基于相反分类器的数据流分类方法

目前挖掘概念流动的数据流已经成为研究的热点。概念流动的数据流分类在预防信用卡欺诈,网络入侵发现等应用中具有重要的应用。本文定义了一种相反分类器来从错误中学习,提出了训练一个集合分类器来对具有概念流动的数据流进行分类的算法I WB。通过在合成数据集和benchmark上的实验,与Weighted Baggging算法13比较,表明我们的算法具有更高的准确度,更快地收敛到新的目标概念的性能。

基于序列关联规则挖掘的Web日志预测精度研究

目前许多研究关注如何利用序列关联规则预测用户最近的HTTP请求,这些研究主要利用次序信息或时间信息来进行剪枝,以提高预测的精度。该文对不同序列关联规则进行了分析和比较,给出了不同次序信息和时间信息的条件下各种序列模式挖掘算法。并使用实验比较这些算法的预测精度。通过对实验结果的分析,为进一步提高预测的精度指明了方向。

一种对噪音健壮的数据流分类算法

数据流挖掘中的主要问题是概念流动和噪音污染。目前的数据流挖掘算法不能有效地处理数据流中的噪音,而一个理想的学习算法应该同时拥有对概念流动的敏感性和对噪音的健壮性。文中探讨了如何使用聚类方法在数据流中区分出噪音实例和难以学习的实例,并提出了相应的概念流动检测方法。在此基础上设计了基于推进技术的集合分类器算法RobustBoosting。通过在合成数据集和实际数据集上的实验,表明文中的算法即使在高达40%的类噪音时,与AdaptiveBoosting算法[1]相比,仍能保持更高的分类准确度,更快地收敛到新的目标概念。

基于盖然论潜在语义分析的Web使用挖掘

Web使用挖掘的首要任务是发现Web用户访问行为的模式.传统聚类算法对解空间的搜索带有盲目性和缺乏语义特征.提出了一种基于盖然论潜在语义分析(PLSA)的发现和分析Web访问模式的方法,即通过定量地衡量出Web用户和Web对象与潜在因素之间的概率关系,再利用盖然论的方法来完成各种分析任务.实验结果表明该方法具有高效性.

面向移动平台的Web信息交互模型研究

随着移动时代的来临,Web上的信息交互平台开始由浏览器转向移动客户端。信息的可定制化以及可交互性是移动Web应用所面临的问题,通过对整个Web信息的交互过程进行抽象,提出了三层信息交互模型。第一层实现了移动客户端上的通信模块,向上层提供了标准的HTTP操作接口。第二层调用API与服务器通信,服务器借用RESTFUL API的方式对外提供资源。第三层使用MASHUP方式展现客户端集成的服务。整个模型提供了针对移动平台部署服务、获取服务以及展现服务的快速解决方案。