基于在线品牌社区意见领袖的用户关键需求挖掘

随着社会的快速发展以及技术的不断进步,人们生活节奏不断加快,对产品的需求也在快速发生着变化。在线评论是目前用户需求表达的重要渠道。为克服不加区分挖掘所有评论的传统用户需求挖掘方法耗时过长,难以聚焦用户关键需求的问题,从用户关键性与需求关键性的双关键性角度出发,研发了一种基于在线品牌社区意见领袖的用户关键需求挖掘方法以快速获取用户重要需求,简称KEY-DEMANDS-OL。该方法依据帕累托法则,依托意见领袖评论大数据,采用优化的情感程度及初始改进率,结合KANO模型对用户关键需求进行挖掘。该方法不仅考虑了程度副词的语义信息,提高了情感分析的准确率,而且能够完成意见领袖的生成内容与KANO模型的自动整合,实现用户关键需求的获取与分类。研究结果表明,与挖掘所有评论的传统方法相比,KEY-DEMANDS-OL可以快速获取用户的关键需求,为企业制定产品优化方案提供辅助决策支持。

基于Spark的分布式时序分类学习模型

LearnNSE算法保留了所有基分类器进行集成,基分类器权重调整较慢,对长期累积大数据的分类学习效率不高,且仅关注累积大数据,缺乏对短时间内突发产生大数据的关注,为此在所提PFLearnNSE-Pruned-Age算法基础上,研究一种基于Spark的分布式时序分类学习模型DSCLM-spark。实验结果表明,DSCLM-spark能够取得非常接近、在许多场景下甚至优于LearnNSE的准确率,进一步提高集成分类学习的效率,兼顾短时产生及长时间累积的大数据,适用于对分类挖掘实时性要求较高的场合。

基于磁盘表存储FP-TREE的关联规则挖掘算法

随着现实待挖掘数据库规模不断增长,系统可使用的内存成为用FP-GROWTH算法进行关联规则挖掘的瓶颈.为了摆脱内存的束缚,对大规模数据库中的数据进行关联规则挖掘,基于磁盘的关联规则挖掘成为重要的研究方向.对此,改进原始的FP-TREE数据结构,提出了一种新颖的基于磁盘表的DTRFP-GROWTH(disk table resident FP-TREE growth)算法.该算法利用磁盘表存储FP-TREE,降低内存使用,在传统FP-GROWTH算法占用过多内存、挖掘工作无法进行时,以独特的磁盘表存储FP-TREE技术,减少内存使用,能够继续完成挖掘工作,适合空间性能优先的场合.不仅如此,该算法还将关联规则挖掘和关系型数据库整合,克服了基于文件系统相关算法效率较低、开发难度较大等问题.在真实数据集上进行了验证实验以及性能分析.实验结果表明,在内存空间有限的情况下,DTRFP-GROWTH算法是一种有效的基于磁盘的关联规则挖掘算法.

基于磁盘存储1项集计数的增量FP_GROWTH算法

随着数据集规模的不断增大,提高频繁项集的挖掘效率成为数据挖掘领域的研究重点.频繁项集的增量更新挖掘算法因其可以利用已挖掘发现的信息提高对新数据集的挖掘效率,成为重要的研究方向.但现有频繁项集增量更新算法大多基于APRIORI算法框架,性能提高有限.最近出现的建立在FP-TREE等树形结构上的增量更新算法又往往存在树形结构调整困难、已发现频繁项集及树形结构保存效率较低等问题,算法性能有待进一步地提高.对此,通过分析增量挖掘过程中的关键信息,提出了一种基于磁盘存储1项集计数的增量FP_GROWTH算法(IU_FPGROWTH_1COUNTING).该算法无需保存临时树形结构及临时挖掘结果,可以在原数据集及支持度均发生变化时,减少FP_GROWTH算法对数据集的扫描,提高频繁项集的挖掘效率.在生成以及真实数据集上进行了验证实验以及性能分析,结果表明IU_FPGROWTH_1COUNTING是一种有效的频繁项集增量更新挖掘算法.

CMP上基于数据集划分的K-means多核优化算法

虽然现在多核CPU非常普及,但传统K-means聚类算法由于没有专门进行并行化设计,不能充分利用现代CPU的多核计算能力,算法针对大规模数据集的聚类效率有待进一步提高。因此,对K-means算法进行CMP并行化改进,提出了一种Multi-core K-means(MC-K-means)算法。该算法对K-means的聚类任务进行了分解,设计了独立且均衡的聚类子任务并分配给各线程并行执行,以此利用现代CPU的多核计算能力。实验结果表明,MC-K-means相比K-means获得了较高的多核加速比,提高了针对大规模数据集的聚类能力。

分布式故障诊断在SNMP中的模拟与应用

分析传统网络管理集中式及分层次体系结构的缺陷,提出分布式网络管理的体系结构,把用于大规模集成电路故障诊断的系统级故障诊断算法ADSD应用到计算机网络故障诊断中。为了验证计算机网络分布式故障诊断的可行性,在NS中嵌入ADSD算法,模拟整个算法的执行,对算法的执行效率如诊断延时、报文流量进行分析。在此基础上对原算法进行改进,以减小算法对正常网络应用的影响。通过对SNMP的模拟实验,验证在网络管理中引入分布式故障诊断的可行性。

基于滑动窗口的快速Learn++.NSE

Learn++.NSE集成的单个基分类器需根据其在所有历经环境中的分类错误率加权计算投票权重,学习效率有待提高.因此,文中采用滑动窗口技术优化权重的计算过程,提出基于滑动窗口的快速Learn++.NSE算法(SWLearn++.NSE).该算法仅考虑使用单个基分类器近期窗口内的分类准确率计算投票权重,提高集成学习的效率.实验表明,相比Learn++.NSE,在取得同等分类准确率的情况下,文中算法分类学习的效率更高.

中小企业云计算平台应用的商业模式研究

云计算平台是一种新兴的网络资源交付和使用模式,分析云计算平台服务,针对中小企业信息化现状,选择适用于中小企业现状的云计算平台,在该平台下提出应用于中小企业的商业模式。

关联案例平台的实现及在MIS教学中的应用研究

在总结《管理信息系统》课程特点的基础之上,分析了传统教学方法在《管理信息系统》课程教学中的不足之处,引入了一种新颖的关联案例教学方法。对关联案例教学方法的核心思想进行了诠释与分析,总结了关联案例教学方法相比较传统教学方法的优点。利用Web2.0技术研发了基于B/S结构的关联案例教学平台,在《管理信息系统》课程教学过程中应用该关联案例教学平台,取得了良好的教学效果。教学实践证明,利用现代信息技术进行关联案例教学是一种切实可行且有效的新型教学方法,可有效提高教学效率以及教学质量。

一种基于协同过滤的APPS跨类别推荐算法

【目的/意义】针对主流APPS推荐系统一般仅能推荐同类别APPS的现状,提出了一种基于协同过滤的APPS跨类别推荐算法(APPSR)。【方法/过程】该算法先对APPS进行聚类,考虑APPS簇间相似度,对未评分APPS进行评分预测,构建无缺失的用户-APPS评分矩阵。在传统协同过滤技术的基础之上,引入了时间权重函数与热门APPS惩罚机制,体现了用户兴趣的时效性,消除了热门APPS对推荐结果的影响。根据不同用户对多种APPS的评分,预测用户对其它类别APPS的喜好,为用户提供跨类别的APPS个性化推荐。【结果/结论】通过实验验证了APPSR算法的可行性与有效性,为APPS个性化推荐提供了新方法。