डेटा माइनिंग पद्धति से संबंधित विभिन्न उपयोगकर्ता इंटरैक्शन मुद्दे निम्नलिखित हैं:
डेटाबेस में विभिन्न प्रकार के ज्ञान का खनन (Mining different kinds of knowledge in databases)
विभिन्न उपयोगकर्ता विभिन्न प्रकार के ज्ञान में रुचि रख सकते हैं। इस प्रकार, डेटा माइनिंग को डेटा विश्लेषण और ज्ञान खोज कार्यों के व्यापक स्पेक्ट्रम को कवर करना चाहिए, जिसमें डेटा लक्षण वर्णन, भेदभाव, संघ, वर्गीकरण, क्लस्टरिंग, प्रवृत्ति और विचलन विश्लेषण, और समानता विश्लेषण शामिल हैं।
कई अमूर्तता स्तरों पर ज्ञान का इंटरैक्टिव खनन (Interactive mining of knowledge at multiple levels of abstraction)
क्योंकि यह जानना जटिल है कि डेटाबेस के भीतर वास्तव में क्या पाया जा सकता है, डेटा माइनिंग प्रक्रिया इंटरैक्टिव होनी चाहिए। इंटरैक्टिव माइनिंग उपयोगकर्ताओं को पैटर्न की खोज को लक्षित करने, लौटाए गए परिणामों के आधार पर डेटा माइनिंग अनुरोधों का समर्थन और परिष्कृत करने में सक्षम बनाती है। यह उपयोगकर्ता को कई दानेदार स्तरों पर और कई कोणों से जानकारी देखने और पैटर्न खोजने में सहायता करेगा।
पृष्ठभूमि ज्ञान का समावेश (Incorporation of background knowledge)
डेटाबेस से जुड़ा डोमेन ज्ञान, जिसमें अखंडता बाधाएं और कटौती नियम शामिल हैं, डेटा माइनिंग प्रक्रिया को लक्षित और गति देने में मदद कर सकता है, या पहचाने गए पैटर्न की दिलचस्पी का न्याय कर सकता है।
डेटा माइनिंग क्वेरी भाषाएं और एड-हॉक डेटा माइनिंग (Data mining query languages and ad-hoc data mining)
एक उच्च-स्तरीय डेटा माइनिंग क्वेरी भाषा विकसित की जानी चाहिए जिसे डेटाबेस या डेटा वेयरहाउस क्वेरी भाषा के साथ एकीकृत किया जा सके ताकि उपयोगकर्ता प्रासंगिक डेटा सेट के विनिर्देश, डोमेन ज्ञान, खनन किए जाने वाले ज्ञान का प्रकार, और पहचाने गए पैटर्न पर लागू की जाने वाली शर्तों और दिलचस्पी बाधाओं को निर्दिष्ट करके एड-हॉक डेटा माइनिंग कार्यों को परिभाषित कर सकें।
डेटा माइनिंग परिणामों की प्रस्तुति और विज़ुअलाइज़ेशन (Presentation and visualization of data mining results)
खोजे गए ज्ञान को उच्च-स्तरीय भाषाओं, दृश्य परिभाषाओं, या अन्य अभिव्यंजक रूपों में परिभाषित किया जाना चाहिए ताकि ज्ञान मनुष्यों द्वारा आसानी से सीखा जा सके और सीधे उपयोग करने योग्य हो।
आउटलेयर या अधूरे डेटा को संभालना (Handling outlier or incomplete data)
डेटाबेस में संग्रहीत डेटा आउटलेयर के शोर, असाधारण मामलों, या अधूरे डेटा ऑब्जेक्ट को प्रतिबिंबित कर सकता है जो पहचाने गए पैटर्न की सटीकता को खराब कर सकते हैं। डेटा सफाई विधियों और डेटा विश्लेषण विधियों की आवश्यकता है जो आउटलेयर को प्रबंधित कर सकें।
पैटर्न मूल्यांकन (Pattern evaluation)
एक डेटा माइनिंग सिस्टम सैकड़ों पैटर्न को उजागर कर सकता है। खोजे गए कुछ पैटर्न दिए गए उपयोगकर्ता के लिए निर्लचस्प हो सकते हैं, सामान्य ज्ञान को परिभाषित करते हुए या नवीनता की कमी। दिलचस्पी माप का उपयोग डिस्कवरी प्रक्रिया को मार्गदर्शन करने और खोज स्थान को कम करने के लिए करना अनुसंधान का एक अन्य सक्रिय क्षेत्र है।
समानांतर, वितरित, और वृद्धिशील अद्यतन एल्गोरिदम (Parallel, distributed, and incremental updating algorithms)
कई डेटाबेस का बड़ा आकार, डेटा का व्यापक वितरण, और कुछ डेटा माइनिंग विधियों की कम्प्यूटेशनल जटिलता समानांतर और वितरित डेटा माइनिंग एल्गोरिदम की उन्नति को प्रेरित करने वाले कारक हैं।
