基于信息熵的兴趣度规则挖掘算法

传统关联规则挖掘方法通常产生海量杂乱的规则,它们对用户而言是冗余的.为解决该问题,文中提出一种基于信息熵的兴趣度规则挖掘算法.通过变量相关性分析剔除原始规则集中虚假、错误的规则,并在信息熵的基础上提出度量关联规则兴趣度的框架.该算法不依赖用户先验知识,能无偏地表达数据包含的信息.在真实和仿真数据集上的实验验证该算法能有效挖掘兴趣度规则,且性能比传统算法更优.     

关联规则兴趣度研究

关联规则是一种常见的知识表达形式。本文介绍了关联规则的提取模式和基于PS架构提取模式的不足;介绍了关联规则兴趣度的定义,包括客观兴趣度和主观兴趣度以及综合兴趣度。     

基于距离类别的多源兴趣点融合算法

为了更好地实现多源兴趣点（POI）数据的有效集成与精确融合,提出了一种结合空间与非空间属性的距离类别的兴趣点融合算法（MNMDC）。首先,对空间属性,通过标准化权重算法计算待融合对象的空间相似度得到融合集;其次,利用非空间Jaro-Winkle算法对融合集中类别一致的对象使用低阈值排除,对类别不一致的使用高阈值排除;最后,使用距离约束、类别一致约束和高阈值的非空间Jaro-Winkle算法找出空间算法遗漏的可融合对象。实验结果表明,该方法平均准确率达到93.3%,与空间和非空间算法（COM-NWT）及格网化纠正方法相比,在7组不同重合度的数据下MNMDC方法的平均准确率提高2.7和1.6个百分点、平均召回率提高2.3和1.4个百分点。MNMDC在实际融合过程中能更精确地融合POI数据。     

基于轨迹点局部异常度的异常点检测算法

随着大量的定位数据被收集在应用服务器,如何从大量定位轨迹数据挖掘异常信息已逐渐成为一个令人关注的研究课题.针对当前流行的、以轨迹片段表示局部特征的异常点检测算法存在的问题,文中提出了以轨迹点表示局部特征的异常点检测算法TraLOD.该算法不仅提出了将每个轨迹点赋予一个0～1的值来表示其局部异常程度,而且还引入了相对距离...     

基于兴趣度变化的社区网站用户性格相似度计算

针对社区网站中通过衡量用户静态信息的一致性和共同好友数量, 忽视其动态信息以及动态信息变化过程实现好友推荐这一问题, 提出基于兴趣集、兴趣度持续时间、兴趣集序列构造性格模型, 比较用户性格相似度实现性格相似的判断. 实验结果显示, 该模型实现好友推荐的效果良好.     

基于用户兴趣和兴趣点流行度的个性化旅游路线推荐

针对传统的旅游路线推荐算法推荐准确率不高的缺陷,提出一种基于兴趣点(POI)流行度和用户兴趣偏好的个性化旅游路线推荐(PTIR)算法。首先通过分析得到用户真实的历史旅游足迹;然后根据用户在每个景点的逗留时间提出基于时间的用户兴趣偏好;最后在给定的旅行时间限制、起点和终点下,设计最优旅游路线计算方法。在Flickr社交网站的真实数据集上进行实验,结果显示,相比传统的只考虑POI流行度的算法,该个性化旅游路线推荐算法的准确率和召回率都有较大提升;相比只考虑用户兴趣偏好的算法,该个性化旅游路线推荐算法的准确率和召回率也有所提高。实验结果表明综合考虑POI流行度和用户兴趣偏好能使路线推荐得更准确。     

一个基于兴趣度的关联规则采掘算法

关联规则是当前数据采掘研究的主要领域之一,获取具有更高价值的规则是该领域的一个研究重点,针对目前大多数采掘算法只能发现正项的关联规则和仅仅将兴趣度作为规则过滤工具的问题,在先前研究的基础上,提出了通过改进有关定义和引进反向项集的概念来进一步发现包含负项的关联规则的思想,并给出了相应的算法,最后,对这个算法给出了一定的评价和实例分析。     

基于项目之间相似性的兴趣点推荐方法*

针对评分数据稀疏的情况下传统相似性计算的不足,提出了一种基于项目之间相似性的协同过滤算法。该算法结合用户对项目的评分和项目之间的兴趣度进行项目之间的相似性计算,在一定程度上减小了评分数据稀疏的负面影响。实验结果表明,该算法在评分数据稀疏的情况下,能使推荐系统的推荐质量明显提高。     

一种新的三维点云兴趣点提取算法

现有的三维点云兴趣点提取算法容易漏检和误检兴趣点,针对该问题,提出一种新的三维点云兴趣点提取算法。假设锥体为三维物体边角基元特征,根据各点与其k个近邻点的差向量集,构建突出度特征值描述点的局部锥度特征。基于点云突出度特征值的全局阈值得到初始兴趣点集,按照局部最大原则获取候选兴趣点集,依据每个候选兴趣点被重复选中的次数进行投票,获取最终兴趣点。在单位圆上模拟点云的突出度相关参数特征,检验了算法的鲁棒性。以人工标注统计确定的兴趣点作为真实值评估算法的性能,结果表明,该算法能准确提取到大部分真实兴趣点,整体性能优于传统算法。     

兴趣度--关联规则的又一个阈值

关联规则的采掘是数据采掘研究的一个重要方面,分析现有的关联规则采掘算法中所存在的问题：首先是关联规则在其表达形式上没有考虑各种可能的反面示例的影响,因而导致知识表达功能的不够完善;其次是有可能一条规则即使可信度和支持度都很高,仍没有实际意义,甚至是误导性的,因此对关联规则的形式定义作了修改,将运用差异思想引兴起度阈值运用到关联规则中来,并给出其形式定义,在分析了兴趣度的实际意义以后,讨论了举度与概     

基于LSTM与距离优化的兴趣点推荐方法

现有的兴趣点(POI)推荐方法以基于位置的社交网络为准, 通过用户个人的兴趣点访问频率以及其关系者的访问习惯进行推荐, 而兴趣点的地理位置也作为推荐的考虑条件之一. 但大部分的兴趣点推荐仅仅将兴趣点的地理位置作为推荐的偏好参考, 而非用户本身到达该兴趣点的代价, 所以基于类似方法所产生的某些兴趣点候选项可能符合用户偏好...     

移动用户兴趣点标记语义映射方法

针对当前移动用户兴趣点标注没有统一的语义本体这一问题,通过对移动用户兴趣点分类,建立了 POI概念本体层次树,将用户标注的POI信息与本体树节点通过一种改进的映射方法建立映射关系,为移动用户标注信息提供统一的规范化语义。实验收集多名志愿者5周的真实标注信息来评价该方法,实验结果表明该方法具有较高的准确率。     

基于卷积神经网络的评论文本兴趣点推荐算法

针对基于位置社交网络中的兴趣点推荐存在用户签到数据稀疏、评论文本信息利用不充分、推荐准确度不高等问题, 提出一种基于卷积神经网络的评论文本兴趣点推荐模型(RT-CNN). 首先采用高斯函数利用邻近地理位置加权方法填补矩阵分解模型中缺少的位置信息, 预测用户对未签到位置的潜在兴趣. 然后通过卷积神经网络处理评论文本信息挖掘潜在特征, 深度提取用户情感倾向, 使用Softmax逻辑回归函数获得评论文本与用户和位置兴趣点潜在特征相关的概率, 通过对目标函数的求解提取用户和位置潜在特征向量. 最后融合签到行为、地理位置影响、用户情感倾向、用户潜在特征和位置兴趣点潜在特征进行兴趣点推荐. 在公开的Foursquare网站纽约(NYC)和洛杉矶(LA)两个真实签到数据集进行实验, 结果表明RT-CNN模型相比其他先进的兴趣点推荐模型提高了精确率和召回率, 具有更好的推荐性能.     

基于马氏距离统计监控指标的应用研究

分析了基于欧几里德距离的 SPE 指标和基于马氏距离的改进 SPE 监控指标, 针对过程变量正态分布的特性, 提出一种基于马氏距离的综合监控指标, 减少了监控工作量, 改善了监控效果.     

基于Spark的3D点云数据空间索引技术

针对Spark引擎不支持多维空间查询的问题,提出基于R树的二级空间索引,即在每个Worker节点上创建R子树,并将这些子树作为孩子,在Master节点上创建R树。针对LRU算法内存替换粒度粗、结果不够精确的问题,提出基于数据使用权重的内存替换方法。该方法将每次实际使用数据量与其总量的比值作为替换权重,将热点场景数据以RDD形式持久化至内存中,提高了基于内存查询的效率。根据远粗近细的视觉原理提出细节层次查询,该方法 将最能代表物体特征的点云数据先传输给客户端,或者仅把简化模型点数据传给客户端,以解决网络带宽不足和数据加载延迟的问题。实验证明,文中方法能有效解决Spark多维空间的查询问题,查询效率得到了明显提高。     

面向SaaS应用基于键值对模式的多租户索引研究

面向SaaS应用的多租户数据库为满足租户的数据隔离和按需定制的需求,需要提供支持隔离和易于定制的数据存储机制及索引机制.基于键值对存储方式,提出元数据驱动的映射表索引模型,该模型根据租户定制需求,为租户业务数据形成各自的索引元数据,通过元数据驱动实现了索引数据的隔离及定制效果;给出索引的维护策略,根据租户数据访问请求进行索引切片,以逐渐细化的索引切片作为数据访问的基本单位,快速返回租户结果集.实验结果表明,该方案在数据访问分布均衡的情况下,使索引维护及数据访问具有较好的总体性能.     

多源信息耦合的GDP空间化研究—以北京市为例

针对统计数据对G D P空间分布信息表达存在的局限性,耦合G D P统计数据、城市兴趣点数据、夜间灯光数据以及土地利用数据,提出了一种G D P空间化方法.以北京市为实验区,首先,利用土地利用类型与GDP的关系,实现了第一产业GDP的100 m网格空间化;其次,通过计算兴趣点密度分布情况,并耦合夜间灯光指数以及土地利用...     

基于手势识别的用户兴趣点发现的研究

手势识别除了为触屏智能设备提供人机交互,还可以成为一种新的用户信息收集方式,用以优化基于个人移动终端的购物推荐系统。文章在现有研究基础之上,讨论了手势识别数据用于收集用户兴趣点信息的可能性和有效性,并以智能手机为例,用两个小样本的实验进行验证,为进一步研究奠定了基础。     

基于兴趣度的时态关联规则挖掘算法

关联规则挖掘是数据挖掘研究中的一个重要方面,给出了一个关联规则中事件所包含信息的模型,在此基础上,提出了一种基于兴趣度的时态关联规则挖掘算法。该算法较好地弥补了应用模板匹配方法筛选基于兴趣度的关联规则时主观性太强,兴趣度阈值的定义过于简单,所挖掘出来的关联规则没有体现时态约束的缺陷。最后,将该算法应用到了股票数据的趋势挖掘中,得到了满意的实验结果。     

用SOM聚类实现多级高维点数据索引

高维点数据的索引是基于内容的信息检索的主要研究问题之一，从SOM聚类算法出发，利用自组织映射的良好性能，解决了R－Tree及其变体算法中的边界索引问题，并能适应维数更高的点数据，同时针对传统聚类算法只能组织一级索引的局限，提出了利用SOM网络组织多级索引，并用半径进行剪枝处理的优化办法，实验结果表明，提出的方法不仅克服了传统聚类方法的搜索过程可能产生的查询错误，而且大大提高了索引的构建和查询效率。