1.3.4 其他类型的数据

其他类型的数据有：
时间相关或序列数据（例如历史记录、股票交易数据、时间序列和生物学序列数据）、数据流（例如视频监控和传感器数据，它们连续播送）、空间数据（如地图）、工程设计数据（如建筑数据、系统部件或集成电路）、超文本和多媒体数据（包括文本、图像、视频和音频数据）、图和网状数据（如社会和信息网络）和万维网（由Internet提供的巨型、广泛分布的信息存储库）。

这些应用带来了新的挑战，例如，如何处理空间结构的数据（如序列、树、图和网络）和特殊语义（如次序、图像、音频和视频的内容、连接性），以及如何挖掘具有丰富结构和语义的模式。

可以从这些类型的数据中挖掘各种知识。这里，我们只列举少许。
例如，就时间数据而言，可以挖掘银行数据的变化趋势，这可以帮助银行根据顾客流量安排出纳员。可以挖掘股票交易数据，发现趋势，帮助你规划投资策略（例如，购买AllElectronics的股票的最佳时机）。
可以挖掘计算机网络数据，根据消息流的异常进行入侵检测。这种异常可以通过聚类、流模型的动态构建，或把当前的频繁模式与先前的比较来发现。
使用空间数据，我们可能得到根据城市离主要公路的距离描述都市贫困率的变化趋势的模式。可以考察空间对象集之间的联系，发现哪些对象子集是空间自相关或关联的。
通过挖掘文本数据，如挖掘过去10年“数据挖掘”方面的文献，可以了解该领域热点课题的演变。通过挖掘顾客对产品发表的评论（通常，以短文本消息提交），我们可以评估顾客的意见，了解产品被市场接受的程度。
由多媒体数据，我们可以挖掘图像，识别对象，并通过指派语义标号或标签对它们分类。通过挖掘曲棍球运动的视频数据，可以检测对应于进球的视频序列。
Web挖掘可以帮助我们了解万维网信息的一般分布，刻画网页的特征，对网页进行分类，并发现Web的动态，以及不同网页、用户、社区和基于Web的活动之间的关联和联系。