楊 明，李鐵冰，姜 茸，高提雷，王 佳

(云南財經(jīng)大學 信息學院,云南 昆明 650221)

0 引 言

2015年國內(nèi)印發(fā)了《促進大數(shù)據(jù)發(fā)展行動綱要》，提出要全面推進大數(shù)據(jù)的發(fā)展和應(yīng)用，將中國建設(shè)成為數(shù)據(jù)強國。然而，大數(shù)據(jù)規(guī)模龐大(volume)、類型多樣(variety)、生成迅速(velocity)和價值密度低(value)的特征[1]給數(shù)據(jù)的運用和分析帶來了阻礙。在沒有理論體系的支撐下，面對海量的數(shù)據(jù)時更是難以判斷其可用性，也就無法有效地進行數(shù)據(jù)價值的提取。此時，所面對的將不再是大數(shù)據(jù)，而是“一堆數(shù)據(jù)”[2]，就好比坐擁金山卻不知，失去了大數(shù)據(jù)的原有意義。

大數(shù)據(jù)的諸多特征使其難以琢磨，對此李建中[3-4]等指出，一個正確的大數(shù)據(jù)集合至少應(yīng)該滿足5個性質(zhì)：精準性、實效性、完整性、實體同一性和一致性，并在此基礎(chǔ)上提出了大數(shù)據(jù)可用性研究的方向和問題。諸如：大數(shù)據(jù)可用性的描述、影響因素的分析、可用性的量化評估、挖掘模型的評價研究等。圍繞這些關(guān)鍵問題，文中結(jié)合AHP方法建立大數(shù)據(jù)可用性及挖掘方案的評估模型，通過定量的比較分析討論大數(shù)據(jù)的可用性及其有效挖掘方案。

1 大數(shù)據(jù)可用性影響因素分析

建立系統(tǒng)的大數(shù)據(jù)可用性指標體系，首先需要梳理其影響因素。圍繞大數(shù)據(jù)的4V特征，通過參閱文獻[5-10]，結(jié)合數(shù)據(jù)挖掘的目的，梳理得到以下可用性影響因素：

(1)相關(guān)性。指數(shù)據(jù)是否滿足用戶的需求，包括用戶的預期、感興趣度和決策目標等。滿足用戶需求是決定大數(shù)據(jù)可用性的重要因素，數(shù)據(jù)挖掘的目的正是為了縮小挖掘結(jié)果和用戶預期之間的差距。邁爾-舍恩伯格[11]教授在其書中也曾提到，在面對紛繁復雜的數(shù)據(jù)時,更應(yīng)側(cè)重于事物之間的相關(guān)關(guān)系，而不是其因果關(guān)系。

(2)準確性。其含義包括數(shù)據(jù)的客觀性、公正性、真實性、精確性等，指數(shù)據(jù)是否能夠客觀反映事物的本質(zhì)，并對事物進行準確的描述。在數(shù)據(jù)挖掘的過程中精確性必不可少，而決定挖掘結(jié)果是否可用、是否正確的關(guān)鍵就在于所處理的數(shù)據(jù)是否正確；相反，一個不準確的數(shù)據(jù)經(jīng)過處理所得到的結(jié)果，將會對決策造成較大的影響。

(3)完整性。指數(shù)據(jù)是否完整，是否包含了對事物的所有信息。大數(shù)據(jù)的挖掘目標旨在將全體數(shù)據(jù)資源化，保留數(shù)據(jù)的最大價值。完整的數(shù)據(jù)，能夠為數(shù)據(jù)的挖掘提供多角度、多層次的事實，從而保證大數(shù)據(jù)的質(zhì)量。而數(shù)據(jù)的不完整則會由于其片面性，造成數(shù)據(jù)價值的丟失，影響數(shù)據(jù)的可用性，甚至導致決策的錯誤。

(4)一致性。指相關(guān)數(shù)據(jù)對于事物本身是否存在不一致的判定，一致性的數(shù)據(jù)要求在空間、時間、因果等關(guān)系上都是保存一致的。例如用1組數(shù)據(jù)描述客戶{年齡=“30”，職業(yè)=“工人”，所屬地區(qū)：“重慶”，所屬省份：“四川”}，其中就存在空間和時間上的沖突(因為1997年后重慶便不再隸屬于四川省)。可見，一致性的問題也會影響到數(shù)據(jù)的運用和分析。

(5)時效性。指數(shù)據(jù)的時間段是否滿足當前的業(yè)務(wù)需求，是否存在由于時間長遠而失效的數(shù)據(jù)?！吧裳杆佟笔谴髷?shù)據(jù)的主要特征之一，大數(shù)據(jù)的質(zhì)量需求除了數(shù)據(jù)的規(guī)模外，同時也要求數(shù)據(jù)的實時性。只有及時掌握了數(shù)據(jù)的最新變化，才能指引未來決策的方向。過時的數(shù)據(jù)不僅存在信息落后的弊病，甚至還可能由于未及時更新而出現(xiàn)錯誤的問題。

(6)同一性。不同于一致性，同一性是指多源數(shù)據(jù)對同一實體的描述是否一致。假如同一實體在不同的數(shù)據(jù)集中存在不同的描述，或是存在表達模糊、描述差異等問題，這就會造成決策模凌兩可的局面。另外。同一實體的多種描述，也會造成數(shù)據(jù)源中信息重復或冗余的問題。類型多樣是大數(shù)據(jù)的另一特征，正因如此，在大數(shù)據(jù)分析的過程中同一性就顯得額外重要。

(7)擴展性。傳統(tǒng)的數(shù)據(jù)注重數(shù)據(jù)的一致性，便于數(shù)據(jù)的挖掘分析。但是在面對大數(shù)據(jù)規(guī)模龐大的特征時，針對具體問題還需考慮數(shù)據(jù)的擴展性。雖然從數(shù)據(jù)源中獲得的數(shù)據(jù)是零散的，但是這些數(shù)據(jù)如果能夠通過有效的組合滿足業(yè)務(wù)的需求，或是擴大數(shù)據(jù)的描述范圍，對于提升數(shù)據(jù)的質(zhì)量將起到重要的作用，因為數(shù)據(jù)在經(jīng)過不同的組合后也會產(chǎn)生新的價值。

上述內(nèi)容從不同角度論述了大數(shù)據(jù)可用性的影響因素，結(jié)合這些因素，利用AHP方法展開進一步的評估研究。

2 基于AHP的大數(shù)據(jù)可用性評估

2.1 AHP在大數(shù)據(jù)可用性研究中的應(yīng)用

AHP(層次分析法)是一種定性和定量相結(jié)合的評價決策方法，適用于多目標、多要素、多層次的問題求解[12-13]。它能夠通過定量的比較為決策提出合適的解決方案。在評估大數(shù)據(jù)的可用性時，擬解決的關(guān)鍵問題是保證評價的客觀性。在處理該類問題上，AHP方法通常是對兩兩因素進行比較，進而通過判斷矩陣實現(xiàn)對整體的評價。該方法能夠有效地減小評估過程中人為主觀因素的影響。

2.2 大數(shù)據(jù)可用性研究結(jié)構(gòu)模型

鑒于此，將AHP融入到大數(shù)據(jù)的可用性研究中，建立其研究結(jié)構(gòu)模型，如圖1所示。

圖1 基于AHP的大數(shù)據(jù)可用性研究結(jié)構(gòu)模型

(1)目標層(可用性研究目標層)。

目標層是整個AHP框架的核心，是研究的主題。大數(shù)據(jù)可用性研究的核心目的旨在提升大數(shù)據(jù)的質(zhì)量，通過合理的方法保證其可用性，得到最優(yōu)的數(shù)據(jù)處理方案。

(2)準則層(可用性評估指標層)。

準則層描述的是達成目標需要考慮的因素集。在大數(shù)據(jù)的可用性評估中，則是指影響大數(shù)據(jù)可用性的相關(guān)因素。對此前文已經(jīng)論述了7個因素，用集合C={C1,C2,C3,C4,C5,C6,C7}表示。

(3)方案層(大數(shù)據(jù)挖掘方案層)。

方案層指綜合考慮第2層中提出的影響指標擬采納的解決方案，也就是面向大數(shù)據(jù)可用性的數(shù)據(jù)挖掘方案。

3 面向可用性的數(shù)據(jù)挖掘方案

3.1 擬定挖掘方案

在圖1模型的基礎(chǔ)上，擬定3種不同的挖掘方案進行比較，它們分別側(cè)重于“整體價值”、“挖掘速度”和“挖掘精度”3個不同的點，用P={P1,P2,P3}表示。

方案1：盡可能保證數(shù)據(jù)的整體價值。該方案對于數(shù)據(jù)挖掘的速度要求較低，要求從最大程度上保留數(shù)據(jù)的整體價值。

方案2：以最快速度從數(shù)據(jù)中獲取價值，盡快提出決策。該方案側(cè)重于價值的快速提取，對其他方面要求一般。

方案3：保證數(shù)據(jù)的挖掘精度及挖掘結(jié)果的準確性。該方案的特征在于保證數(shù)據(jù)的精確性，但勢必會在一定程度上影響挖掘的速度。

3.2 構(gòu)造判斷矩陣

在擬定挖掘方案后，則是構(gòu)造各層的判斷矩陣。

(1)準則層(可用性指標判斷矩陣)。

首先是準則層的判斷矩陣。采用表1中的對比標準，針對某公司的大數(shù)據(jù)研究項目，綜合12名專家的評估意見，將C={C1,C2,C3,C4,C5,C6,C7}進行比較，得到的判斷矩陣如表2所示。

表1 兩兩指標對比標準

表2 大數(shù)據(jù)可用性指標判斷矩陣

(2)方案層(挖掘方案判斷矩陣)。

同理，比較得到3類挖掘方案相對于各指標的判斷矩陣，如圖2所示，其中Pij表示相對于某指標，方案i與方案j在權(quán)重上的比較。

圖2 各挖掘方案判斷矩陣

例如，其中相對于時效性C2，P2方案比P1方案對時效性的要求更高；而相對于完整性C4，P1方案則比其他方案對完整性的要求都高。

3.3 計算過程

步驟1：用和積法[14-15]計算得到可行性指標矩陣的最大特征向量ω以及特征根λmax：

ω=(ω1,ω2,ω3,ω4,ω5,ω6,ω7)T=

(0.156,0.096,0.362,0.106,0.207,0.049,0.024)T

(1)

λmax=7.611

(2)

步驟2：將上述特征根代入到一致性指標檢驗公式中。

(3)

計算得到CI=0.102，CR=0.077。其中，CI為一致性指標，其值越大矩陣的不一致程度越高；n為判斷矩陣的階數(shù)；RI為隨機一致性指標，是經(jīng)過1 000次正反矩陣計算得到的平均隨機一致性指標，如表3所示；CR為一致性比率。當C<0.1時，說明該判斷矩陣的不一致性程度在容許范圍內(nèi)，即說明對于大數(shù)據(jù)各可用性指標的權(quán)重比較屬于合理范圍。

表3 矩陣平均隨機一致性指標

步驟3：同理，用和積法求出方案層對目標的最大特征向量，分別為：

(ω11,ω21,ω31)=(0.260,0.106,0.633)

(ω12,ω22,ω32)=(0.118,0.681,0.201)

(ω13,ω23,ω33)=(0.539,0.297,0.164)

(ω14,ω24,ω34)=(0.653,0.096,0.251)

(ω15,ω25,ω35)=(0.260,0.106,0.633)

(ω16,ω26,ω36)=(0.334,0.098,0.568)

(ω17,ω27,ω37)=(0.600,0.200,0.200)

(4)

得到結(jié)果為{ω(P1),ω(P2),ω(P3)}={0.401,0.231,0.368}，ω(Pj)的值越大說明該方案j對于提高大數(shù)據(jù)可用性的權(quán)重越大，其可行性更高。

3.4 研究結(jié)果對比

研究結(jié)果對比如表4和表5所示。

表4 指標對比

表5 方案對比

(1)通過結(jié)果比較可以看出，該項目大數(shù)據(jù)的可用性對時效性C2、同一性C6以及數(shù)據(jù)擴展性C7的要求較低，而以相關(guān)性C3最高，說明決定該項目大數(shù)據(jù)可用性最重要指標是“數(shù)據(jù)的相關(guān)性”，它將決定該項目大數(shù)據(jù)所產(chǎn)生的價值，同時也說明數(shù)據(jù)源中數(shù)據(jù)的時間變化以及冗余性等并不會較大地影響其決策。

(2)從方案對比可以看出P1>P3>P2。說明要實現(xiàn)該項目價值的最大化，提高數(shù)據(jù)的可用性，所采用的挖掘方案應(yīng)該首先要注重的是保留數(shù)據(jù)的完整性，從整體上對數(shù)據(jù)進行分析；其次在處理的過程中盡量保證數(shù)據(jù)的準確性等，而不宜過于追求挖掘的速度，否則將會影響到最終結(jié)果的可用性。

以上結(jié)論與邁爾-舍恩伯格在文獻[11]中所提出的觀點一致，說明大數(shù)據(jù)的可用性重在其關(guān)聯(lián)性，在分析過程中需要對全體數(shù)據(jù)進行分析而不是抽樣分析，同時需要保證數(shù)據(jù)的準確性，不能一味地追求速度，只有在這樣的條件下才能盡可能滿足用戶需求，縮小挖掘結(jié)果與用戶預期之間的差距，將數(shù)據(jù)進行有效的價值轉(zhuǎn)化。

4 結(jié)束語

圍繞大數(shù)據(jù)的特征，通過參閱文獻梳理得到大數(shù)據(jù)可用性的因素集，提出了基于AHP方法的大數(shù)據(jù)可用性及挖掘方案模型研究。用數(shù)學的方法描述了大數(shù)據(jù)的可用性，并在該模型基礎(chǔ)上結(jié)合數(shù)學的方法針對有利于提高大數(shù)據(jù)可用性的挖掘方案展開了定量的對比研究，為大數(shù)據(jù)的可用性評價以及挖掘方案研究提出了一種可行方法。

整個模型的建立科學合理，采用定性和定量相結(jié)合的方法，有效減少了評價過程中人為主觀因素的影響，對于大數(shù)據(jù)的可用性研究具有一定的參考價值。然而，大數(shù)據(jù)的可用性研究并非是一項簡單的任務(wù)，在今后的研究中還有許多需要完善的地方，包括可用性因素集的完善、提高大數(shù)據(jù)可用性的方案研究等。總之，只有在遇到新問題時，針對具體問題具體分析，不斷總結(jié)，才能逐漸完善大數(shù)據(jù)的可用性研究理論。

參考文獻：

[1] GANTZ J,REINSEL D.Extracting value from chaos[EB/OL].(2011)[2017-07-05].https://russia.emc.com/collateral/analyst-reports/idc-extracting-value-from-chaos-

ar.pdf.

[2] 張 引，陳 敏，廖小飛.大數(shù)據(jù)應(yīng)用的現(xiàn)狀與展望[J].計算機研究與發(fā)展,2013,50:216-233.

[3] 李建中,劉顯敏.大數(shù)據(jù)的一個重要方面:數(shù)據(jù)可用性[J].計算機研究與發(fā)展,2013,50(6):1147-1162.

[4] 李建中,王宏志,高 宏.大數(shù)據(jù)可用性的研究進展[J].軟件學報,2016,27(7):1605-1625.

[5] MILLER D W，YEAST J D，EVANS R L．Missing prenatal records at a birth center：a communication problem quantified[C]//Proceedings of AMIA annual fall symposium．Maryland：American Medical Informatics Association，2005：535-539.

[6] SWARTZ N.Gartner warns firms of ‘dirty data’[J].Information Management Journal,2007,41(3):6-12.

[7] KORN F,MUTHUKRISHNAN S,ZHU Y.Checks and balances:monitoring data quality problems in network traffic databases[C]//Proceedings of the 29th international conference on very large data bases.[s.l.]:[s.n.],2003:536-547.

[8] XIONG Hui,PANDEY G,STEINBACH M,et al.Enhancing data analysis with noise removal[J].IEEE Transactions on Knowledge & Data Engineering,2006,18(3):304-319.

[9] 李聰穎,王瑞剛,于金良.大數(shù)據(jù)分布式全文檢索系統(tǒng)的設(shè)計與實現(xiàn)[J].計算機與數(shù)字工程,2016,44(12):2426-2430.

[10] 李衛(wèi)榜,李戰(zhàn)懷,陳 群,等.分布式大數(shù)據(jù)不一致性檢測?[J].軟件學報,2016,27(8):2068-2085.

[11] 維克托·邁爾-舍恩伯格，肯尼斯·庫克耶.大數(shù)據(jù)時代[M].杭州:浙江人民出版社,2013.

[12] 曹黎俠,馮孝周.新的改進AHP算法研究及應(yīng)用[J].計算機技術(shù)與發(fā)展,2010,20(12):115-117.

[13] 王 磊,黃夢醒.云計算環(huán)境下基于灰色AHP的供應(yīng)商信任評估研究[J].計算機應(yīng)用研究,2013,30(3):742-744.

[14] 趙煥臣,許樹柏,和金生.層次分析法[M].北京:科學出版社,1986:22-26.

[15] 魏翠萍.層次分析法中和積法的最優(yōu)化理論基礎(chǔ)及性質(zhì)[J].系統(tǒng)工程理論與實踐,1999,19(9):113-115.