基于属性相似性的Item-based协同过滤算法

通过分析传统Item-based协同过滤推荐中的稀疏性问题以及新项目的冷开始问题,提出了一个基于属性相似性的Item-based协同过滤算法。该算法利用项目属性的相似性来修正原始相似性计算,综合考虑项目属性和用户评价对推荐的影响,改进了传统相似性度量方法在评价数据稀疏和新项目推荐中测量结果不够准确的问题。

基于FP-Tree的共享前缀频繁项集挖掘算法

在数据挖掘中发现关联规则是一个基本问题,而发现频繁项集是关联规则挖掘中最基本、最重要的问题。提出了基于FP-Tree的共享前缀频繁项集挖掘算法-FP-SPMA算法。构造FP-Tree来压缩事务数据库,通过共享前缀和前瞻剪枝快速减小候选项集,无需递归构造条件模式树,算法性能有明显的提高。

基于FP-Tree的约束关联规则挖掘算法

针对构建FP-Tree时存在的大量内存消耗问题,提出了CCFP(constraint clip FP-tree)算法,该算法利用有项和缺项约束对事务数据库进行修剪后构造简化的FP-Tree,经再一次扫描后得到关联规则。实验结果表明:该算法较一般的FP-Tree算法能节省大量的内存空间,同时,运行效率也略有提高。

采用R^＊-tree的三角网格曲面非均匀精简算法

提出了一种三角网格曲面非均匀精简算法。该算法采用R^＊-tree组织三角网格曲面的空间拓扑结构，实现了三角面片拓扑邻域的快速查询。结合三角网格曲面模型的曲率分布状况，对三角网格曲面进行聚类分簇处理，通过对分簇网格进行局部精简，实现了三角网格曲面模型的整体保形性精简。与同类精简算法的对比实验表明，该算法的数据适应性强，有效地保留了三角网格曲面的型面特征，精简后的网格模型与原网格模型的面片偏差降低了20％～45％，精简时间减少了10％～35％。

PEV:一种新的用于Item-Based协同过滤算法的相似性度量方法

在Item-Based协同过滤算法中,项目之间相似性的度量是整个算法的关键.通过分析传统的相似性度量方法在系统评分数据稀疏的情况下所存在的弊端,提出一种新的用于Item-Based协同过滤算法的相似性度量方法,该方法从邻近度、影响力、有用性三个方面综合考虑了用户评分对项目相似性的影响.实验结果表明,该方法能够有效地避免传统相似性度量方法所存在的问题,使得数据稀疏性对最终推荐结果的负面影响变小,在一定程度上提高系统的推荐精度.

基于FP-tree的多层关联规则快速挖掘算法

研究了多层关联规则挖掘的理论和方法,提出了一种基于FP-tree的快速挖掘算法FAMML_FPT。该算法不仅实现了同层次关联规则的挖掘,也能实现跨层次关联规则的挖掘,其中引入了修补项、跨层修补项的概念,以便从低到高逐层建立FP-tree,有效减少了扫描数据库的次数,且不用产生大量的候选项集,提高了数据挖掘的效率。

基于FP-tree频集模式的FP-Growth算法对关联规则挖掘的影响

通过对两个有代表性的算法Apriori和FP-Growth的剖析,说明频集模式挖掘的过程,比较有候选项集产生和无候选项集产生算法的特点,并给出FP-tree结构的构造方法以及对挖掘关联规则的影响,提出了对算法的改进方法.

一种优化的Item-based协同过滤推荐算法

针对传统的Item-based协同过滤推荐算法在推荐系统应用中存在的不足,提出一种优化的Item-based协同过滤推荐算法.从项目相似性计算,项目近邻选取和预测评分计算三个方面对算法进行了优化,使计算结果更具有实际意义和准确性.实验结果表明,提出的算法可解决传统方法中由于数据稀疏所导致的相似性度量不准确的问题,并显著地提高了算法的推荐精度.

基于DPB^+-Tree的索引复制策略研究

索引复制是分布并行数据库提供并行性和提高可用性的一个重要手段。本文提出一种适合于索引复制的树结构——DPB^+-Tree,在此基础上研究了相关的索引复制策略,其中副本复制原则考虑了更新/检索比、节点机负载和可靠性需求;索引副本建立允许一个新的副本学习先前的副本;而索引副本更新基于搜索更新机制来完成。对DPB^+-Tree 索引复制策略的仿真实验结果表明,副本对查询的响应性能和负载均衡度有明显改善。

R-tree的查询代价模型分析及算法改进

提出一个R tree的查询代价模型 (CostModel) ,在对该模型分析的基础上 ,对R tree及其变种进行了改进 ,形成了CR tree 分别对CostModel和CR tree做了实验 ,结果显示该CostModel的平均误差为 12 6 %,而改进后的CR tree查询性能比R tree提高了 4 2 5 %

一种基于R*-tree的时空索引

时空数据是一种特殊的多维数据，其每一数据项的时间戳值是单调递增的。3D R-tree把时间看作为空间的另一维，然后利用R-tree进行空间索引，查询效率比较低而且只能处理离线数据。而HR-tree 将时间维孤立出来，同时保存每一时间戳的空间数据，查询效率较高但是空间开销大。该文提出了一种基于 R*-tree算法的时空索引方法。该方法比3D R-tree有更好的查询效率且支持在线数据模式,较之HR-tree在保证查询效率的同时使用更少的存储空间，最后给出了试验对比结果。

一种基于FP-tree的最小预测集获取新算法

生成用于预测的关联规则,现有算法生成的关联规则中许多是不必要的。利用分治策略和基于频繁闭子集的FP-TREE生成一种特殊的关联规则集(最小预测集),它比现有规则集小,但是具有同样的预测功能,并且具有发现关键属性的能力。给出了它的算法,并从理论上证明了该算法的正确有效性。

基于组合加权评分的Item-based协同过滤算法

针对Item-based协同过滤算法中用户评分数据稀疏性严重影响推荐质量的问题,提出一种基于组合加权评分的Item-based协同过滤算法,以用户评分项并集作为用户相似性计算基础,并提出一种组合加权评分方法来对并集中的未评分项进行计算和填补,从而降低了数据稀疏性。实验结果表明该算法能有效提高推荐质量。

基于FP-tree的快速构建算法

数据库的访问频度是影响关联规则挖掘性能的关键因素之一。通过研究FP-tree算法,提出了一种基于FP-tree的快速构建算法,使FP-tree的构建过程仅需一次数据库扫描。该算法通过动态调整项头表中各项的顺序,同时动态修正FP-tree中项的出现顺序与项头表中各项出现顺序不一致的节点。最后,通过对项头表中非频繁项的剔除与FP-tree中对应项节点的清理,完成FP-tree的构建过程。实验结果证明了该算法的有效性。

一种改进的Item-based协同过滤推荐算法

分析了协同过滤推荐系统中存在的用户多兴趣和项目多内容问题,提出了一种基于项的协同过滤改进算法,算法综合考虑了项目自身属性和用户评价的影响.试验表明该算法有效的解决了用户的多兴趣和项目的多内容问题,并且在用户评分数据比较稀疏的情况下也能有较好的推荐精度.

基于CB+-tree索引的XML时态查询技术

针对XML时态查询问题,使用CB+-tree索引,将时态信息作为索引关键字,采用实体地址和长度随机读取查询,在叶子节点处添加新的链表节点,对叶子节点中的关键字按照tend进行二次排序,减少了查询比较次数。实验结果表明,CB+-tree索引在实现实体轨迹、快照和时间段3类时态查询时,优于B+-tree索引,特别是对于大容量的XML文档,其时态查询效果更佳。

基于改进FP-Tree的最大频繁项集高效挖掘算法

基于FP-Tree的FP-Max算法在挖掘最大频繁集时需多次递归建立条件模式树耗费大量存储空间,这大大降低了算法的挖掘效率。提出了一种基于改进FP-Tree的最大频繁集快速挖掘算法—FP-EMax算法。该算法无需建立条件模式库大大减少了存储空间开销,采用预剪枝策略减少条件模式树的构造次数及子集检测次数,从而算法的挖掘效率大大提高。最后通过实验证明FP-EMax算法在支持度较小的情况下较之于FP-Max及同类算法具有更好的性能。

基于FP-tree的项约束关联规则挖掘算法研究

介绍了项约束关联规则的基本概念和技术现状,详细分析了FP-tree关联规则算法的关键技术。对FPC、CMFIMA、CCFP、DCMFI和CMFI五种基于FP-tree的项约束关联规则算法思想及技术进行分析和评价,通过比较,给出各算法的优点和不足,最后介绍了基于FP-tree项约束关联规则的应用,并展望了FP-tree项约束关联规则挖掘未来的研究方向,为基于FP-tree的项约束关联规则技术的研究与发展提供参考。

众创空间创客团队的“ITEM”融合模式与循环迭代——基于青创迭代创空间案例研究

以青创迭代创空间两个典型创客团队为案例研究对象,从创客团队的角度,研究其兑现创意、实现创业的过程和内在机理,提出了众创空间"ITEM"融合与循环迭代模型。研究发现:第一,创客团队的创新创业包括创意、技术、企业家精神、制造四个主环节且相互融合;第二,创客团队"ITEM"融合是一个循环迭代的过程。通过深入现实创客团队调研,总结出的融合模式和循环迭代模式对深入理论探讨和创客团队创新创业实践具有参考价值。

B^+-Tree的改进算法在可复用软构件库中的应用

文章通过对B+-Tree索引算法的改进,将其应用到可复用软构件库中。该改进算法继承了B+-Tree的优点,结合可复用软构件库的特点,将构件库多维数据索引转化为B+-Tree一维数据索引进行存储、查询。通过对比分析,证明了该构件库索引算法大大改进了构件库中构件的查找效率。