融合改进AprioriAll算法与云计算的旅游物流路径数据分析模型研究

随着旅游物流信息化水平的提高,产生了大量隐藏着重要信息的物流数据,而如何充分利用该数据成为许多企业的难题。研究利用分割数据技术优化改进Apriori算法,以达到分组统计的目的。结果表明,在10G、20G、30G的条件下,以及5%、10%、15%支持度条件下,数据处理时间分别为2小时、4.8小时、5小时,2.3小时、4.9小时、5.2小时,4小时、7.5小时、14.8小时,说明其效率得到显著提高。

基于改进的AprioriAll算法的Web序列模式挖掘研究

为了减少AprioriAll算法挖掘过程中候选序列的生成以及对序列数据库的扫描次数,提高算法的挖掘效率,提出了一种基于改进的AprioriAll算法的Web序列模式挖掘方法。首先对数据进行预处理,然后利用经过改进的AprioriAll算法进行模式挖掘。算法的改进主要有两点:一个通过改变候选序列的连接方式来减少候选序列的产生;二是通过减少不必要的数据库扫描操作来提高算法的效率。通过实验验证了改进后算法在Web序列模式挖掘过程中的高效性和正确性。

一种基于改进的AprioriAll算法的Web路径模式挖掘

对路径模式挖掘的原理做了详细的阐述,并且针对挖掘对象的特性,对AprioriAll算法中生成侯选序列的函数做了相应的改进。最后通过实例说明了改进的AprioriAll算法在路径模式挖掘中的有效性。

大数据背景下的精准个性化学习路径挖掘研究——基于AprioriAll的群体行为分析

在数字化环境中,学习是对信息进行收集、汇聚、存储、共享和创造的过程,不仅涉及个体学习行为,也涉及群体行为,影响着个体知识建构过程。大数据背景下,基于AprioriAll算法,挖掘分析相同或相近学习偏好、知识水平的同一簇群体学习行为轨迹,并以学习者特征与学习对象媒体类型、理解等级、难度级别的匹配计算为基础,能够生成精准个性化学习路径,可为差异化教学提供新思路。最后,采用实验研究法,通过散点图与无回路有向图及学习效率与满意度调查,表明研究成果满足学习需求,能为学习者提供有效指引,有助于激发学习兴趣,提高学习动机,促进个性化发展。

新多维序列挖掘算法：对AprioriAll算法的改进

本文在序列模式挖掘算法AprioriAll算法的基础上,提出了一种新的序列模式挖掘算法。该算法改进了AprioriAll算法每次从候选项集中挑选大项集都要扫描数据库的缺点,以位图袁示法(bitmap representation)描述数据库,并利用矩阵式的数据结构对候选集进行计数,减少了数据库扫描次数,从而提高了挖掘的效率,实验证明,该算法在性能上优于AprioriAll算法。

序列模式挖掘在乒乓球比赛技战术分析中的应用

以世界优秀女子乒乓球运动员比赛的技战术统计资料为数据挖掘对象,采用技战术描述方法,利用智能数据采集软件对比赛技战术数据进行采集,对初采数据根据实战需要进行二次处理,尽可能使二次处理后的技战术指标能充分反映运动员的比赛状况。结果显示:利用序列模式挖掘的AprioriAll算法,挖掘高于用户指定阈值的最大致胜技战术序列,能清晰反映运动员得失分的连续击球技战术状态。

4种序列模式挖掘算法的特性研究

序列模式挖掘是数据挖掘中的一个重要研究方向,对序列模式挖掘中的4种算法(AprioriAll、GSP、FreeSpan、Prefixspan)的执行过程及其特点进行了研究,并对这几种算法的时空执行效率进行了定性和定量的分析比较,指出了4种算法各自的适用范围,得出的结果对序列模式挖掘系统的设计具有一定的参考价值。

基于Web挖掘的个性化教学推荐系统

针对学生网络学习环境设计了一种新颖的个性化教学推荐系统。该系统通过测试学生的学习风格和挖掘Web浏览日志,构造了不同学生学习风格和Web使用习惯的模型。首先利用Item-Based Top-N推荐算法对数据稀疏的学习风格测量数据进行处理,实现对学生学习风格的诊断;然后,采用AprioriAll算法挖掘Web浏览日志中序列频繁集,分析出学生Web使用的常见习惯和兴趣;最后,依据不同的学习风格和Web使用习惯实现学习内容的个性化推荐。模拟实验表明,该推荐系统的设计是可行并有效的,能够很好地符合用户的真实需求。

基于Web日志的网站优化方案的设计与实现

Web日志挖掘的研究对象是Web日志数据,挖掘的对象是提供服务的网站的信息,挖掘结果可以帮助改善网站的设计,本文基于Web日志挖掘提出一种网站优化方案,本方案采用AprioriAll算法对用户频繁访问路径进行挖掘,根据挖掘结果进行模式分析,最终实现网站结构的调整、优化,提高用户满意度和站点的访问率。