隨著科技的不斷發(fā)展，數(shù)據(jù)的獲取及存儲能力有了極大提升，致使數(shù)據(jù)規(guī)模呈現(xiàn)急速膨脹態(tài)勢。這為數(shù)據(jù)挖掘和數(shù)據(jù)分析帶來更多機遇的同時，各種數(shù)據(jù)質(zhì)量問題的研究也給我們提出了巨大的挑戰(zhàn)，其中數(shù)據(jù)缺失是影響數(shù)據(jù)質(zhì)量的重點問題之一。數(shù)據(jù)庫中大量的缺失值不僅嚴重影響應用者的查詢質(zhì)量，還會對數(shù)據(jù)挖掘與數(shù)據(jù)分析結(jié)果的正確性造成影響，進而誤導決策。因此，本文針對缺失數(shù)據(jù)填補這類問題展開深入研究。目前缺失數(shù)據(jù)的填補方法很多，大部分方法是針對不完整數(shù)據(jù)中存在一種缺失類型的數(shù)據(jù)進行填補，但隨著數(shù)據(jù)量的增長，龐雜的數(shù)據(jù)中缺失類型往往是混合的，單純地應用現(xiàn)有的方法達不到一個很好的填補效果。為此，本文針對不同缺失類型同時出現(xiàn)在不完整數(shù)據(jù)中的這種復雜情況展開研究。主要工作如下：

　　首先，本文針對常規(guī)型缺失數(shù)據(jù)的特點結(jié)合關聯(lián)規(guī)則的原理，提出了一種基于弱可用項集的數(shù)據(jù)填補方法，從關聯(lián)規(guī)則填補缺失值存在的兩個問題展開深入研究。第一，針對頻繁項集挖掘時間長這個問題提出了一種基于布爾矩陣的關聯(lián)規(guī)則挖掘方法，該方法結(jié)合布爾矩陣運算的特點來快速求解相關參數(shù)，減少 I/O 操作的同時也從整體上優(yōu)化了頻繁項集的挖掘效率。第二，針對產(chǎn)生規(guī)則少影響填補率這個問題提出了一種基于弱可用項集的填補方法，該方法通過在頻繁與弱可用項集之間建立連接，一方面利用挖掘出的連接規(guī)則提高了填補率；另一方面利用挖掘出的互斥規(guī)則為下一步的填補提供了更有效的計算依據(jù)。

　　然后，本文針對異常型缺失數(shù)據(jù)的特點結(jié)合推薦算法的思想，提出了一種基于元組相似度的數(shù)據(jù)填補方法。從相似元組的查找效率和求解元組相似度的準確性上進行優(yōu)化，一方面通過建立項目-元組倒排表來提高相似元組的查找效率；另一方面基于屬性貢獻度來計算元組相似度，最后利用 top-k 得分獲得最優(yōu)填補值。

　　最后，本文采用一組真實的 UCI 數(shù)據(jù)集進行實驗，證明了本文提出的這套填補方法在混合型缺失數(shù)據(jù)中更高效。

　　隨著互聯(lián)網(wǎng)及信息技術的高速發(fā)展，數(shù)據(jù)作為這些技術不可或缺的資源正在被以指數(shù)級增長的速度開采和挖掘，龐大的數(shù)據(jù)給社會生產(chǎn)、經(jīng)濟研究、生物醫(yī)學、信息科學研究等諸多領域的改革創(chuàng)新帶來無限機遇的同時，也帶來了越來越多的挑戰(zhàn)，那就是如何挖掘出隱含在這些海量數(shù)據(jù)中有價值的信息和知識，因此，數(shù)據(jù)挖掘［1］作為一項重要的技術隨之應運而生，并得到社會生產(chǎn)、經(jīng)濟研究、生物醫(yī)療、科學研究等許多領域的廣泛應用，取得了巨大的社會效益和經(jīng)濟效益。然而許多模型和算法都是建立在高質(zhì)量的數(shù)據(jù)集上，但現(xiàn)實世界中的數(shù)據(jù)集很多都存在數(shù)據(jù)缺失、數(shù)據(jù)不一致、數(shù)據(jù)冗余、噪聲數(shù)據(jù)等問題［2，3］。這些問題將嚴重影響數(shù)據(jù)挖掘的成功與否和適用性能，成為數(shù)據(jù)挖掘的障礙。因此，為了能有效地應用數(shù)據(jù)挖掘的方法和提高挖掘的質(zhì)量，在對數(shù)據(jù)庫中的數(shù)據(jù)進行分析之前要對數(shù)據(jù)進行預處理，其中數(shù)據(jù)缺失問題的處理是預處理中非常重要的一個環(huán)節(jié)。

　　在現(xiàn)實社會的各個領域中，數(shù)據(jù)缺失現(xiàn)象可以說是無處不在，且處理不當會對后續(xù)的生產(chǎn)和研究工作帶來很多不利影響。比如，在工業(yè)生產(chǎn)過程中，由于硬件設備等問題導致一些數(shù)據(jù)不能正常獲??；在大型普查過程中，可能因為時間、地理位置的變化導致普查結(jié)果的不完整；在醫(yī)療領域，經(jīng)常需要對各種病歷進行臨床實驗，但由于有些病人的檢驗結(jié)果不能第一時間獲取而導致實驗數(shù)據(jù)缺失的情況；在市場調(diào)研時，由于被調(diào)研者對于問題的理解程度不同，或是主觀的某些原因都會導致調(diào)研結(jié)果的缺失出現(xiàn)?？梢钥闯鰯?shù)據(jù)缺失問題覆蓋了經(jīng)濟研究、社會生產(chǎn)、人們生活產(chǎn)品制造和科學研究的各個方面且不可避免，并且隨著數(shù)據(jù)量的激增呈現(xiàn)出一種上升的態(tài)勢，如果對缺失數(shù)據(jù)的處理僅僅停留在單一地處理（像刪除含缺失值記錄或使用均值填充）層面上，很難從整體上來把握數(shù)據(jù)的趨勢變化，更糟糕的是可能會因為這樣的分析結(jié)果導出錯誤的決策，這不管對于科學研究還是社會生產(chǎn)等各個領域都是不愿看到的。

　　為了能在海量數(shù)據(jù)中挖掘出有意義的信息資源從而為決策者提供科學依據(jù)，

　　數(shù)據(jù)質(zhì)量研究成為目前重要研究課題，其中合理填補缺失值、構(gòu)建更為準確的完整數(shù)據(jù)集是課題研究中的一個難點和重點。因此，我們要認識到填補缺失值對于數(shù)據(jù)挖掘及數(shù)據(jù)分析有著重要的意義。

　　1. 填補缺失值能夠防止刪除含有少量缺失值的重要記錄，這樣使得數(shù)據(jù)集中某些重要信息得以保留從而為正確決策提供有效依據(jù)。

　　2. 填補缺失值能夠重新修復出一個完整的數(shù)據(jù)集，從而讓數(shù)據(jù)挖掘能在一個全總的數(shù)據(jù)集上進行分析，而不是在局部數(shù)據(jù)上進行分析，避免了因局部分析結(jié)果的片面性而產(chǎn)生錯誤的決策。

　　3. 填補正確的缺失值可以避免因引入新的噪音而影響數(shù)據(jù)挖掘的效果。因此，深入研究數(shù)據(jù)缺失問題，不僅為了全面、準確地利用現(xiàn)有數(shù)據(jù)去反映真實的實際情況，更是為了能夠進行高層次的分析進而挖掘出這些數(shù)據(jù)隱含的、有用的關系和規(guī)則。所以，本文的主要工作就在于對現(xiàn)有的主流填補方法進行較全面的分析后，研究如何利用現(xiàn)有數(shù)據(jù)完成對數(shù)據(jù)集中存在的混合型缺失數(shù)據(jù)的填補工作，提出了一套新的缺失數(shù)據(jù)填補方法，并對其填補結(jié)果進行分析與評價，以期為實際數(shù)據(jù)預處理提供借鑒，具有非常重要的現(xiàn)實意義。