大学生包车服务平台用户满意度研究

目前包车市场极其火爆,其中了解用户满意度对市场竞争尤为重要。以大学生包车服务平台为主体,构建用户满意度评价体系,并用层次分析法计算各指标权重,根据指标体系设计用户满意度调查问卷,采用SPSS软件对问卷进行有效性分析并构建结构方程,依据各指标用户满意度分析平台存在的问题,并提出改进方案。     

用户多兴趣下的个性化推荐算法分析

目前,客户关系管理的一项重要内容为电子的商务个性化推荐。协同过滤算法是运用范围最广的推荐技术,但传统协同过滤推荐算法不适合多兴趣用户的推荐,则在此基础上通过协同过滤、项目协同过滤算法等,计算目标项目相似集,并在目标相似集中运用协同过滤算法处理。基于此,剖析用户多兴趣下的个性化推荐算法,并结合用户多需求的特点,总结个性推荐算法的优势,旨在通过完善算法推荐,实现个性化推荐算法与传统算法的融合,提高用户的体验满意度,充分展现个性化推荐算法的应用价值。     

基于NR-Transformer的集群作业运行时间预测

高性能集群的作业调度通常使用作业调度系统来实现，准确填写作业运行时间能在很大程度上提升作业调度效率。现有的研究通常使用机器学习的预测方式，在预测精度和实用性上还存在一定的提升空间。为了进一步提高集群作业运行时间预测的准确率，考虑先对集群作业日志进行聚类，将作业类别信息添加到作业特征中，再使用基于注意力机制的NR-Transformer网络对作业日志数据建模和预测。在数据处理上，根据与预测目标的相关性、特征的完整性和数据的有效性，从历史日志数据集中筛选出7维特征，并按作业运行时间的长度将其划分为多个作业集，再对各作业集分别进行训练和预测。实验结果表明，相比于传统机器学习和BP神经网络，时序神经网络结构有更好的预测性能，其中NR-Transformer在各作业集上都有较好的性能。     

面向用户需求的工程机械外观防护装置设计

从用户需求的角度出发进行工程机械外观防护装置的设计,对提升用户满意度有一定意义。分析了工程机械外观防护装置的特点,从防护性能、维修方便性、操作舒适性及外观风格4个方面对用户需求进行了阐述。以混凝土泵车外观防护装置为例,论述了收集、提取、分析用户需求及设计实践的过程,也为工程机械其他产品外观防护装置的设计提供了参考。     

大数据趋势下的搜索引擎用户信息安全研究

在经济的推动之下,科学信息技术得到突飞猛进的发展,大数据、云计算应运而生。文章阐述了大数据趋势下,搜索引擎用户信息安全的现状,分析了目前存在的问题,最后提出了有效的路径。     

基于机器学习的用户实体行为分析技术在账号异常检测中的应用

伴随企业业务的不断扩增和电子化发展,企业自身数据和负载数据都开始暴增。然而,作为企业核心资产之一的内部数据,却面临着日益严峻的安全威胁。越来越多以周期长、频率低、隐蔽强为典型特征的非明显攻击绕过传统安全检测方法,对大量数据造成损毁。当前,用户实体行为分析(User and Entity Behavior Analytics,UEBA)系统正作为一种新兴的异常用户检测体系在逐步颠覆传统防御手段,开启网络安全保卫从“被动防御”到“主动出击”的新篇章。因此,将主要介绍UEBA在企业异常用户检测中的应用情况。首先,通过用户、实体、行为三要素的关联,整合可以反映用户行为基线的各类数据;其次,定义4类特征提取维度,有效提取几十种最能反映用户异常的基础特征;再次,将3种异常检测算法通过集成学习方法用于异常用户建模;最后,通过异常打分,定位异常风险最大的一批用户。在实践中,对排名前10的异常用户进行排查,证明安恒信息的UEBA落地方式在异常用户检测中极其高效。     

[数据驱动的智能服务]面向大规模个性化的交互式云制造模式

结合云制造以及大规模个性化的特点，分析大规模个性化的应用发展以及阐述用户需求的现状，提出了一种面向大规模个性化的交互式云模式。设计了云环境下大规模个性化智能交互过程以及需求交互转换过程模型；建立了大规模个性化的交互式云体系架构以及工作流程；进行交互式云平台搭建，以实现用户定制需求的个性化、大规模、低成本的快速提供与生产。以汽车定制为例，对需求分析及转换过程进行论述，验证了该平台的可行性和有效性。     

基于流数据聚类算法的电力大数据异常检测

针对电力大数据流的异常检测问题,该文将流数据聚类算法与电力大数据相结合,针对现有流数据聚类算法不易存储全部数据、断电数据易丢失等问题,以及流数据聚类算法对于离线阶段聚类算法实时应答的要求,从数据的完整性、安全性以及流数据聚类算法的低时间复杂度的角度出发,对CluStream流数据聚类算法进行改进,提出流式K-means聚类算法。对在线阶段,使用Redis集群进行流数据的缓冲,并设计节点时间衰减策略,增大心跳消息中有效消息所占比例;对离线阶段聚类算法进行优化,使用最佳距离法确定初始聚类中心,减少迭代次数;最后,使用所提出的流式K-means聚类算法进行用户用电异常行为检测,实验结果表明,该算法能够很好的发现用户用电异常行为。