网络数据挖掘_数据挖掘资深专业人士分享

文章来自一石油挖掘资深专业人士

【这篇专业性较强，可能比较无聊，但我本来就是专业人士，而且很无聊，算是文如其人吧。。。】

互联网的出现，不仅改变了人们获得信息的生活方式，也造就了很多以前从来没有过的专业或行业。网络数据挖掘(web data mining)这个专业就是其中之一。

网络上的数据每天都在爆炸式地增长，其中肯定有不少有价值的信息，只不过被掩埋在数量上占压倒多数的八卦和”垃圾“里面而已。即使有百度、谷歌等这些强大的搜索引擎，它们仍然不能满足每个用户个性化的需求。比如，有的用户可能有类似如下的想法或需求：

自动搜索网上卖的最便宜的机票；
在专业论坛中，自动搜索用户公示过的电话号码和QQ号码。
自动搜集所有股票在当天和过去任何一天里的交易情况，并根据自己的算法做分析预测。
自动统计顾客对公司的某个新产品的看法，并与竞争对手的数据比较。
搜索所有紧急避难地点的位置，并在地图上标示。（这个国内没法实现）
统计网页访问者的点击习惯，并因此优化网页设计。
自动检测全球范围内，某个传染病在网上不同时间和地点被关注的程度及其变化。
从网上所有能找到的产品条形码中，读取其代码，并找到你关心的产品。
。。。。。。【展开你的想象力吧。只有你想不到的，没有网路里没有的！】

以上问题都涉及到网络数据挖掘，都不是简单地用百度或谷歌能解决的。相关的数据大多以段落文字或图表的方式，散布在浩瀚的网络之中。这些数据的共同特点是：（1）海量；（2）有可能经常更新；（3）位置不定；（2）无固定格式；（4）词语的含义模糊；（3）信噪比不高。因此使用的技术也和传统数据挖掘也很不一样。

网络数据挖掘可以比较容易（比如以上第3，第6条），但有的则非常高深（比如第4条，涉及”情绪”挖掘，英文叫sentiment mining,难度很大）。而且不是所有的问题通过数据挖掘就一定可以得到满意的结果。有了一个构想后，往往需要很多次的实验，才可能知道会不会有效。但总的来说，和潜在的收获相比，需要付出的代价是很小的。大部分问题，只需用很简单的技术就可以完成。假如一旦有所发现，特别是一旦实现流程的自动化，并把挖掘出来的网络数据与其它信息相结合，就有可能产生极大的商业，学术或社会价值。

【以酸奶/益生菌为例】

打个比方：假如某人想投资做“益生菌”(就是酸奶和某些保健品中含的有益菌种）的买卖，他需要了解全国和本地的市场，也需要了解供货商和客户的信息。当然他一定会通过一些传统的途径，包括通过产业协会，竞争对手，广告宣传，亲戚朋友甚至实地考察等多方面获得这些信息。他也知道网上也有很多相关信息，可是网上信息太多太乱，也就是说他不知道怎么利用网上的信息。这时候，网络数据挖掘就有可能助他一臂之力了。【注：我只是用这个例子来说明数据挖掘的手段而已，并不懂益生菌，也不知它是否真的对身体有用】。

【使用网上免费工具】

首先，他可以通过网上的一些免费工具，了解该行业的某些趋势。比如下图是通过谷歌网站（Google Insights)统计出的自2004年以来，网民们在谷歌上搜索中文关键词”益生菌“频率的趋势，它从某种程度上反映了益生菌在中国消费者中的关注程度。统计显示，内地网民对益生菌的关注程度一直在快速、稳步上升之中，最热衷的地区是华东（上海）地区。但同时，内地的总体关注程度仍然只有台湾的1/4（除非我理解错误—那是有可能的！）。综合这些资料和其它传统途径，他也许会推断内地的益生菌产业还有很大的发展空间，值得投资。另外他还会发现，网上人们查询较多的益生菌产品有“益生元”和“合生元”，另外两种分别叫“妈咪爱”和“汉臣氏”的益生菌饮料也似乎越来越红了，如此等等。。。

（同样你也可用在Google Insights网站中，打入”股市“，”房价“之类的关键词，看它是不是真的反映公众对股市和房市的热衷程度；也可打入“汶川地震”，或时髦词如 “纠结”，“神马”，“浮云”，”给力“等，看看这些词语是怎样在时间和空间里演绎的！蛮准的哦！）

【简单的数据挖掘软件】
了解了行业趋势以后，他也许想联系一些可能的顾客或供应商。一个简单的办法，就是收集相关网页中出现的手机或座机号码。只要要求不是很高，这可能是网络数据挖掘中最容易做的事情了，整个问题可以用几行代码就可以解决，如下面这个PHP程序所示：（它所做的就是在谷歌，当然也可以是百度，搜索结果的前20页中，挖掘疑似的电话号码。对编程不感兴趣的人，大可跳过。。。我只是想说明一个很小的软件，就可做挖掘出很多东西。。。）

$query=”益生菌+电话”; // 关键词组合

$pages=20; // 只在前20页中挖掘

$url = “http://www.google.com/search?q=$query”; //首页网址

for ($page=0; $page < $pages; $page++) { //逐页挖掘

preg_match_all( //手机和座机电话号码表达式如下（未必全面）：

‘/13\d[-\s]?\d{4}[-\s]?\d{4}|0\d{2,3}[-\s]?\d{3,4}[-\s]?\d{4}/’,

file_get_contents(“$url&start=”.$page*10), //本页内容

$phones）; //挖掘结果：即本页中的疑似电话号码

var_dump($phones); //打印结果或做后处理

}

　　有了这个简单的程序，电脑就可以在数秒钟内，自动挖掘出出现在200个相关网页里的共180多个疑似的座机和手机号码。(如果再逐个打开那200个网页的话，还可以继续深入获得更多的疑似号码。）

　　这样的程序，可以通过多种语言来完成，比如PHP, Java, Perl, JavaScript, Python, Flash/ActionScript等等，任何一个具有初中文化程度（因为连高中数理化都用不上），真正会写软件的人都应该写得出来。同样的方法可以用来挖掘QQ号码，身份证号码，等等。。。

　　【更专业的数据挖掘】

以上这些简单的办法，估计可以解决80%的数据挖掘问题（至于怎么利用被挖掘出来的数据，那又是另外一个课题了，在此不谈）。其它20%的高难问题，比如怎样判断百度上查到的网页，确实是与益生菌有关；挖掘到的电话号码，到底是供销商的号码，还是顾客的号码（属“主题挖掘”topics mining），顾客对某产品的评价是正面的还是负面的（“情绪分类”sentiment mining），是主观的还是客观的（subjectivity mining)，等等，这些技术就得用到高等数学，统计学，语言处理学(Natural Language Processing)甚至人工智能(AI)方面的技术了。我虽然都有所了解，但毕竟本行是挖石油的(估计仅仅比“挖煤”好听一点），我就不在这里班门弄斧，充当挖数据的高手了！！！

【后记】

1：反向思维：既然挖油的也能挖数据，说不定聪明的你也可以在网络里挖到宝贝哦。。。

2：数据挖掘是个时髦词，但不要轻易被它忽悠。数据挖掘只是一种手段，一种为某种商业逻辑或科学逻辑服务的搜索和统计手段，使用的方法大多也没有多么高深的。因此对数据背后的商业和科学逻辑的充分理解，才是最关键的。

3：你问我：”我经常在淘宝网上”淘“宝，那我也是网络数据挖掘专家了吧？“。我的回答：”也是哦。祝贺你啊！只不过还是稍微有点区别的：一：你的挖掘不是自动化的；二：你的挖掘是要花钱的！”。

4：只要想象一下比如电讯业，互联网业，投资业，零售业，娱乐业，海关税务等部门行业每天要产生的海量数据，就不难想象数据挖掘的潜力有多大。

5：如果有年轻小伙子想学习和交流与网络数据挖掘（或石油挖掘）有关的技术和应用，欢迎与我联系。（在这两个专业里，我承认我是有严重的性别歧视的哦。）

转载请注明：数据分析 » 网络数据挖掘_数据挖掘资深专业人士分享_资深数据分析师