เครือข่ายสังคมเป็นชุดข้อมูลที่หลากหลาย (heterogeneous) และหลายสัมพันธ์ (multi-relational) ที่อธิบายด้วยกราฟ กราฟมักมีขนาดใหญ่มาก โดยโหนด (nodes) สอดคล้องกับวัตถุ และขอบ (edges) สอดคล้องกับการเชื่อมต่อที่อธิบายความสัมพันธ์หรือการเชื่อมต่อระหว่างวัตถุ ทั้งโหนดและการเชื่อมต่อมีแอตทริบิวต์ วัตถุสามารถม

มีงานหลายอย่างของการทำเหมืองลิงก์ ดังนี้: การจัดประเภทวัตถุแบบลิงก์ (Link-based object classification) — ในแนวทางจัดประเภทแบบดั้งเดิม วัตถุถูกจัดประเภทจากแอตทริบิวต์ที่กำหนดพวกเขา การจัดประเภทแบบลิงก์ทำนายหมวดหมู่ของวัตถุไม่ได้จากแค่แอตทริบิวต์ของมัน แต่ยังจากลิงก์ของมัน และแอตทริบิวต์ของวัตถุที่เ

มีความท้าทายหลายประการของการทำเหมืองลิงก์ ดังนี้: ความสัมพันธ์ทางตรรกะ vs ทางสถิติ (Logical versus statistical dependencies) — มีสองประเภทของความสัมพันธ์ในโครงสร้างลิงก์กราฟ (แสดงความสัมพันธ์ตรรกะระหว่างวัตถุ) และความสัมพันธ์ทางความน่าจะเป็น (statistical relationships เช่น ความสัมพันธ์เชิงสหสัมพัน

วิธีการทำเหมืองข้อมูลหลายสัมพันธ์ (Multi-relational data mining - MRDM) ค้นหารูปแบบที่มีหลายตาราง (relations) จากฐานข้อมูลสัมพันธ์ แต่ละตารางหรือสัมพันธ์แสดงถึงเอนทิตีหรือความสัมพันธ์ อธิบายด้วยชุดแอตทริบิวต์ ลิงก์ระหว่างสัมพันธ์แสดงถึงความสัมพันธ์ระหว่างพวกเขา วิธีหนึ่งในการนำวิธีการทำเหมืองข้อมูล

การจัดกลุ่มหลายสัมพันธ์ (Multi-relational clustering) เป็นกระบวนการแบ่งวัตถุข้อมูลเป็นชุดของกลุ่มตามความคล้ายคลึง โดยใช้ข้อมูลในหลายสัมพันธ์ (relations) ในส่วนนี้จะแนะนำ CrossClus (Cross-relational Clustering with user guidance) อัลกอริทึมสำหรับการจัดกลุ่มหลายสัมพันธ์ที่สำรวจวิธีใช้คำแนะนำจากผู้ใช้

ตัวระบุวัตถุ (object identifier) สามารถทำให้เป็นทั่วไปได้ดังนี้ ขั้นแรก ตัวระบุวัตถุจะถูกทำให้เป็นทั่วไปเป็นตัวระบุของคลาสย่อย (subclass) ระดับต่ำสุดที่วัตถุเป็นสมาชิก ตัวระบุของคลาสย่อยนี้จึงสามารถทำให้เป็นทั่วไปเป็นตัวระบุคลาส/คลาสย่อยระดับสูงขึ้นได้โดยการขึ้นไปในลำดับชั้นคลาส/คลาสย่อย คลาสหรือคล

ฐานข้อมูลเชิงพื้นที่จัดเก็บข้อมูลที่เกี่ยวกับพื้นที่จำนวนมาก รวมถึงแผนที่, ข้อมูลการรับสัญญาณระยะไกล (remote sensing) หรือการถ่ายภาพทางการแพทย์ที่ผ่านการประมวลผลล่วงหน้า, และข้อมูลการออกแบบชิป VLSI ฐานข้อมูลเชิงพื้นที่มีคุณสมบัติที่แตกต่างจากฐานข้อมูลสัมพันธ์ พวกเขาพกพาข้อมูลโครงสร้างทางตำแหน่ง (to

มีประเด็นท้าทายหลายประการเกี่ยวกับการสร้างและใช้คลังข้อมูลเชิงพื้นที่ (spatial data warehouses) ประเด็นแรกคือการรวมข้อมูลเชิงพื้นที่จากแหล่งและระบบที่หลากหลาย (heterogeneous) ข้อมูลเชิงพื้นที่มักจัดเก็บในบริษัทอุตสาหกรรมและหน่วยงานรัฐต่างๆ โดยใช้รูปแบบข้อมูลที่หลากหลาย รูปแบบข้อมูลไม่ได้เฉพาะเจาะจง

WaveCluster เป็นอัลกอริทึมการจัดกลุ่มแบบหลายระดับความละเอียด (multiresolution clustering) ซึ่งสรุปข้อมูลโดยการนำโครงสร้างกริดมิติหลายมาป้องบนพื้นที่ข้อมูล สามารถใช้การแปลงเวเวล (wavelet transformation) เพื่อเปลี่ยนพื้นที่คุณลักษณะเดิม ค้นพบโดเมนที่หนาแน่นในพื้นที่ที่แปลงแล้ว ในวิธีนี้ แต่ละเซลล์กริ

EM Algorithm (Expectation-Maximization) เป็น Iterative Refinement Algorithm ที่มีชื่อเสียง ใช้สำหรับ Discover Parameter Estimates สามารถมองได้ว่าเป็น Extension ของ K-means Paradigm ซึ่ง Assign Object ไป Cluster ที่ Most Similar ตาม Cluster Mean EM Assign แต่ละ Object ไป Cluster ตาม Weight ที่ Defin

Conceptual Clustering เป็น Form ของ Clustering ใน Machine Learning ที่ Given Set of Unlabeled Objects สร้าง Classification Design Over Objects ต่างจาก Conventional Clustering ที่โดยทั่วไป Identify Groups ของ Like Objects Conceptual Clustering ไปอีกขั้นตอนโดย Discover Characteristic Definitions สำหรั

Constraint-based Clustering หา Clusters ที่ Satisfy User-stated Preferences หรือ Constraints ขึ้นอยู่กับ Nature ของ Constraints Constraint-based Clustering สามารถ Adopt Different Approaches แทนกันได้ มี Several Categories ของ Constraints ดังนี้: Constraints on Individual Objects (เงื่อนไขบน Object

Semi-supervised Clustering เป็น Method ที่ Partition Unlabeled Data โดยใช้ Domain Knowledge โดยทั่วไปแสดงเป็น Pairwise Constraints ระหว่าง Instances หรือเพียงเป็น Additional Set ของ Labeled Instances Quality ของ Unsupervised Clustering สามารถ Improve Substantially ได้ด้วย Weak Form ของ Supervision

Object o ใน Data Set S เป็น Distance-based (DB) Outlier ด้วย Parameters p และ d คือ DB(p, d) หากอย่างน้อย Fraction p ของ Objects ใน S อยู่ที่ Distance มากกว่า d จาก o กล่าวคือ แทนที่จะ Depend on Statistical Tests สามารถคิดว่า Distance-based Outliers คือ Objects ที่ไม่มี Neighbors เพียงพอ Neighbors

BIRCH ย่อมาจาก Balanced Iterative Reducing and Clustering Using Hierarchies ออกแบบมาเพื่อ Clustering หuge Amount of Numerical Records โดย Integration ของ Hierarchical Clustering และ Clustering Methods อื่นๆ รวม Iterative Partitioning BIRCH เสนอ 2 Concepts: Clustering Feature และ Clustering Feature

Hoeffding Tree Algorithm เป็น Decision Tree Learning Method สำหรับ Stream Data Classification ใช้งานครั้งแรกเพื่อ Track Web Clickstreams และสร้าง Models เพื่อ Predict ว่า Web Hosts และ Web Sites ไหนที่ User น่าจะ Access ทำงานใน Sublinear Time และ Produce Nearly Identical Decision Tree กับ Traditiona

CluStream เป็น Algorithm สำหรับ Clustering ของ Evolving Data Streams บน User-specified Online Clustering Queries แบ่ง Clustering Process เป็น Online และ Offline Components Online Component คำนวณและจัดเก็บ Summary Statistics เกี่ยวกับ Data Stream ใช้ Micro-clusters และ Perform Incremental Online Com

Time-series Database ประกอบด้วย Sequences ของ Values หรือ Events ที่เข้าถึงผ่าน Repeated Measurement ของ Time Values โดยทั่วไปคำนวณที่ Equal Time Intervals (เช่น Hourly, Daily, Weekly) Time-series Databases นิยมในหลาย Applications เช่น Stock Market Analysis, Economic และ Sales Forecasting, Budgetary

Statistical Discordancy Test Analyze 2 Hypotheses: Working Hypothesis และ Alternative Hypothesis Working Hypothesis H คือ Statement ว่า Entire Data Set ของ n Objects มาจาก Initial Distribution Model F คือ H: oi ∈ F โดย i = 1, 2, n Hypothesis ถูก Retain หากไม่มี Statistically Significant Evidence Su

Hierarchical Clustering Technique ทำงานโดย Combine Data Objects เข้าเป็น Tree of Clusters Hierarchical Clustering Algorithms เป็น Top-down หรือ Bottom-up Quality ของ Authentic Hierarchical Clustering Method ทำให้เสื่อมลงจาก Inability ในการ Implement Adjustment หลังจาก Merge หรือ Split Decision เสร็จ