成功开发推荐系统的十个关键点

亚马逊CEO Jeff Bezos曾说过,他的梦想是“如果我有100万个用户,我就要为他们做100万个亚马逊网站”。智能推荐系统承载的就是这个梦想,即通过数据挖掘技术,为每一个用户实现个性化的推荐结果,让每个用户更便捷地获取信息。     

物联网带动大数据发展

物联网在未来10～20年面临着战略性的发展机遇及应对大数据的挑战,考虑到物联网应用本身所产生的大数据应用以及建立于这些大数据基础之上的数据挖掘价值,有必要将大数据发展理念灌输到物联网发展的全过程中,从而实现以物联网带动大数据发展,以大数据推动物联网发展的目标。     

基于关联规则的Web使用挖掘研究

数据挖掘技术能使我们从模糊的、不完全的、随机的、大量的数据中,提取潜在的有用的信息和知识。经过20几年的发展,数据挖掘已取得了巨大成就。Web挖掘是数据挖掘技术的一个重要分支,它是随着人工智能技术、数据库技术和网络技术的发展而提出来的。本文针对Web日志挖掘的特性,对关联规则的挖掘算法进行深入的研究,系统地探讨了关联规则挖掘算法在Web日志挖掘的应用。利用优化Apriori算法,使之更具有效率。     

基于数据挖掘的复杂装备维修辅助决策研究

文章通过某装备维修信息框架分析,维修数据预处理,然后以维修记录为例,挖掘出了维修件之间关联规则,并采用决策树分类方法对维修件进行了分类,这些规则和分类结果可以为维修计划制定、器材采购、视情维修等方面提供决策依据。     

基于WEB的多媒体数据挖掘的研究

研究多媒体形式的数据的挖掘是目前一个很前沿的课题,它涉及到很多的领域包括网络、多媒体的技术、数据库以及关于知识的决策等。基于通常的一些数据库中所含的数据与多媒体的数据在一些特性上存在很多的不同点,也就使得在数据的挖掘上应用一些相对常规的方法没有办法实现特性上区别挖掘。这就需要研究出能够适用于挖掘多媒体数据的方法以及相应的技术。本研究介绍的是基于WEB技术实现多媒体数据的挖掘。     

论知识发现与数据挖掘

知识发现和数据挖掘是空间数据获取、空间数据库、空间计算机以及网络通信、管理决策支持等技术发展到一定阶段的产物,作为一门新型的边缘学科,其汇聚了例如人工智能、数据库、模式识别等多种学科的研究成果。本文将简要介绍知识发现与挖掘技术的相关概念、过程及常用的技术方法,并介绍一下知识发现和数据挖掘的应用。     

基于分布式全局频繁项集挖掘算法的研究

随着信息技术的飞速发展,数据库技术的不断更新,社会各个领域的数据信息增长趋势飞快,如何能够从海量数据中提取到具有实际应用价值的信息是目前数据挖掘领域中的重点研究问题.本文提出了一种分布式的全局频繁项集挖掘算法(BFM-MGFIS),与传统的全局频繁模式挖掘算法(FDM)相比能够有效提高算法的计算效率.     

基于WCF+Web数据挖掘的考试系统的实现

随着计算机技术、数据库技术以及网络技术的不断发展,教育和教学活动中的至关重要的一个环节就是考试,如何高效的人性化的让学生和教师在考试过程中进行互动以及如何保证考试信息安全等将是一个重要的解决问题。本文基于WCF+web数据挖掘的考试系统就是为解决这个问题而提出的。     

数据挖掘技术在高校就业预测分析中的应用

针对当前高校面临的就业问题,本文利用决策树C4.5算法对某高校近三年的毕业生就业信息进行分析,建立就业分析预测模型。首先选取高校就业信息管理系统中的就业信息,对信息进行采集和预处理,然后利用分类算法中的C4.5分类算法进行挖掘,最后对建立的决策树进行规则提取,从而得到毕业生就业预测规则。实验结果表明建立的就业分析模型是有效的、可靠的,对于全面提高大学生的就业能力、完善就业服务体系等方面具有一定指导意义。     

偏最小二乘回归在气温预测中的研究与应用

气温的预测要考虑多重气象因子,然而各气象因子间的多重相关性导致普通的多元回归模型失真,预测精度降低。为了解决以上问题,本研究采用偏最小二乘回归(Partial Least Squares Regression,简称PLS)建模,根据实际建模需要对算法进行改进。为了验证该模型,本研究以成都市10月份气温场为预报场,并结合成都市13个自动站气温数据,提取预报所需主要因子,进行PLS回归建模。实验表明该模型有较好的预测能力。