Web文本數(shù)據(jù)挖掘技術及其在電子商務中的應用*

孫學軍

(1.山東大學計算機科學與技術學院，山東 濟南 250101;2.臨沂大學繼續(xù)教育學院，山東費縣 273400）

Web文本數(shù)據(jù)挖掘技術及其在電子商務中的應用*

孫學軍1，2

(1.山東大學計算機科學與技術學院，山東 濟南 250101;2.臨沂大學繼續(xù)教育學院，山東費縣 273400）

簡要介紹了數(shù)據(jù)挖掘、Web數(shù)據(jù)挖掘及Web文本數(shù)據(jù)挖掘技術。從特征項提取、文本關聯(lián)分析、文本分類、文本聚類等方面對Web文本數(shù)據(jù)挖掘技術在電子商務中的應用作了探討，并略述了Web文本數(shù)據(jù)挖掘技術的應用現(xiàn)狀及其發(fā)展趨勢。

數(shù)據(jù)挖掘;Web數(shù)據(jù)挖掘;Web文本數(shù)據(jù)挖掘

引言

目前，隨著互聯(lián)網(wǎng)的迅速普及，電子商務已如雨后春筍般地迅速發(fā)展壯大起來。電子商務(Electronic Commerce)就是利用計算機技術、網(wǎng)絡技術和遠程通信技術，實現(xiàn)整個商務(買賣)過程中的電子化、數(shù)字化和網(wǎng)絡化。與傳統(tǒng)的商務活動相比，它具有交易虛擬化、交易成本低、交易效率高、交易透明化、可以實現(xiàn)對市場資源的優(yōu)化、有利于企業(yè)的技術創(chuàng)新活動與市場進行無縫隙連接以及有利于企業(yè)內部提高團隊合作效率等優(yōu)勢。

所以，當今絕大數(shù)企業(yè)和商家都擁有了自己的商務網(wǎng)站。一個商務網(wǎng)站水平的高低也成為當今社會衡量一個企業(yè)是否踏入現(xiàn)代企業(yè)行列的一個很重要的標志。但是，在電子商務給我們帶來方便、快捷的同時，它也給我們帶來了一個很大的困惑。那就是如何從大量的、紛雜的web信息中找出有用的、有潛在價值的信息。結合著數(shù)據(jù)庫技術的快速發(fā)展，數(shù)據(jù)挖掘技術誕生了。由于Web上面的信息絕大多數(shù)是非結構化的或者半結構化的，采用傳統(tǒng)的數(shù)據(jù)挖掘技術顯然是不行的了。因此，最近幾年出現(xiàn)了Web數(shù)據(jù)挖掘技術、Web文本數(shù)據(jù)挖掘技術等面向Web的數(shù)據(jù)挖掘技術，很好地解決了上面的問題。

1 數(shù)據(jù)挖掘技術及Web數(shù)據(jù)挖掘技術簡介

1.1 數(shù)據(jù)挖掘技術簡介

1.1.1 數(shù)據(jù)挖掘定義

從技術角度來看，數(shù)據(jù)挖掘 (data mining，DM)是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的但又是潛在有用的信息和知識的過程［1］。該定義主要包括以下幾層含義:1)數(shù)據(jù)源必須是真實的、大量的、含噪聲的;2)發(fā)現(xiàn)的是用戶感興趣的知識;3)發(fā)現(xiàn)的知識要可接受、可理解、可運用;4)并不要求發(fā)現(xiàn)放之四海而皆準的知識，僅支持特定的問題即可。

1.1.2 數(shù)據(jù)挖掘常用的知識表示模式和方法

數(shù)據(jù)挖掘的目的是發(fā)現(xiàn)知識，知識要通過一定的模式給出?？捎糜跀?shù)據(jù)挖掘系統(tǒng)的模型和方法主要有以下幾種［1］。

1)廣義知識挖掘 廣義知識是指描述類別特征的概括性知識。該模式挖掘的主要目的就是根據(jù)這些數(shù)據(jù)的微觀特性發(fā)現(xiàn)有普遍性的、更高層次概念的中觀和宏觀的知識。主要的方法有概念描述、多維數(shù)據(jù)分析、多層次概念描述問題等幾種。

2)關聯(lián)知識挖掘 關聯(lián)知識反映一個事件和其他事件之間的依賴或關聯(lián)。數(shù)據(jù)庫中的數(shù)據(jù)關聯(lián)是現(xiàn)實世界中事物聯(lián)系的變現(xiàn)。關聯(lián)知識挖掘的目的就是找出數(shù)據(jù)庫中隱藏的關聯(lián)信息。關聯(lián)可以分為簡單關聯(lián)、時序關聯(lián)、因果關聯(lián)、數(shù)量關聯(lián)等。關聯(lián)知識挖掘最常用的方法是關聯(lián)規(guī)則挖掘。

3)類知識挖掘類知識刻畫了一類事物，這類事物具有某種意義上的共同特征，并明顯和不同事物相區(qū)別。這里的類知識是指數(shù)據(jù)挖掘的分類和聚類兩類數(shù)據(jù)挖掘應用所對應的知識。其中，分類的目的是學會一個分類模型(稱作分類器)，該模型能把數(shù)據(jù)庫中的數(shù)據(jù)項映射到給定類別中。該類挖掘的目的就是根據(jù)樣本數(shù)據(jù)形成的類知識并對源數(shù)據(jù)進行分類，進而也可以預測未來數(shù)據(jù)的歸類。它常用的方法主要有決策樹、貝葉斯分類、神經(jīng)網(wǎng)絡、遺傳算法與進化理論、類比學習、非線性回歸、粗糙集和模糊集等。而聚類是把一組個體按照相似性歸成若干類別，它的目的是使得屬于同一類別的個體之間的差別盡量小，而不屬于同一類別的個體之間的差別盡可能的大。通過聚類技術可以對源數(shù)據(jù)庫中的記錄劃分為一系列有意義的子集，進而實現(xiàn)對數(shù)據(jù)的分析。它常用的方法主要有基于劃分的聚類方法、基于層次的聚類方法、基于密度的聚類方法、基于網(wǎng)絡的聚類方法和基于模型的分類方法。

4)預測型知識挖掘預測型知識是指由歷史的和當前的數(shù)據(jù)產生的并能預測未來數(shù)據(jù)趨勢的知識。該模式挖掘的主要目的是對未來數(shù)據(jù)的概念分類和趨勢輸出。它常采用的模式主要有趨勢預測模式、周期分析模式、序列模式和神經(jīng)網(wǎng)絡等。

5)特異型知識挖掘特異型知識是源數(shù)據(jù)中所蘊含的極端特例或明顯區(qū)別于其他數(shù)據(jù)的知識描述，它揭示了事物偏離常規(guī)的異常規(guī)律。它主要的任務有孤立點分析、序列異常分析和特異規(guī)則發(fā)現(xiàn)等。

1.1.3 數(shù)據(jù)挖掘過程

該過程從大型數(shù)據(jù)庫中挖掘先前未知的、有效的、可實用的信息，并使用這些信息作出決策或豐富知識。數(shù)據(jù)挖掘的過程通常有以下幾步［2］。

1)確定主題在理解數(shù)據(jù)和實際業(yè)務問題的基礎上，提出數(shù)據(jù)挖掘要解決的問題，定義挖掘的目標，確定挖掘要發(fā)現(xiàn)的知識類型。

2)數(shù)據(jù)篩選搜索與業(yè)務數(shù)據(jù)有關的內部和外部數(shù)據(jù)信息，從中選擇出適用于挖掘主題的目標數(shù)據(jù)集。

3)數(shù)據(jù)清理來源于業(yè)務數(shù)據(jù)庫的目標數(shù)據(jù)集中可能存在噪聲數(shù)據(jù)、空缺數(shù)據(jù)、過時數(shù)據(jù)、冗余數(shù)據(jù)等，為提高挖掘的質量，需要合理地處理噪聲數(shù)據(jù)，刪除過時數(shù)據(jù)和冗余數(shù)據(jù)，填補空缺數(shù)據(jù)等。

4)數(shù)據(jù)變換選擇的目標數(shù)據(jù)可能來源于不同的業(yè)務數(shù)據(jù)庫，可能會存在數(shù)據(jù)格式、數(shù)據(jù)類型不一致等問題。即使來源于同一業(yè)務數(shù)據(jù)庫中的數(shù)據(jù)，也可能會存在數(shù)據(jù)表示形式不適合具體的挖掘算法，因此有必要對目標數(shù)據(jù)進行相應的數(shù)據(jù)變換。

5)選擇算法數(shù)據(jù)挖掘算法分為多種類型，同一類型也存在多種算法，也就是說，實現(xiàn)同一個目標的挖掘算法有很多種。因此，應根據(jù)以下兩個要素選擇合適的算法:一是要根據(jù)數(shù)據(jù)的特點;二是要根據(jù)用戶的目標。選擇合適的知識發(fā)現(xiàn)算法還包括選擇適當?shù)哪Ｐ秃蛥?shù)。

6)數(shù)據(jù)挖掘運用選擇的算法從清理過的目標數(shù)據(jù)集中提取出用戶感興趣的知識(模式)，并以一定的方式表示出來。

7)模式解釋對在數(shù)據(jù)挖掘步驟中發(fā)現(xiàn)的模式(知識)進行解釋。經(jīng)過用戶或機器評估后，可能會發(fā)現(xiàn)這些模式中存在冗余或無關的模式，此時應該將其刪除。如果模式不能滿足用戶的要求，就要分析問題的原因，并返回到前面的某些處理步驟中進行反復提取。

8)知識評價將發(fā)現(xiàn)的知識以便于用戶理解的方式呈現(xiàn)給用戶。這期間也包含對知識一致性的檢查，以確信本次發(fā)現(xiàn)的知識不會與以前發(fā)現(xiàn)的知識相抵觸。

9)知識展示由于挖掘出來的知識最終是呈現(xiàn)給用戶的，所以，通常以便于用戶對知識理解的圖形等直觀方式作為最終結果。因此，在知識發(fā)現(xiàn)的過程中還包括對挖掘出的模式進行可視化處理等。

1.2 Web數(shù)據(jù)挖掘技術

1.2.1 Web 數(shù)據(jù)挖掘技術概念

Web數(shù)據(jù)挖掘是利用數(shù)據(jù)挖掘技術從Web文檔及Web服務中自動發(fā)現(xiàn)并提取人們感興趣的信息［3］。它是一項綜合技術，涉及Internet技術、人工智能技術、計算機語言學、信息學、統(tǒng)計學等多個學科領域。Web數(shù)據(jù)挖掘是對數(shù)據(jù)挖掘的一種新的應用，但又不同于傳統(tǒng)的數(shù)據(jù)挖掘。其主要區(qū)別在于:傳統(tǒng)的數(shù)據(jù)挖掘的對象局限于數(shù)據(jù)庫中的結構化數(shù)據(jù)，并利用關系表等存儲結構來挖掘知識;而Web挖掘的對象是半結構化或非結構化數(shù)據(jù)。

1.2.2 Web數(shù)據(jù)挖掘技術的分類

Web數(shù)據(jù)挖掘依靠它所挖掘的站點信息來源可以分為以下三種類型［3］。

1)Web內容挖掘 Web內容挖掘是指對站點的Web頁面內容進行挖掘。該類挖掘目前主要包括改進傳統(tǒng)的WWW搜索引擎、在WWW上更智能地提取信息的搜索工具、數(shù)據(jù)庫方法、對HTML頁面內容進行挖掘等幾種方法。

2)Web訪問挖掘 Web訪問挖掘是對用戶訪問Web時在服務器方留下的訪問記錄進行挖掘，即對用戶訪問Web站點的存取方式進行挖掘。挖掘的對象是在服務器上的包括Server Log Data等在內的日志文件記錄。目前，該類挖掘流行的手段包括路徑分析、關聯(lián)規(guī)則和序列模式的發(fā)現(xiàn)、聚類和分類、改進Web站點的效率、實現(xiàn)個性化推薦、商業(yè)智能的發(fā)現(xiàn)、發(fā)現(xiàn)導航模式和抽取訪問信息特性等。

3)Web結構挖掘 Web結構挖掘是對Web頁面之間的鏈接結構進行挖掘。在整個Web空間里，有用的知識不僅包含在Web頁面的內容之中，而且也包含在頁面的鏈接結構之中。例如，如果我們發(fā)現(xiàn)一個論文頁面經(jīng)常被引用，那么，這個頁面一定是非常重要的。發(fā)現(xiàn)的這種知識可以被用來改進搜索引擎，如PageRank和Clever方法等。

1.2.3 Web 數(shù)據(jù)挖掘的過程

電子商務中Web數(shù)據(jù)挖掘的過程一般由3個主要的階段組成:數(shù)據(jù)準備、挖掘操作、結果表達和解釋。由于篇幅有限，在此不再贅述。

2 Web文本數(shù)據(jù)挖掘技術概述

2.1 Web文本挖掘定義

Web文本挖掘是指在包括Web頁面內容、頁面之間的結構、用戶訪問信息等在內的各種Web文本數(shù)據(jù)信息中，應用數(shù)據(jù)挖掘方法以幫助人們從大量的Web文檔集合中發(fā)現(xiàn)隱含的信息模式，提取潛在的、有價值的知識的過程［4］。它是一項綜合技術，涉及Web數(shù)據(jù)挖掘、計算語言學、信息學等多個領域。它主要包含兩個高層次目標:預測和描述。其中，所謂預測是指用一些變量或數(shù)據(jù)庫的若干已知字段預測其它感興趣的變量或字段的位置或未來的值;而描述則指找到描述Web數(shù)據(jù)的可理解模式。

2.2 Web文本挖掘過程及特點

Web文本挖掘可以對Web上大量文檔集合的內容進行總結、分類、聚類、關聯(lián)分析以及利用Web文檔進行趨勢預測等。所以，Web挖掘過程一般包括相關網(wǎng)頁采集、文本的預處理、文本模型表示、信息或文本特征性抽取、文本分類(聚類)或結果集的數(shù)據(jù)挖掘等步驟。

Web文本數(shù)據(jù)挖掘的特點主要有以下兩個:1)Web文本挖掘的對象是海量、異構、分布的Web文本;2)Web在邏輯上是一個由文檔集合超鏈接構成的圖。

3 Web文本數(shù)據(jù)挖掘在電子商務中的應用

通過前面提到的內容，大家已對數(shù)據(jù)挖掘技術、Web數(shù)據(jù)挖掘技術以及Web文本數(shù)據(jù)挖掘技術已有所了解。那么如何在電子商務中應用好Web文本數(shù)據(jù)挖掘技術呢?我認為應主要從以下幾個方面進行探討。

3.1 文本特征項提取

對Web文本中出現(xiàn)的詞條及其權值的選取稱為特征提取。特征提取主要是識別文本中詞項的意義，并且提取的多數(shù)是文本集中表示的概念，以及從文本的內容抽取出來一些能代表文本內容的詞條，然后通過分析這些特征詞條以達到分析Web文本內容的目的。

它也就是在詞條切分完成之后，選取出可以表征該文本內容特征的特征詞，而去除掉那些與表達內容特征無關的多余詞條，并將其放入特征詞庫中。不同的詞條在文本中的作用是不同的，因此基于Web的文本挖掘的特征提取的重點是對文本中出現(xiàn)的詞匯、名字、術語、日期和短語的特征提取，目標是實現(xiàn)提取過程的自動化。但在實際應用中，到底選擇何種特征來表示文本還需要結合處理速度、識別分類精度、存儲空間等方面的具體要求來決定。目前，文本特征項提取的方法主要有以下兩種，簡要介紹如下。

1)文本頻度法 文本頻度(Document Frequencv，DF)是指在所有供訓練學習的文本中，含有某詞條的文本總數(shù)。若某詞條在某類文本中的DF值越高，則表明此詞條在該類文本中的代表性越強;反之則代表性越弱。強者正是文本分類所需依據(jù)的特征，弱者則對于文本分類不重要甚至是噪聲信息。為此可設定一個閾值threshold，保留DF值高于此閾值的詞條作為有價值特征，消除低于此閾值的詞條［5］。

文本頻度法是最簡單的特征維度消減算法，其計算復雜度與訓練文本的數(shù)量成正比。這種算法的效率很高，但是，如果閾值設得過低將導致信息遺失。

2)詞條頻度法 詞條頻度(Term Frequency，TF)是指某詞條在某類文本中出現(xiàn)的次數(shù)占該類文本總詞條數(shù)的比例，基于詞條頻度的特征選取算法的步驟如下:

①設供學習的樣本數(shù)為Ⅳ，屬于類Cj的文本數(shù)為Nj。將詞條集{ti(Cj)}按詞條類屬分為Nj個子集{ti}j。

②對每個子集{ti}j統(tǒng)計包括重復出現(xiàn)詞條在內的詞條總數(shù)nij，然后逐一統(tǒng)計ti(Cj)在子集{ti}j中的出現(xiàn)次數(shù)nij，計算每個子集中每個詞條的詞條頻度(ti)=nij/nj。

③刪除每個子集中的重復詞條，對每個子集{ti}j中的全部詞條按值從大到小排序，對類Cj設置閾值λj，將TFj(ti)≥λj的全部詞條裝入特征詞庫{ti(Cj)}中。

3.2 文本關聯(lián)分析

文本關聯(lián)分析主要是實現(xiàn)Web頁面信息的概念提升及多層關聯(lián)規(guī)則的挖掘功能。在Web文本內容挖掘的過程中，它主要是利用向量空間模型法(VSM)。它的主要優(yōu)點在于將非結構化的文本表示為向量形式，使得各種數(shù)學處理成為可能。但是，向量空間模型關于詞間關系相互獨立的基本假設(正交假設)在實際環(huán)境中很難滿足，文本中出現(xiàn)的詞往往存在一定的相關性，即出現(xiàn)斜交情況，在某種程度上會影響計算的結果。同時詞匯具有的同義或者多義現(xiàn)象也會影響文本信息的分析和處理。在這種情況下，為了更加有效地解決文本信息處理時存在的各種歧義問題，可以結合潛在語義索引的概念，對于詞進行概念上的提升，使其包含更加豐富的語義信息，并根據(jù)需要形成多個抽象級。在不同的抽象級上，分別對應相應的具體含義。因此在進行文本信息處理時，需要構建一個概念詞典。概念詞典主要反應了層次結構的語義組織，不同的層次表明了其抽象的程度不同。層次越高，則概括性就越強，包含的下位概念可能就越多。在不同概念級別上將進行多層關聯(lián)規(guī)則的挖掘;在頁面集合中尋找不同詞語之間的關系［5］。

3.3 文本分類

分類是數(shù)據(jù)挖掘中一項非常重要的任務，分類的目的是讓機器學會一個分類函數(shù)或分類模型。該模型能把Web文本映射到已存在的多個類別中的某一類，使檢索或查詢的速度更快，準確率更高。文本分類是將待分類的Web文本分配到已經(jīng)存在的某些類別中，屬于有教師的機器學習問題，是文本挖掘的核心。

它一般分為訓練和分類兩個階段，具體過程如下［6］。

1)訓練階段

① 定義類別集合 C={C1，…，Ci，…，Cm}，這些類別可以是層次式的，也可以是并列式的;

② 給出訓練文檔集合 S={S1，…，Sj，…，Sm}，每個訓練文檔Sj被標上所屬的類別標識Ci;

③統(tǒng)計S中所有文檔的特征矢量V(Ci)，確定代表C中每個類別的特征矢量;

2)分類階段

① 對于測試文檔集合T={d1，…，dk，…，dm}中的每個待分類文檔dk，計算其特征矢量V(dk)與每個V(Ci)之間的相似度sim(dk，Ci);

②選取相似度最大的一個類別arg max sim(dk，Ci)作為dk的類別;

3.4 文本聚類

文本分類可實現(xiàn)將Web文本歸類，以便于用戶在搜索時可以快速地找到相關的Web文檔，文本分類是將文檔歸入到已經(jīng)存在的類中;文本聚類的目標和文本分類是一樣的，只是實現(xiàn)的方法不同，文本聚類是無教師的機器學習，在文檔歸類之前沒有定義好的類可供選擇，在文本聚類時，將所有類型接近的文檔歸為一類，使類型相同的文檔盡量歸為一類，類型不相同的盡量隔離開來，聚類的標準可以是Web文本的屬性，也可以是Web文本的內容。

常用的文本聚類算法可以歸為兩類:分割式的聚類和分層式的聚類。分割聚類算法通過優(yōu)化一個評價函數(shù)把數(shù)據(jù)集分割為k個部分。分層聚類是由不同層次的分割聚類組成，層次之間的分割具有嵌套的關系。分層聚類法的構造過程類似于構造哈夫曼樹的過程。

4 Web文本數(shù)據(jù)挖掘的應用現(xiàn)狀及其發(fā)展趨勢

目前，Web文本數(shù)據(jù)挖掘主要在以下幾個方面得到了很好地應用［7］。

1)為電子商務與政務提供技術支持 在電子商務領域，網(wǎng)絡信息挖掘可以提供不同用戶的特定信息，有的放矢地傳播網(wǎng)絡廣告，可以建立客戶關系管理系統(tǒng)，極大地提升企業(yè)的競爭優(yōu)勢。在電子政務領域，通過對政務數(shù)據(jù)進行定性和定量分析，可為高層管理者提供決策參考.

2)信息檢索 Web文本數(shù)據(jù)挖掘對網(wǎng)絡用戶充分利用WWW資源是很有幫助的，它不僅可以對搜索結果進行有效的組織，使用戶比較準確地找到需要的資料，還可以通過加快搜索時間，幫助用戶節(jié)約檢索時間，提高Web文本的利用價值.

3)追蹤互聯(lián)網(wǎng)中的文檔 對Internet上的文檔，可以制定一個組織方案，利用文本分類對這些文檔進行自動編目。這樣，用戶不僅能夠方便地瀏覽文檔，而且還可以通過限制搜索范圍使文檔的查找更為容易。

隨著新的、更好的Web文本數(shù)據(jù)挖掘技術的出現(xiàn)，它將會在更多的領域得到更多的、更好的應用。比如，為企業(yè)的決策部門提供盡可能多的、有效的信息支持;給用戶提供綜合信息服務;幫助企業(yè)和商家關心和分析競爭對手、合作伙伴、市場變換等企業(yè)外部環(huán)境等，以及幫助個人獲取最新的、來自世界范圍的和自己所感興趣的Web信息，并在此基礎上進行分析和進一步的利用等等。

5 結束語

電子商務雖以其方便、快捷的特點贏得了廣大用戶的信賴，但它也隨之帶來了大量的Web信息，特別是大量的文本信息。人們亟需新的技術來處理這些大量的、異構的、半結構化的數(shù)據(jù)，搜尋有潛在價值的信息，Web文本數(shù)據(jù)挖掘技術因此應運而生。它是將WWW技術和數(shù)據(jù)挖掘相結合的一種新技術，并已成為數(shù)據(jù)挖掘研究領域中一個重要的課題。本文結合著數(shù)據(jù)挖掘技術和Web數(shù)據(jù)挖掘技術，著重對Web文本數(shù)據(jù)挖掘技術的應用及其發(fā)展趨勢進行了相應的探討。隨著文本挖掘技術的不斷發(fā)展和完善，其應用領域也會不斷拓寬，應用前景也會更加廣闊。

［1］毛國君，段立娟，王實，等.數(shù)據(jù)挖掘原理與算法［M］.北京:清華大學出版社，2007.

［2］張云濤，龔玲.數(shù)據(jù)挖掘原理與技術［M］.北京:電子工業(yè)出版社，2004.

［3］Liu Bing.Web數(shù)據(jù)挖掘原理［M］.北京:清華大學出版社，2009.

［4］王繼成，潘金貴，張福炎.Web文本挖掘技術研究［J］.計算機研究與發(fā)展，2000，37(5):513 －520.

［5］劉洋.基于Web的內容挖掘技術研究［D］.哈爾濱:哈爾濱工業(yè)大學，2003.

［6］唐菁.基于Web的文本挖掘［J］.計算機工程與應用，2002，21:198 －201.

［7］徐妙君，顧沈明.面向Web的文本挖掘技術研究［J］.控制工程，2003，(5):44 －46，50.

Web Text Data Mining and Its Application in E－commerce

SUN Xue － jun1，2

(1.School of Computer Science ＆ Technology，Shandong University，Jinan Shandong 250101，China;
2.School of Further Education，Linyi University，F(xiàn)ei County Shandong 273400，China)

The paper introduces data mining，web data mining，and web text data mining technology，and explores the application of web text data mining technology in E－commerce in matter of feature item extraction，analysis of related parts of text，text classification，and text cluster.It also outlines the current application and its development trend.

data mining;web data mining;web text data mining

TP 311.13

A

1673－2103(2011)02－0035－05

2010－11－07

孫學軍(1977－)，男，山東費縣人，講師，在讀碩士研究生，研究方向:數(shù)據(jù)挖掘技術。