搜索，尤其是个性化搜索与数据挖掘关系密切。
当搜索的质量达到一定水平，就不能再拘束于小修小补；
而应该往数据挖掘方向发展，当起自家产品的研究院，用数据做更多更大更有意思的事情！
于斯，补充一些数据挖掘方面的知识，为自己充电，也与君共享。
资料链接
http://blog.csdn.net/sherrymi/article/details/21323969
http://www.vsharing.com/k//2013-10/690272.html
基础概念：
当被存储在本地时的数据称作数据，当把数据经过加工处理，它们转变成了有用的信息。如果信息经过合理的组合能够产生价值，特别是商业价值，此时就可以称其为知识。
数据挖掘的过程就是数据加工处理变成信息，最后转化为知识的过程。
大数据的挖掘是从海量、不完全的、有噪声的、模糊的、随机的大型数据库中发现隐含在其中有价值的、潜在有用的信息和知识的过程，也是一种决策支持过程。
主要工具：
有商用的MATLAB、IBM Intelligent Miner、SAS Enterprise Miner、SPSS Clementine和开源工具Weka。
此外，Google还为数据分析和数据挖掘提供了一个开放的作图工具Google Chart：http://developers.google.com/chart/。
最近两年还有一个很火的数据可视化工具Tableau Software，用以显示最终数据挖掘结果。
2012年最火的视觉可视化社区：http://visual.ly/
主要思路：表述问题和解决过程两个阶段。
八个步骤：信息收集，数据集成，数据规约，数据清理，数据变换，数据挖掘过程，模式评估，知识表示。
九大定律：
数据挖掘通用流程CRISP-DM的缔造者之一Tom Khabaza曾总结了在数据挖掘上的九大定律，如下所示：
1、Business Goals Law：每个数据挖掘解决方案的根源都是有商业目的的。
2、Business Knowledge Law：数据挖掘过程的每一步都需要以商业信息为中心。
3、Data Preparation Law：数据挖掘过程前期的数据准备工作要超过整个过程的一半。
4、NFL Law：NFL(没有免费的午餐，No Free Lunch)。对于数据挖掘者来说没有免费的午餐，数据挖掘的任何一个过程都是来之不易的。
5、Watkins‘s Law：此定律以此命名是因为David Watkins首次提出这个概念。这个定律说的是在数据的世界里，总是有模式可循的。您找不到规律不是因为规律不存在，而是因为您还没有发现它。
6、Insight Law：数据挖掘可以把商业领域的信息放大。
7、Prediction Law：预测可以为我们增加信息。
8、Value Law：数据挖掘模式的精准和稳定并不决定数据挖掘过程的价值，换句话说技术手段再精妙，没有商业意义和合适的商业应用是没有价值的。
9、Law of Change：所有的模式都会变化。
常用方法：
大数据的挖掘常用的方法有分类、回归分析、聚类、关联规则、神经网络方法、Web 数据挖掘等。这些方法从不同的角度对数据进行挖掘。
- 分类：分类是找出数据库中的一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到摸个给定的类别中。可以应用到涉及到应用分类、趋势预测中，如淘宝商铺将用户在一段时间内的购买情况划分成不同的类，根据情况向用户推荐关联类的商品，从而增加商铺的销售量。
- 回归分析：回归分析反映了数据库中数据的属性值的特性，通过函数表达数据映射的关系来发现属性值之间的依赖关系。它可以应用到对数据序列的预测及相关关系的研究中去。在市场营销中，回归分析可以被应用到各个方面。如通过对本季度销售的回归分析，对下一季度的销售趋势作出预测并做出针对性的营销改变。
- 聚类：聚类类似于分类，但与分类的目的不同，是针对数据的相似性和差异性将一组数据分为几个类别。属于同一类别的数据间的相似性很大，但不同类别之间数据的相似性很小，跨类的数据关联性很低。
- 关联规则：关联规则是隐藏在数据项之间的关联或相互关系，即可以根据一个数据项的出现推导出其他数据项的出现。关联规则的挖掘过程主要包括两个阶段：第一阶段为从海量原始数据中找出所有的高频项目组;第二极端为从这些高频项目组产生关联规则。关联规则挖掘技术已经被广泛应用于金融行业企业中用以预测客户的需求，各银行在自己的ATM 机上通过捆绑客户可能感兴趣的信息供用户了解并获取相应信息来改善自身的营销。
- 神经网络：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以及那些以模糊、不完整、不严密的知识或数据为特征的处理问题，它的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：第一类是以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何种模型及算法并没有统一的规则，而且人们很难理解网络的学习及决策过程。
- Web数据挖掘：Web数据挖掘是一项综合性技术，指Web从文档结构和使用的集合C中发现隐含的模式P，如果将C看做是输入，P看做是输出，那么Web挖掘过程就可以看做是从输入到输出的一个映射过程。当前越来越多的Web数据都是以数据流的形式出现的，因此对Web数据流挖掘就具有很重要的意义。目前常用的Web数据挖掘算法有：PageRank算法，HITS算法以及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。目前Web数据挖掘面临着一些问题，包括：用户的分类问题、网站内容时效性问题，用户在页面停留时间问题，页面的链入与链出数问题等。在Web 技术高速发展的今天，这些问题仍旧值得研究并加以解决。