Discovery-Driven Exploration of OLAP Data Cubes
Discovery-Driven Exploration of OLAP Data Cubes
复制标题
DOI：
10.1007/bfb0100984
复制
发表时间：
1998-03
期刊：
影响因子：
--
通讯作者：
Sunita Sarawagi;R. Agrawal;N. Megiddo
中科院分区：
文献类型：
--
作者：
Sunita Sarawagi;R. Agrawal;N. Megiddo
分析师主要使用OLAP数据立方体来识别可能代表问题区域或新机会的异常区域。当前的OLAP系统通过诸如下钻、上滚和选择之类的操作来支持假设驱动的数据立方体探索。使用这些操作，分析师可以在没有帮助的情况下浏览巨大的搜索空间，查看大量的值以发现异常。我们提出了一个新的发现驱动的探索范式，挖掘数据的异常，并总结了在适当的水平提前的异常。然后，在导航过程中，它使用这些异常将分析人员引导到多维数据集的感兴趣区域。我们提出了我们的方法背后的统计基础。然后，我们讨论的计算问题，发现数据中的异常，并在大型多维数据库的过程中的效率。
Analysts predominantly use OLAP data cubes to identify regions of anomalies that may represent problem areas or new opportunities. The current OLAP systems support hypothesis-driven exploration of data cubes through operations such as drill-down, roll-up, and selection. Using these operations, an analyst navigates unaided through a huge search space looking at large number of values to spot exceptions. We propose a new discovery-driven exploration paradigm that mines the data for such exceptions and summarizes the exceptions at appropriate levels in advance. It then uses these exceptions to lead the analyst to interesting regions of the cube during navigation. We present the statistical foundation underlying our approach. We then discuss the computational issue of finding exceptions in data and making the process efficient on large multidimensional data bases.