Data Mining. Concepts and Techniques, 3rd Edition

HAN

20-ch13-585-632-9780123814791

2011/6/1

3:26

Page 626

#42

626

Chapter 13 Data Mining Trends and Research Frontiers

(e.g., using recommender algorithms), email managers, and so on, incorporates data

mining into its functional components, often unbeknownst to the user.

A major social concern of data mining is the issue of privacy and data security.

Privacy-preserving data mining deals with obtaining valid data mining results with-

out disclosing underlying sensitive values. Its goal is to ensure privacy protection and

security while preserving the overall quality of data mining results.

Data mining trends include further efforts toward the exploration of new applica-

tion areas; improved scalable, interactive, and constraint-based mining methods; the

integration of data mining with web service, database, warehousing, and cloud com-

puting systems; and mining social and information networks. Other trends include

the mining of spatiotemporal and cyber-physical system data, biological data, soft-

ware/system engineering data, and multimedia and text data, in addition to web

mining, distributed and real-time data stream mining, visual and audio mining, and

privacy and security in data mining.

13.7

Exercises

13.1 Sequence data are ubiquitous and have diverse applications. This chapter presented a

general overview of sequential pattern mining, sequence classification, sequence sim-

ilarity search, trend analysis, biological sequence alignment, and modeling. However,

we have not covered sequence clustering. Present an overview of methods for sequence

clustering.

13.2 This chapter presented an overview of sequence pattern mining and graph pattern

mining methods. Mining tree patterns and partial order patterns is also studied in

research. Summarize the methods for mining structured patterns, including sequences,

trees, graphs, and partial order relationships. Examine what kinds of structural pattern

mining have not been covered in research. Propose applications that can be created for

such new mining problems.

13.3 Many studies analyze homogeneous information networks (e.g., social networks con-

sisting of friends linked with friends). However, many other applications involve het-

erogeneous information networks (i.e., networks linking multiple types of object such

as research papers, conference, authors, and topics). What are the major differences

between methodologies for mining heterogeneous information networks and methods

for their homogeneous counterparts?

13.4 Research and describe a data mining application that was not presented in this chapter.

Discuss how different forms of data mining can be used in the application.

13.5 Why is the establishment of theoretical foundations important for data mining? Name

and describe the main theoretical foundations that have been proposed for data min-

ing. Comment on how they each satisfy (or fail to satisfy) the requirements of an ideal

theoretical framework for data mining.

---

HAN

20-ch13-585-632-9780123814791

2011/6/1

3:26

Page 627

#43

13.7 Exercises

627

13.6 (Research project) Building a theory of data mining requires setting up a theoretical

framework so that the major data mining functions can be explained under this

framework. Take one theory as an example (e.g., data compression theory) and examine

how the major data mining functions fit into this framework. If some functions do not

fit well into the current theoretical framework, can you propose a way to extend the

framework to explain these functions?

13.7 There is a strong linkage between statistical data analysis and data mining. Some people

think of data mining as automated and scalable methods for statistical data analysis.

Do you agree or disagree with this perception? Present one statistical analysis method

that can be automated and/or scaled up nicely by integration with current data mining

methodology.

13.8 What are the differences between visual data mining and data visualization? Data visu-

alization may suffer from the data abundance problem. For example, it is not easy to

visually discover interesting properties of network connections if a social network is

huge, with complex and dense connections. Propose a visualization method that may

help people see through the network topology to the interesting features of a social

network.

13.9 Propose a few implementation methods for audio data mining. Can we integrate audio

and visual data mining to bring fun and power to data mining? Is it possible to develop

some video data mining methods? State some scenarios and your solutions to make such

integrated audiovisual mining effective.

13.10 General-purpose computers and domain-independent relational database systems have

become a large market in the last several decades. However, many people feel that generic

data mining systems will not prevail in the data mining market. What do you think? For

data mining, should we focus our efforts on developing domain-independent data mining

tools or on developing domain-specific data mining solutions? Present your reasoning.

13.11 What is a recommender system? In what ways does it differ from a customer or product-

based clustering system? How does it differ from a typical classification or predictive

modeling system? Outline one method of collaborative filtering. Discuss why it works

and what its limitations are in practice.

13.12 Suppose that your local bank has a data mining system. The bank has been studying

your debit card usage patterns. Noticing that you make many transactions at home

renovation stores, the bank decides to contact you, offering information regarding their

special loans for home improvements.

(a) Discuss how this may conflict with your right to privacy.

(b) Describe another situation in which you feel that data mining can infringe on your

privacy.

(c) Describe a privacy-preserving data mining method that may allow the bank to per-

form customer pattern analysis without infringing on its customers’ right to privacy.

(d) What are some examples where data mining could be used to help society? Can you

think of ways it could be used that may be detrimental to society?

---