结构化数据和非结构化数据之间有哪些区别？这些区别如何影响各自的数据挖掘方法？

回答：

我熟悉的术语是结构化和非结构化数据（与您的问题中提到的相同，只是后缀不同）。

我在机器学习中处理这两种类型的数据，我不知道有任何正式的定义；然而，我认为几乎所有需要区分这两种数据类型的人都能轻松区分它们。

结构化数据的例子包括：电子邮件发送的日期/时间；是否有附件，或电子邮件的发送者。非结构化数据的例子是：电子邮件的正文。

是否有一套稳定的规则来区分这两种数据类型？我认为是有的。首先，如果您可以为数据元素构建一个解析器，那么它就是结构化的数据。

另一个经验法则是查看数据库中存储该数据所需的字段的数据类型。如果是文本类型——对于MySQL来说，是Tintext、Text、Mediumtext或Longtext。或者不太可能的是VARCHAR(255)——那么这些数据很可能是非结构化的。

这种区分对于数据挖掘的主要意义可能是：结构化数据一旦从文档中提取并解析后，可以作为统计/机器学习模型中的变量使用。然而，非结构化数据需要进一步解析——即，在您将其用于建模之前，您首先需要将其分解为一组结构化数据元素——例如，单词数量等。

例如，假设您想为一家制作在线MMORPG的公司内的服务器组构建一个知识管理（KM）系统。您可能从该组成员之间交换的大量电子邮件消息开始。

因此，您为这个来源创建一个数据模型——例如，由’sender’（发送者）、’recipient’（接收者）、’date/time sent’（发送日期/时间）、接收者和发送者是否都是服务器组的员工、消息是否被复制给其他人等字段组成。数据库的行是各个电子邮件。

然后，您编写一个由一组解析器组成的脚本，以从每封电子邮件中提取每个字段。对于许多字段来说，这很简单，例如，对于’cc:’字段，您编写一个解析器来扫描电子邮件消息的那部分，并检查它是否为空——如果是，那么该行在数据库中的该字段可能会填入’False’（表示没有抄送任何人），否则填入’True’。同样，日期/时间，可能是某种形式的：16 Mar 2011 18:45:39.0319 (UTC)。提取和解析这些数据同样简单；事实上，您的脚本语言几乎肯定有一个模块来完成这项工作。

但是，当您处理到电子邮件的正文时，虽然从电子邮件的其余部分提取它并不困难，但解析它并不简单。您的数据模型可能有“NumberOfWords”（单词数量）、“Keywords”（关键词）等字段，并且构建一个解析器来填充这些字段很简单。然而，最有用的信息却更难获得——即，电子邮件对接收者是否有帮助？主题是什么？它是否具有权威性？