基于属性与对象关系信息的综合差异度计算

传统聚类算法仅考虑属性相似性,较少利用对象间的相互关系.为此,通过关系信息属性化操作,将关系数据转化为关系型属性数据,提出一种针对关系型属性的差异度计算方法.在此基础上,规范化属性变量中的区间和序数变量,将分类变量转变为二态变量,关系变量视为二态变量,提出一种兼顾属性与对象问关系信息的综合差异度计算方法.理论分析和实例...     

时间序列周期模式挖掘的周期检测方法

周期是时间序列的重要特征之一,用于精确描述时间序列并预测其发展趋势。在现有周期模式挖掘算法中,周期长度由用户事先定义,忽略了噪声的存在。在ERP度量和时间弯曲算法的基础上,提出一种新的周期长度检测方法。该方法可以在时间轴上实现弯曲,包括延伸和平移。它受噪声干扰的影响较小,实验结果表明其性能优于原有周期检测算法。     

冶金企业生产计划的最大利润流算法

以节点表示原料、在制品或成品,以弧表示工序,运用网络流描述冶金企业生产流程,将冶金企业生产计划的优化问题转化为共享资源的最大利润流问题。提出了生产计划的网络优化算法,进行了复杂性分析,并给出一个计算实例。该算法的计算结果与单纯形法的结果完全相同,但求解过程较后者简洁。     

分类属性高维数据基于集合差异度的聚类算法

提出基于集合差异度的聚类算法.算法通过定义的集合差异度和集合精简表示,直接进行一个集合内所有对象总体差异程度的计算,而不必计算两两对象间的距离,并且在不影响计算精确度的情况下对分类属性高维数据进行高度压缩,只需一次数据扫描即得到聚类结果.算法计算时间复杂度接近线性.实例表明该算法是有效的.     

基于深度神经网络的点击率预测模型

针对现有深度神经网络点击率预测模型在对用户偏好建模时,难以有效且高效地处理用户行为序列的问题,提出长短期兴趣网络（Long and short term interests network, LSTIN）模型,充分利用用户历史记录上下文信息和顺序信息,提升点击率预测精准性和训练效率。使用基于注意力机制的Transformer和激活单元结构完成用户长、短期兴趣建模,对用户短期兴趣进一步使用循环神经网络（Recurrent neural network, RNN）、卷积神经网络（Convolutional neural networks, CNN）进行处理,最后使用全连接神经网络进行预测。在亚马逊公开数据集上开展实验,将提出的模型与基于分解机的神经网络（DeepFM）、深度兴趣网络（Deep interest network, DIN）等点击率预测模型对比,结果表明提出的模型实现了考虑上下文信息和顺序信息的用户历史记录建模,接受者操作特征曲线下面积（Area under curve, AUC）指标为85.831%,相比于基础模型（BaseModel）提升1.154%,相比于DIN提升0.476%。且因区分用户长、短期兴趣,模型能够在提升预测精准性的同时保障训练效率。      

多变量时间序列的模糊决策树挖掘*

针对目前时间序列决策研究方法的一些缺陷,提出了多变量时间序列模糊决策树挖掘方法,并给出了该方法的实验分析。实验结果证明该方法能够找出多变量时间序列子序列的形态与某个序列的后期趋势或状态的决策信息。     

具有利润约束的关联规则发现

关联规则发现是数据挖掘中的重要问题，有广泛的应用领域。然而，现有的关联规则发现算法是依据统计学上的显著性作为获取关联规则的条件。该文在关联规则发现中引入了利润约束，给出了具有利润约束的关联规则问题的性质，并根据该问题的性质给出了高效的求解算法。     

移动通信企业双向收费Authority-hub客户排序算法

电信移动通话与网页分级问题有相似之处,都是通过连通(通话或链接)加强双方联系的重要程度.由此,受网页分级问题搜索引擎算法HITS(Hyperlink-Induced Topic Search)算法的启发,针对目前移动通信企业双向收费的现实,本文提出了双向收费Authority-hub客户排序算法.与其他客户分析方法相比,该算法对客户按价值进行排序时,不仅考虑了客户自身,而且考虑了客户之间的相互影响.     

营销决策支持系统的数据仓库组织

针对某大型冶金企业营销决策支持系统的需求,结合实际建设开发工作,给出了基于数据仓库的营销决策支持系统结构,研究了建设过程中数据仓库的组织方法。     

分类属性数据聚类算法HABOS

CABOSFV_C是一种针对分类属性高维数据的高效聚类算法,该算法采用集合稀疏差异度进行距离计算,并采用稀疏特征向量实现数据压缩.该算法的聚类效果受集合稀疏差异度上限参数的影响,而该参数的选取没有明确的指导.针对该问题提出基于集合稀疏差异度的启发式分类属性数据层次聚类算法(heuristic hierarchical clustering algorithm of categorical data based on sparse feature dissimilarity,HABOS),该方法从聚结型层次聚类思想的角度出发,在聚类数上限参数的约束下,应用新的内部聚类有效性评价指标(clustering validation index based on sparse feature dissimilarity,CVISFD)进行启发式度量,从而实现对聚类层次的自动选取.UCI基准数据集的实验结果表明,HABOS有效地提高了聚类准确性和稳定性.