12.2.5 神经网络方法
神经网络作为一种先进的人工智能技术，因其自身自行处理、分布存储和高度容错等特性，非常适合处理非线性的问题，以及那些以模糊、不完整、不严密的知识或数据为特征的问题，这一特点十分适合解决数据挖掘的问题。
典型的神经网络模型主要分为三大类：第一类是用于分类预测和模式识别的前馈式神经网络模型，其主要代表为函数型网络、感知机；第二类是用于联想记忆和优化算法的反馈式神经网络模型，以Hopfield的离散模型和连续模型为代表；第三类是用于聚类的自组织映射方法，以ART模型为代表。虽然神经网络有多种模型及算法，但在特定领域的数据挖掘中使用哪种模型及算法没有统一的规则，而且人们很难理解网络的学习及决策过程。
12.2.6 Web 数据挖掘
Web数据挖掘是一项综合性技术，指从Web文档结构和使用的集合C中发现隐含的模式P，如果将C看作输入，将P看作输出，那么Web挖掘过程就可以看作是从输入到输出的一个映射过程。Web数据挖掘的研究对象是以半结构化和无结构文档为中心的Web，这些数据没有统一的模式，数据的内容和表示互相交织，数据内容基本上没有语义信息进行描述，仅仅依靠HTML语法对数据进行结构上的描述。当前，越来越多的Web数据以数据流的形式出现，因此对Web数据流挖掘具有很重要的意义。
目前，常用的Web数据挖掘算法包括PageRank算法、HITS算法、LOGSOM算法。这三种算法提到的用户都是笼统的用户，并没有区分用户的个体。
Web数据挖掘应用得很广泛。它可以利用Web的海量数据进行分析，收集政治、经济、政策、科技、金融、各种市场、竞争对手、供求信息、客户等有关的信息，集中精力分析和处理那些对企业有重大或潜在重大影响的外部环境信息和内部经营信息，并根据分析结果找出企业管理过程中出现的各种问题和可能引起危机的先兆，对这些信息进行分析和处理，以便识别、分析、评价和管理危机。
目前，Web数据挖掘面临着一些问题：用户的分类问题、网站内容时效性问题、用户在页面的停留时间问题、页面的链入与链出数问题等。
12.2.7 特征分析
特征分析是从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征。特征分析的目的（作用）在于从海量数据中提取出有用信息，从而提高数据的使用效率。
特征分析的应用：营销人员通过对客户流失因素的特征提取，可以得到导致客户流失的一系列原因和主要特征，利用这些特征可以有效地预防客户的流失。
人工智能与大数据技术导论
390