minería de estructuras

La minería de estructuras o minería de datos estructurados es el proceso de encontrar y extraer información útil de conjuntos de datos semiestructurados . La minería de grafos, la minería de patrones secuenciales y la minería molecular son casos especiales de minería de datos estructurados .

El auge del uso de datos semiestructurados ha generado nuevas oportunidades para la minería de datos, que tradicionalmente se ha centrado en conjuntos de datos tabulares, lo que refleja la estrecha relación entre la minería de datos y las bases de datos relacionales . Gran parte de los datos interesantes y analizables del mundo no se integran fácilmente en las bases de datos relacionales, aunque una generación de ingenieros de software ha sido formada para creer que esta era la única forma de gestionar los datos, y los algoritmos de minería de datos generalmente se han desarrollado únicamente para trabajar con datos tabulares.

XML , al ser la forma más frecuente de representar datos semiestructurados, permite representar tanto datos tabulares como árboles arbitrarios. Cualquier representación particular de datos que se intercambien entre dos aplicaciones en XML se describe normalmente mediante un esquema, a menudo escrito en XSD . Ejemplos prácticos de estos esquemas, como NewsML , suelen ser muy sofisticados y contienen múltiples subárboles opcionales, utilizados para representar datos de casos especiales. Con frecuencia, alrededor del 90 % de un esquema se dedica a la definición de estos elementos de datos y subárboles opcionales.

Por lo tanto, los mensajes y datos que se transmiten o codifican mediante XML y que se ajustan al mismo esquema pueden contener datos muy diferentes dependiendo de lo que se transmita.

Este tipo de datos plantea grandes problemas para la minería de datos convencional. Dos mensajes que se ajustan al mismo esquema pueden tener poca información en común. Crear un conjunto de entrenamiento a partir de estos datos implica que, si se intentara formatearlos como datos tabulares para la minería de datos convencional, grandes secciones de las tablas podrían quedar vacías.

En el diseño de la mayoría de los algoritmos de minería de datos, se asume tácitamente que los datos presentados serán completos. Otra necesidad es que los algoritmos de minería empleados, ya sean supervisados ​​o no supervisados, sean capaces de manejar datos dispersos. Es decir, los algoritmos de aprendizaje automático tienen un rendimiento deficiente con conjuntos de datos incompletos donde solo se proporciona una parte de la información. Por ejemplo, los métodos basados ​​en redes neuronales , o el algoritmo ID3 de Ross Quinlan , son muy precisos con muestras buenas y representativas del problema, pero tienen un rendimiento deficiente con datos sesgados. La mayoría de las veces, una mejor presentación del modelo con una representación más cuidadosa e imparcial de la entrada y la salida es suficiente. Un área particularmente relevante donde encontrar la estructura y el modelo apropiados es la cuestión clave es la minería de texto .

XPath es el mecanismo estándar para referirse a nodos y elementos de datos en XML. Presenta similitudes con las técnicas estándar para navegar por jerarquías de directorios utilizadas en las interfaces de usuario de los sistemas operativos. Para analizar datos y estructuras XML de cualquier tipo, se requieren al menos dos extensiones a la minería de datos convencional: la capacidad de asociar una instrucción XPath con cualquier patrón de datos y subinstrucciones con cada nodo de datos dentro de dicho patrón, y la capacidad de analizar la presencia y el recuento de cualquier nodo o conjunto de nodos en el documento.

Por ejemplo, si se representara un árbol genealógico en XML, utilizando estas extensiones se podría crear un conjunto de datos que contuviera todos los nodos individuales del árbol, datos como el nombre y la edad al fallecer, y recuentos de nodos relacionados, como el número de hijos. Búsquedas más sofisticadas podrían extraer datos como la esperanza de vida de los abuelos, etc.

La incorporación de estos tipos de datos relacionados con la estructura de un documento o mensaje facilita la minería de estructuras.

• Núcleo gráfico
• Contenido estructurado
• Programación inductiva

• Andrew N Edmonds, Sobre la minería de datos con estructura de árbol en XML , Conferencia de minería de datos del Reino Unido, Universidad de Nottingham, agosto de 2003.
• Gusfield, D., Algoritmos sobre cadenas , árboles y secuencias: Informática y biología computacional , Cambridge University Press, 1997. ISBN 0-521-58519-8
• RO Duda, PE Hart, DG Stork, Clasificación de patrones , John Wiley & Sons, 2001. ISBN 0-471-05669-3
• F. Hadzic , H. Tan, TS Dillon, Minería de datos con estructuras complejas, Springer, 2010. ISBN 978-3-642-17556-5

• V Taller Internacional sobre Minería y Aprendizaje con Grafos, Florencia, 1-3 de agosto de 2007.