一种改进的基于密度的离群数据挖掘算法

利用基于密度的离群数据挖掘算法离群数据不在非离群数据指定的邻域内的特点，改进了原有的离群数据挖掘算法：首先判断数据是否在某个非离群数据指定的邻域内，如果不在，再判断其邻域内数据的个数。通过对二维空间数据测试表明，改进的算法能够快速有效地挖掘出数据集中的离群数据，速度上数倍于原来的算法。     

基于增强学习协商策略的研究及优化

增强学习在电子商务中可以帮助Agent选择最优行动,并达成目标。在传统增强学习协商策略中,Agent一开始便进行大幅度的妥协,这是不合理的,与现实不符,降低了Agent的期望。通过期望还原率来还原Agent的真实期望,对协商策略进行优化;讨论了期望还原率的取值对协商过程的影响;通过实验验证了优化的协商策略在保证协商效率的同时,提高了协商解的质量。     

基于参数推导图自动构建Web服务组合流程

针对目前大多数Web服务组合流程都需要人工设计的问题,提出一种基于参数推导图自动构建Web服务组合流程的方法.该方法给出Web服务的谓词表示形式.通过建立参数推导图中的四种关系和构造算法,实现了Web服务组合的图形建模;然后定义参数推导图的完全关联矩阵,通过对关联矩阵的行实施合并运算,自动将参数推导图转换成以Web服务为节点、以服务间依赖关系为边的服务组合流程图.理论分析和实验结果证明了该方法的有效性和可行性.     

航空制造企业库存控制策略研究

分析航空制造企业库存控制策略,针对国内航空制造企业现状,研究了企业现代物流链条件下的库存管理面临的问题和挑战,提出符合现代航空制造特点的库存管理模式,采用ABC分类法、订货点法、供应商管理库存等,设计电子商务平台和库存管理辅助决策系统,给出以某航空制造企业库存管理为研究背景的优化实施策略.     

基于Hadoop分布式改进聚类协同过滤推荐算法研究

为了改善协同过滤推荐算法在大数据下的稀疏性和可扩展性问题,提出一种基于Hadoop平台的分布式改进聚类协同过滤推荐算法。在分布式平台下,离线对高维稀疏数据采用矩阵分解算法预处理,改善数据稀疏性后通过改进项目聚类算法构建聚类模型,根据聚类模型和相似性计算形成推荐候选空间,在线完成推荐。实验验证该算法能够有效改善推荐系统的推荐质量并大大提高推荐效率,同时在云环境中具有良好可扩展性。     

QoS感知的语义服务组合搜索算法

针对如何在海量Web服务中进行快速的服务自动组合、以满足客户复杂需求的问题,提出一种基于规划图思想的搜索组合算法,该算法在正向扩展阶段除了依据所选取服务的功能与非功能属性进行有效剪枝外,还实时级联更新已驱动服务的QoS信息并有效记录所操作服务的前驱服务,通过前驱索引集合,确保逆向求解阶段的效率并满足了QoS最优的约束。在实验环节证明了注册服务数量与求解效率的线性关系,以及与其他算法相比较所体现出来的性能优势。     

蚁群聚类组合方法的研究

基于蚁群算法的聚类算法已经在当前的数据挖掘研究中得到应用。针对蚁群聚类算法早期出现的缺点,提出一种蚁群聚类组合方法使其得以改进。改进思路是引入K-means作为蚁群算法的预处理过程。通过K-means快速、粗略地确定聚类中心,利用K-means方法的结果作为初值,再进行蚁群算法聚类。有效地解决了蚁群算法早期收敛过慢等问题。     

基于GPU的植物生长模拟

为了提高复杂植物生长模拟的性能,结合虚拟器官网络和图形处理器（GPU）技术提出植物生长模拟方法.该方法采用虚拟器官网络作为植物生长模型,用于描述植物器官的生理属性和形态属性、植物器官间的关系、环境对植物器官的影响以及植物器官的生长规则.利用GPU架构的优势,以并行计算的方式实现植物生长演化和植物形态展现,从而提高植物生长模拟的计算速度.实验结果证明,采用该方法不仅能够模拟植物的生长,而且相对基于CPU的串行植物生长演化和形态展现有性能上的优势.     

新一代Web应用框架JSF

本文介绍新一代Web应用枢架Java Server Faces(JSF)。JSF的最终标准于2004年5月颁布,它代表了Web应用技术的发展趋势。本文分析JSF与现有相关技术的关系,描述JSF的组成、处理流程和开发Web应用程序的过程,归纳JSF的主要优点。同时,针对JSF标准中渲染组件存在的不足,提出JSF与JSP、XML相结合的改进应用方案。     

异构信息网络的注意力感知多通道图卷积评分预测模型

异构信息网络(Heterogeneous Information Network, HIN)包含了丰富的语义信息，利用其进行评分预测已成为缓解推荐系统数据稀疏性问题的一个重要途径。然而，传统采用元路径来提取HIN语义信息的方法忽略了元路径中的评分信息，从而导致元路径无法精确捕获用户和推荐项目之间的语义相似性，同时也未能良好区分不同元路径的重要性。为了解决这两个问题，首先提出了一种带有评分限制的元路径以获取更准确的HIN语义信息，利用这些信息构建用户和项目多层网络；然后结合图卷积网络和注意力机制设计了一个用于评分预测的神经网络，通过多通道图卷积有效地表示了HIN的多种语义信息，采用注意力机制区分不同元路径的重要性，弥补了传统方法的不足；最后融合了用户和项目的属性信息，进一步提高了评分预测的准确性。在Douban Book和Yelp数据集上的实验结果表明所提模型明显优于对比的基线模型，尤其在数据稀疏的情况下，均方根误差比基线模型最多减少了50%,从而验证了所提模型的优越性。