基于归纳化会话的网络用户的聚类

为了发掘具有相似的访问兴趣的网络用户,探讨了网络用户聚类的问题。网络用户的访问信息从服务器日志文件中抽取出来,组织成会话向量的形式,会话描述为一段时间内用户向服务器发出一系列访问请求。为了减少会话向量的维度,根据网页的层次性,采用面向属性的推理方法,对这些会话进行了归纳,并且定义了一个新的距离测度来描述两个会话之间的相似度,最后采用某种非欧几里德的关系聚类算法聚类这些归纳化的会话。实验表明,这种方法对在大型的日志文件集中挖掘出有意义的网络用户的分类是高效可行的。     

半结构化数据查询语言的特性

结合查询语言Lorel及其与对象查询语言OQL的差异，对半结构化数据查询语言的特性进行了深入的分析。结果表明，半结构化数据的查询语言应具有强制和路径表达等特性。     

挖掘语言值关联规则

讨论了大型数据库上数量属性的关联规则问题.为了软化论域的划分边界,应用相关的模糊c-方法(relationalfuzzyc-means,简称RFCM)算法确定正态模糊数的两个参数,并借助正态模糊数模型来划分数量属性的论域,由此生成一系列的语言值关联规则.另外,给出了语言值关联规则的挖掘方法.由于语言值能很好地表示抽象的概念,从而使得挖掘出的关联规则更抽象、更容易被人理解.     

网格环境下基于Weka4WS的分布式聚类算法*

Weka4WS采用WSRF技术用于执行远程的数据挖掘和管理分布式计算,支持分布式数据挖掘任务。基于Weka4WS和网格环境,尝试了一种新的分布式聚类方法,并成功地将其嵌入到Weka4WS框架中,借助Weka Library实现分布式数据挖掘算法,同时引入了距离代价和混合概率的概念,将网格与Web服务技术融合,以分布式问题求解环境和开源数据挖掘类库Weka为底层支持环境,构建了网格环境下面向服务的分布式数据挖掘体系,并以基于Weka4WS的分布式聚类算法验证了算法的有效性和体系结构的可行性。     

基于Ontology的语义查询分析研究

目前的搜索引擎普遍存在着查全率和查准率不高的问题,任何一个简单的查询都可能返回数以万计的检索结果,而其中只有很少一部分与用户真正的检索要求有关,对查询的处理是基于本体（Ontology）的语义检索最重要的部分.针对现有查询分析方法的不足,提出了一种基于Ontology的综合词义关系和语义关联分析的查询分析算法,给出了基于本体映射的语义相似度算法,通过对用户输入关键字词义特性和本体实例之间语义关联强弱的分析,提高了用户输入关键字到本体概念映射的完整性和准确率,保证了用户查询和检索语言在语义上的一致性,提升了查询的满意度.     

INQUEL:一种对于网状模型数据库的询问语言

<正> 一、引言 数据库询问语言是数据库与用户间的重要接口,目前已发表了许多可供非程序员用户使用的询问语言,如DSL-ALPHA[5]、SEQU-EL 2[9]、Q.B.E.[11]、QEL(INGRES)[8]以及NOMAD[7]等等。所发表的这些语言几乎都是针对关系模型的,对网状模型的交互式询问语言颇为罕见。众所周知,网状模型不如关系模型那样具有坚实理论基础,其数据结构     

挖掘区间值关系数据库的模糊关联规则

应用关系数据的模糊C-均值算法把数量型属性划分成若干个模糊集，提出挖掘区间值关系数据库数量型属性模糊关联规则的算法，在关系数据的模糊C-均值算法与部分聚集算法的基础上提出一种新的模糊聚类算法-关系数据的竞争聚集算法，并用它来划分数量型属性，由于关系数据的竞争聚集算法能得到优化的固定的聚类个数，因此能挖掘出优化的模糊关联规则。     

基于模糊分类关联规则的分类系统

为了构建高性能的分类系统，应用模糊集软化数量型属性的划分边界，提出了模糊分类关联规则的挖掘算法。由于模糊集能很好地贴近人类的思维方式，因此挖掘得到的模糊分类关联规则易于被人理解．接着提出了基于模糊分类关联规则的分类系统，并采用遗传优化算法训练分类系统．实例分析的结果表明，基于模糊分类关联规则的分类系统具有较好的精度和可解释性．     

正态云关联规则在预测中的应用

在信息处理领域,用数据挖掘方法发现关联规则和进行预测是两大热点,首先借助正态云模型来替代对数量属性论域的划分,并提出数量属性上的正态云关联规则的概念,接着给出挖掘正态云关联规则的方法,并利用已挖掘出的正态云关联规则进行预测,由于正态云模型较好地软化了数量属性论域的划分边界,从而使得挖掘出的正态云关联规则与预测的结果更容易被人理解。