称作主题模型。一个文本文档可以涉及多个主题，可以看做主题混合模型。
# 通过集成信息检索模型和数据挖掘技术，可以找出文档集中的主要主题，对集合中的每个文档，找出所涉及的主要主题。
五、面向的应用 1）智能商务1、商务而言，理解顾客、市场、供应、资源、竞争对手等信息，是非常重要的。
2、商务智能中的联机处理工具依赖于数据仓库和多维数据挖掘。
3、分类和预测计算是商务智能预测分析的核心。。
2）Web搜索引擎1、Web搜索引擎本质上是大型数据挖掘应用。
2、通常，用户查询的搜索结果用一张表返给用户（有时称作采样（hit）），包含网页、图像和其它类型的文件。
3、搜索引擎不同于网络目录，网络目录由人工编辑管理，搜索引擎按算法运行，或者是算法和人工输入的混合。
4、搜索引擎对数据挖掘提出了巨大挑战，大量的并且不断增加的数据，需要数以万计的计算机组成计算机云，共同挖掘。
六、数据挖掘的主要问题 1）挖掘方法# 数据挖掘方法应该考虑数据的不确定性、噪声、不完全性等问题。
1、挖掘各种新的知识类型
# 数据挖掘任务：数据特征化与区分、关联与相关性分析、分类、回归、聚类、离群点分析、序列分析、趋势和演变分析。
2、挖掘多维空间中的知识
# 在不同抽象层的多维（属性）组合中搜索有趣的模式，称为探索式多维数据挖掘。
# 在数据立方体中挖掘知识可以显著的提高数据挖掘的能力和灵活性。
3、数据挖掘——跨学科的努力
# 通过集成来自多学科的新方法可以显著增强数据挖掘的能力。
4、提升网络环境下的发现能力
# 大部分的数据对象驻留在连接或互连的环境中，无论是Web、数据库关系、文件还是文档。
# 多个数据对象之间的语义链接可以用来促进数据的挖掘。
# 一个数据集中导出的知识可以用来提升“相关”或语义连接的对象集中的知识发现。
5、处理不确定性、噪声或不完全数据
# 错误和噪声可能干扰数据挖掘过程，导致错误的模式出现。
# 数据清理、数据预处理、离群点检测与删除、不确定性推理，都是需要与数据挖掘过程集成的技术。
6、模式评估和模式或约束指导的挖掘
# 数据挖掘模式是否有趣，要根据用户来定。
# 模式的价值是基于给定用户类、用户确信度或期望来定的。
# 通过使用兴趣度度量或用户指定的约束指导发现过程，可以产生更有趣的模式，压缩搜素空间。
2）用户界面# 挖掘过程需要思考的问题：
# 如何与数据挖掘系统交互？
# 如何在挖掘过程中融入用户的背景知识？
# 如何可视化与理解数据挖掘的结果？
1、交互挖掘
# 数据挖掘过程应该是高度交互的。
# 构建灵活的用户界面和探索式挖掘环境，是非常重要的，以便用户与系统交互。