基于大数据的人职匹配系统的研究与实现——以河南职业技术学院为例

人职匹配理论强调人的个性特征与职业性质相一致,而高校作为社会人才培养和输送的主要阵地,能否合理利用人职匹配理论指导人才培养,进而促进学生的职业发展,提高毕业生的职业匹配度,对社会人力资源的合理配置意义重大。笔者以河南职业技术学院为例,提出了基于大数据的人职匹配系统总体设计架构,阐述了系统实现的技术路线、各模块功能及作用等内容,并对系统的应用前景进行了分析。     

维吾尔族人群LPL基因PvuⅡ多态性与身体测量和血生化指标的相关性研究

目的探讨脂蛋白脂酶(lipoprotein lipase,LPL)基因PvuⅡ酶切位点多态性在塔克拉玛干沙漠腹地健康维吾尔族人群中的分布特征及其与身体测量和血生化指标的相关性,并与不同种族人群进行比较。方法采用PCR-RFLP方法检测99例健康维吾尔族人群(男性38例,女性61例)LPL基因PvuⅡ酶切位点的多态性。结果新疆99例健康维吾尔族人群中以P+等位基因多见,频率(52.02%)高于P-等位基因频率(47.98%),三种基因型中以P+P-基因型最为多见(61.62%),其次为P+P+基因型(21.21%),最低是P-P-基因型(17.17%),且各基因型和等位基因频率在男女中分布无显著性差异(P>0.05);男性中P-P-基因型组空腹血糖水平显著高于P+P+和P+P-基因型组,各基因型与空腹血糖有显著性差异(χ~2=3.411,P<0.05),在女性中P-P-基因型组总胆固醇水平显著高于P+P-和P+P+基因型组,各基因型与总胆固醇有显著性差异(χ~2=4.669,P<0.05),其他各项身体测量和生化指标均未见显著性差异(P>0.05);而LPL基因PvuⅡ酶切位点多态性在维吾尔族人群中的分布与海南汉族人群、大连汉族人群、郑州汉族人群、海南黎族人群等不同民族人群比较均存在显著差异(P<0.01,P<0.05);与日本、中国汉族、韩国、阿拉伯、土耳其等不同种族人群比较也均存在显著差异(P<0.01,P<0.05),而与芬兰和印度人群比较的差异无显著性(P>0.05)。结论 LPL基因PvuⅡ酶切位点P-P-基因型和P+等位基因在健康维吾尔族人群中的分布可能与空腹血糖、总胆固醇等血脂水平相关联。     

基于云概率密度分布估计的大坝监测数据分析

大坝运行监测易受自然环境和监测条件影响，存在时间和空间上的变异性，监测数据具有不确定性。以云理论的随机性和不确定性分析方法为基础，并与空间数据辐射思想相结合，建立了云滴概率密度分布估计模型，然后导出云概率密度分布函数，依据样本监测数据推求母体空间数据的分布特征，并设计了基于逆向云算法云变换的计算程序。分析陆浑水库1979~1999年测压管监测数据和位移变形数据的云概率密度分布特征和云数字特征，得出了20 a来大坝的数据分布特征和运行状态。监测数据分析结果表明，云概率密度分布估计不仅能有效合理地分析大坝的运行状态，而且能够依据云数字特征来判断监测状态和监测环境的异常变化。      

关于大数据时代图书馆现状的一些讨论

大数据时代的到来,对我们的思维、工作方式都产生了重大的影响,图书馆学界也对大数据进行了广泛的研究和讨论,笔者先是概述了大数据的概念、理念、特征、应用,然后结合图书馆现状,指出图书馆在大数据时代面临的挑战,希望借此与同行进行进一步地探讨。     

处理tibco中间件交互数据的通信系统设计与开发

高强汽车板MES系统采用Tibco中间件通过XML与其它系统通信。按惯例是用后台进程定时读取循环解析XML中的数据。该方式资源占用高,要频繁地读取数据库。为了解决如上问题,在新的通信方式上进行了技术攻关,解决了以往不足。通过触发器触发相应报文的解析存储过程,然后直接把解析后的数据保存到数据库。新的方式免除了频繁扫描数据库对数据库系统的占用,降低了服务器磁盘系统的占用,也减少了数据出错的几率。     

组合降采样极限学习机

设计了一种针对不平衡数据集的学习机,即组合降采样极限学习机(EUS ELMs)。当训练数据集不平衡时,普通分类器对少数样本的分类敏感性较低,而给予多数样本过度关注。针对这种问题,将组合降采样结构与极限学习机(ELM)结合起来,形成一种新的组合学习机。该学习机继承了组合降采样结构对样本选择的依赖性小的优点,和极限学习机分类效率高、耗时短的优势,而且可以通过不同的参数设置控制对少数样本的关注度,根据使用者需求获得不同分类效果。     

一种基于Spark的不确定数据集频繁模式挖掘算法

如何在海量不确定数据集中提高频繁模式挖掘性能是目前研究的热点.传统算法大多是以期望、概率或者权重等单一指标为数据项集支持度，在大数据背景下，同时考虑概率和权重支持度的算法难以兼顾其执行效率.为此，本文提出一种基于Spark的不确定数据集频繁模式挖掘算法（UWEFP），首先，为了同时兼顾数据项的概率和权重，计算一项集的最大概率权重值并进行剪枝；然后，为了减少对数据集的多次扫描，结合Spark框架的优点，设计了一种具有FP-tree特征的新颖的UWEFP-tree结构进行模式树的构建及挖掘；最后在Spark环境下，以UCI数据集进行实验验证.实验结果表明本文的方法在保证挖掘结果的同时，提高了效率.