采用动作时序逻辑的Web服务组合方法

基于有限状态自动机理论,将Web服务建模成一个有限状态自动机。针对网络服务描述语言(WSDL)在服务行为描述方面的缺陷对其进行扩展,提出了从扩展的WSDL到动作时序逻辑(TLA)语言的转换算法,从而可以用TLA对服务行为进行形式化描述和规范,为描述Web服务提供了一个新的方法。讨论了在动作时序逻辑中,服务组合时各组件服务的有限状态自动机的组合方式,以及伴随着服务组合,单个服务的TLA规范如何组合以形成复合服务的TLA规范的问题,并在此基础上,提出了实现TLA规范正确组合的算法思想。     

基于兴趣度度量的多类差异数据关联规则挖掘

对于经典的关联规则数据挖掘算法,其采用的重复性事务分析策略会导致频繁项集在计算中存在一定的不确定性,从而不利于算法的精简和优化。为此提出一种基于兴趣度度量函数的Web服务多类数据挖掘算法。采取差异概率兴趣度量规则对关联规则算法中的时序事务进行估计和权重的预测;基于Web服务用户兴趣度进行约束条件设计,实现数据挖掘关联规则的精简;基于支持度函数和期望函数进行事务项集的提取,结合事务项集的置信度对其规则进行导出。选取经典的Web服务UCI Web测试集作为实验对象进行算法的性能验证,结果显示该算法可有效提升数据挖掘算法的性能,对于降低用户Web访问复杂性具有非常好的效果。     

数据挖掘技术在IT基础设施监控系统中的应用

本文介绍了数据挖掘技术在IT基础设施监控系统中的应用,着重阐述了采用业界广泛采纳的数据挖掘流程标准CRISP-DM,利用时序数据挖掘技术和一元线性回归预测技术从监控历史数据中发现有趣模式的过程,并针对该应用的特殊性,对相关技术的参数设置方法进行了改进,引入了一个新的指数——负载指数——以增加模型的精确性。     

Web服务软件测试技术的研究与实现

基于Web服务的分布式计算模型在Internet环境下具有很多优点。论文分析了该模型的具体实现,提出基于Web服务间标准通讯协议,对Web服务软件间的通讯消息进行控制分析的测试方法,同时给出了该系统的初步实现,并探讨了进一步的研究内容。     

Web挖掘技术在E-learning中的应用研究

本文首先介绍了Web挖掘和电子学习（e—learning）＆其在商业和教育中的应用,然后在WebCT学习环境中对学生成绩做了一个模式分类的预测实验,证明了Web挖掘可以成为构建e—learning知识的一种方法,具有改善学生学习模式的潜在作用。     

一种基于UPPAAL的Web服务组合模型检测方法

Web服务组合的正确性验证对提高软件开发效率、实现服务增值具有重要意义。为从高层抽象层次研究Web服务组合的正确性及其形式化验证方法,考虑到Web服务组合中的实时特征,在采用软件体系结构描述语言XYG/ADL对Web服务组合进行描述的基础上,将其实时描述部分XYZ/RE转换至时间自动机模型,组合后系统应满足的性质用分支时序逻辑CTL公式表示,最后应用模型检测工具UPPAAL实现了Web服务组合正确性的自动化验证。     

基于Web Services服务管理系统的研究

提出了基于Web Services的服务管理体系结构,并设计和实现了基于XML服务管理信息模型和基于SOAP服务管理协议。该系统能够对跨不同管理域的服务进行有效的管理和对服务管理系统进行灵活的配置。通过用XPath表达式指定范围和过滤规则,有效地共享跨不同管理域的服务管理信息,通过XPath表达式指定的过滤规则支持较细粒度的事件通知,解决了跨不同管理域间实现服务管理的难题。     

基于Web服务的数据挖掘系统算法的设计

与传统的数据挖掘系统的算法库相比,在数据挖掘系统算法库中引入Web服务可以实现数据、算法和接口的分离,极大的缩减了算法库开发的复杂性并为动态管理算法库提供了便利。此外,从标准的平台无关性的角度来看,采取Web服务的设计的系统具有了平台无关性和语言无关性的特点。我们可以通过任何语言来实现将挖掘算法封装到Web服务中,并从程序设计语言中分离出来,这样就为算法设计提供了最大的自由度,提高了维护性能。因此,基于Web服务技术的数据挖掘系统对于提高数据挖掘的效率具有非常重要的意义。     

基于注意力机制的CNN-LSTM模型及其应用

时序数据存在时序性，并且其短序列的特征存在重要程度差异性。针对时序数据特征，提出一种基于注意力机制的卷积神经网络（CNN）联合长短期记忆网络（LSTM）的神经网络预测模型，融合粗细粒度特征实现准确的时间序列预测。该模型由两部分构成：基于注意力机制的CNN，在标准CNN网络上增加注意力分支，以抽取重要细粒度特征；后端为LSTM，由细粒度特征抽取潜藏时序规律的粗粒度特征。在真实的热电联产供热数据上的实验表明，该模型比差分整合移动平均自回归、支持向量回归、CNN以及LSTM模型的预测效果更好，对比目前企业将预定量作为预测量的方法，预测缩放误差平均值（MASE）与均方根误差（RMSE）指标分别提升了89.64%和61.73%。     

信息类大学生创新教育对课程教学的影响力分析

以信息类专业大学生创新教育对课程教学的影响力为研究内容,以连续3年来湖南农业大学信息科学技术学院信息类专业学生的成绩与成果等数据为依据,以大学生创新素质的提升方法为蓝本,参考CRISP-DM数据挖掘模型,阐述采用数据挖掘工具SPSS Modeler的K-means聚类算法实现对创新教育准确和有效的聚类细分,探讨大学生创新教育与课程教学的关系,为优化高校信息类人才培养模式提供思路与借鉴。     

基于服务负载的时序QoS预测

网络技术的发展和多接入边缘计算的兴起使得计算和网络资源的部署逐渐靠近终端.随着服务数量的增多,为了向用户更好地推荐服务,如何在复杂、动态的边缘计算环境中实时、准确地预测服务质量(quality of service,QoS)成为一项挑战.本文提出一种基于服务负载实时预测QoS的深度神经模型(QPSL),它可以为边缘计算中的QoS预测提供缺少的负载状况感知和周期感知.首先,对服务的负载状况进行特征表示,并通过时序分解模块获取时序特征.其次,将CNN和BiLSTM结合,学习潜在的时序关系,生成不同时刻的状态向量.然后,基于Attention机制为历史时刻的状态向量分配权重,从而构造未来时刻的状态向量.最后,将上下文嵌入向量与状态向量送入感知层完成实时QoS预测.基于真实的融合数据集进行了大量的实验,结果表明QPSL在响应时间和吞吐量任务上的MAE分别平均提升了10.28%和10.87%,优于现有的时间感知QoS预测方法.     

个性化Web推荐服务研究

本文主要论述了个性化Web推荐构成,提出了基于Web挖掘的个性化推荐服务研究中的用户聚类、Web页面聚类、n元预测模型及页面加权算法。利用这些算法得到的个性化信息可以准确把握用户兴趣模式并为用户提供“一对一”的具备自适应性的智能个性化服务。     

基于模糊理论的因特网个性化服务应用

为了使因特网上的服务更加有效和便利，以Web挖掘为基础的因特网个性化服务目前正在得到广泛的研究和应用。本文以模糊理论为基础，探讨了一个基于Web日志挖掘的个性化用户预测系统。     

基于联合决策树的客户流失预测模型设计

为了解决电信行业客户流失预测模型中流失者和未流失者比例偏斜问题,模型依据数据挖掘原理,以CRISP-DM（Cross-industry Standard Process for Data Mining）建模过程为框架,采用了多基决策树联合决策的思想。模型避免了训练出一棵“空”决策树,把所有客户都预测为未流失的问题。与单个分类器相比,提高了预测模型的查准率和泛化能力。     

基于Agent的Web服务研究

提出了一个基于Agent的Web服务,包括Web服务的描述语言,Weh服务的制定,中介Agent和Web服务的匹配。其目的是通过结合Agent和Web各自的优点,推动Web向一个新的方向发展。     

基于Web的文本挖掘

万维网是一个巨大的、分布广泛的、全球性的信息服务中心,它包含了丰富的信息资源。在茫茫的信息海洋如何快速有效地获取所需要的信息,一直是困绕着网上用户的难题。而Web挖掘可以从这个信息海洋中提取出所需要的有用知识,在一定程度上解决了用户的困绕。该文主要介绍了Web挖掘基本情况,并在此基础上对基于Web的文本挖掘进行了分析研究;给出了一个基于Web的文本挖掘的结构模型图。同时,在Web挖掘和数据挖掘研究的基础上,提出了一个智能化、个性化的现代远程教育系统结构模型。它比传统的远程教育系统具有更大的发展前景。     

Web数据挖掘

Web Mining is an important branch in Data Mining.It attracts more research interest for rapidly developing Internet. Web Mining includes(1)Web Content Mining;(g)Web Usage Mining;(3) Web structure Mining.In this paper we define Web Mining and present an overview of the various research issues,techniques and development efforts.     

Web浏览预测的Markov模型综述

Web访问模式挖掘研究的一个重要议题是Web浏览预测,Markov模型是一种经典的Web浏览预测模型.本文首先介绍了基本Markov浏览预测模型,包括基本Markov浏览行为模型,模型的学习训练及其在Web浏览预测问题中的应用;然后重点分析了扩展的Markov浏览预测模型,包括一序组合预测模型、高序模型、混合模型、隐Mark-ov模型、连续时间Markov模型等,综述了各种扩展模型所考虑的浏览预测问题的本质出发点、模型的学习方法及预测方法,最后分析了Markov浏览预测模型有待进一步研究的问题.     

基于日志挖掘的Web service安全关联规则挖掘算法及应用

针对传统的Web service安全性测试方法存在的低效性和盲目性,提出了一种基于Web service日志挖掘的安全关联规则挖掘算法,并阐述了算法的应用环境。通过该算法挖掘出正常行为的关联规则,采用错误注入的方式对Web service注入预先设计的构造算子,并把执行后的日志与关联规则进行比较,进而发现Web service存在的安全性问题。实验结果表明,该算法较大地提高了日志挖掘的效率及覆盖率,同时应用该算法能较好地检测出Web service的安全性问题,进一步表明提出的算法是可行有效的。     

Web用户访问模式挖掘研究

1 引言目前World Wide Web(WWW)已经发展成为拥有近亿个工作站、数十亿页面的分布式信息空间,在这个分布式信息空间中蕴涵着具有巨大潜在价值的知识,也带来了巨大的经济效益和社会效益。对于不同层次、不同使用目的和爱好的浏览者需要个性化的信息服务,希望网站能够根据自己的浏览习惯,动态定制