数据挖掘近年来的研究方向、方法总结、研究方向数据挖掘作为跨学科的主题，是通过人工智能、机器学习、统计学和数据库交叉的方法在比较大的数据集上发现模式的计算过程。 其目标是从数据集中提取信息，将其转换为可理解的结构，然后进一步分析和使用。 其研究大致可分为以下4类。

（1）基础理论研究方向

由于数据挖掘是交叉学科，相关的基础理论也是多学科的基础。 其中的基础理论研究涉及规则和模式挖掘、分类、聚类、话题学习、时空数据挖掘、机器学习方法、监督、非监督、半监督等方面，同时这些也是人工智能领域的相关研究。 基础理论的研究一直有人在做。

（2）网络、图的挖掘方向

目前，数据种类有一维信号、时序数据、二维图像数据、三维视频、多光谱、高光谱数据等，但在现实生活中，实际上有很多不规则的数据结构，典型地是图结构，或者社交网络、化学分子结构图表结构数据已成为日常非常常见的数据，各行各业都生成了图表结构的数据，但分析处理这些数据需要数据挖掘技术，网络、图表结构的数据处理分析也成为数据挖掘的研究热点

具体研究方向包括：图形模型挖掘、社区发现、网络聚类系数估计、网络关系挖掘、网络用户行为分析、网络信息发布、社交网络APP应用、社交推荐

多模态数据挖掘、算法的并行、分布式扩展、多源异构数据融合挖掘、数据挖掘与多库系统的集成、数据挖掘过程可视化、复杂数据分析建模方法等。

从数据挖掘的对象来说，数据挖掘后期往往偏重于多模态数据挖掘。 因为现在大部分数据挖掘都是针对结构化数据进行的，而在大数据时代的背景下，非结构化数据占据了主流，从这些非结构化数据中挖掘隐藏信息将成为未来大数据领域研究和实践的重点。

当前大数据挖掘与传统算法的本质区别在于算法的可扩展性。 换句话说，目前研究的算法不仅只能处理小数据集，而且在数据增加的情况下也适用于大范围。 的扩展被理解为两个方面： scale out-纵向扩展和scale up-横向扩展。 )纵向扩展在算法基础、良好的数据结构设计或并行设计方面是最重要的。 )2)横向扩展主要是算法的分布式技术实现(自己编写分布式算法或基于现有分布式框架实现)。 这里的“大数据”是指对应的数据量因挖掘区域(文本、图表结构、机器学习、图像)而不同。 对文本来说，数百万个样本可能是“大数据”； 对于机器学习来说，千万个样本、几十维、几百维(MB/GB )是“大数据”； 对于大规模的地图挖掘来说，千万级节点、亿级边缘(GB )，也是“大数据”。 相对于图像数据，百万级图像(TB )可以说完全是“大数据”。

包括使用MATLAB进行的实验、使用hadoop群集进行的实验、使用C/JAVA语言编写分布式程序以及使用多核CPU进行多线程并行实现等文章。 因此，算法的实现方式并不重要，重要的是算法具有scalability。 多源数据的融合和挖掘分析，也称为大数据挖掘，数据集可能不一定非常大，但多个数据的融合发现了以前无法完成或无法完成的事情。 例如，heterogeneous hashing的文章使用两个异构数据集(文本、图像)进行关系向量表分析。 特别是微软亚洲研究院KDD’13的u-air : whenurbanairqualityinferencemeetsbigdata，这篇文章涉及五个数据集：气象数据、空气质量数据、POI数据、网络

（4）数据挖掘应用方向

作为交叉学科，数据挖掘技术在工程应用方面具有非常高的潜力，只要能够生成数据，就有可能发现数据挖掘知识。 特别是在医疗、教育、金融等领域的应用前景非常广阔。 信息技术正以飞速发展，将带来许多创新应用，包括新的传感器采集技术、移动互联网技术和社交网络技术的蓬勃发展。 大数据是新时代的石油，通过研发分析各种多元结构化数据的高效技术，提高数据产品的易用性，使数据分析“开箱即用”。 其蕴藏的巨大能量，使数据成为政府和企业打造核心竞争力的关键，颠覆了许多传统行业的运作方式，引领信息革命进入新时代。 综上所述，数据挖掘可以在医疗、教育、金融、企业管理、工业制造等多个行业发挥重要作用。

二、研究方法数据挖掘的方法是关联规则法、聚类分析、决策树法、模糊集法、粗糙集法、神经网络法和