自动化推荐系统改进ART算法分析

建构一个可以挖掘出关联特质的自动化推荐系统改进ART算法——MART算法.MART算法在推荐系统特性基础上,实现聚类和判断用户属性的重要性,使推荐系统可以设置每一个属性节点的权重,实现用户的分组,进而达到数据挖掘的目的.     

数据挖掘技术在个性化网络教学系统中的研究与实现

基于数据挖掘技术设计并实现了个性化网络教学系统。该系统添加了数据挖掘模块,模块中采用Clope算法对HTML文档进行聚类分析,找出具有相似特性的学生群体,从而帮助教师进行有针对性的教学;同时,采用Apriori算法,根据学生的访问序列,挖掘出频繁项目集和关联规则模式,从而借助于网络向学生提供个性化教学服务。研究表明:使用数据挖掘技术能在一定程度上提高网络教学系统的个性化推荐服务水平。     

ID3算法在毕业设计(论文)成绩管理中应用研究

利用数据挖掘技术快速而准确的提取有价值的教学信息,是提高教学质量,增强学生综合水平的重要途径。笔者利用数据挖掘技术中的ID3分类算法,对我校毕业生的毕业设计(论文)成绩进行深入的挖掘,从而挖掘出影响我校毕业设计(论文)成绩的因素,为教学管理者和指导教师提供有用的信息,进而获得更好的管理效益和提高论文指导的质量。     

DM中分类算法的研究及其应用

分类算法是DM(数据挖掘)中的最重要的技术之一。本对具有代表性的分类算法进行了分析和比较；并应用分类方法在居民出行数据中挖掘出一些公交乘客规则，讨论了数据挖掘方法在公交乘客预测中应用的前景和实效。     

基于改进的BP神经网络方法的数据挖掘

数据挖掘技术是从庞大数据中挖掘出隐藏信息的有效工具,它包括神经网络、数据库技术、信息检索、模式识别、图像与信号处理和空间数据分析等多门学科技术。该文主要对传统BP神经网络算法进行改进,并将改进后的算法应用于数据挖掘的技术上,且将仿真实验结果与传统算法的实验结果做了对比,结果显示改进后的算法可以提高数据的分类与识别。     

基于数据挖掘的物流决策系统研究

物流的信息化建设使得物流决策者面临的不再是信息贫乏,而是数据爆炸却知识贫乏。数据挖掘技术可以帮助物流决策者从海量数据中挖掘出对决策有用的信息和知识。首先对数据挖掘及其挖掘方法做了介绍;然后阐述了数据挖掘在物流决策系统中的挖掘过程。最后,提出了基于数据挖掘的物流决策系统的体系结构。     

视频数据挖掘技术综述

视频数据挖掘技术旨在挖掘出视频数据中隐藏的、有价值的信息,来实现对视频的充分利用。通过对国内外视频数据挖掘的研究与分析,对视频数据挖掘技术进行了概述,详细阐述了基于特征和基于内容的视频挖掘技术,最后总结了视频数据挖掘系统所面临的挑战以及对全景视频挖掘的展望。     

基于BP神经网络的数据挖掘技术的研究

研究如何将BP神经网络与数据挖掘技术相结合,从海量数据中挖掘出潜在的有用的信息.介绍了数据挖掘以及神经网络的概念,分析了数据挖掘技术的处理过程以及BP神经网络的原理,阐述了数据挖掘技术与神经网络结合的关键技术及实现方法.     

数据挖掘技术在地理信息系统中的应用

地理信息系统(GIS)可提供大量信息,但却无法发现数据中存在的关系和规则,利用数据挖掘技术可以从GIS数据库中挖掘出隐含的知识和空间关系,从而增强GIS的功能。     

C4．5算法在客户关系管理中的应用研究

通过数据挖掘技术可以挖掘出隐藏在大量数据背后的信息,企业才能对客户进行细分,预测客户行为和做出正确的决策．文章在数据挖掘常用技术的基础上,提出了其在CRM中的应用模型,并基于C4．5算法,对数据挖掘在客户获取中的应用进行了实证分析．     

推荐系统研究综述

随着互联网技术的快速发展,如何对海量网络信息进行挖掘分析,已成为热点和难点问题。推荐系统能够帮助用户在没有明确需求或者信息量巨大时解决信息过载的问题,为用户提供精准、快速的业务(如商品、项目、服务等)信息,成为近年来产业界和学术界共同的兴趣点和研究热点,但是,目前数据的种类多种多样并且应用场景广泛,在面对这种情况时,推荐系统也会遇到冷启动、稀疏矩阵等挑战。深度学习是机器学习的一个重要研究领域和分支,近年来发展迅猛。研究人员使用深度学习方法,在语音识别、图像处理、自然语言处理等领域都取得了很大的突破与成就。目前,深度学习在推荐领域也得到了许多研究人员的青睐,成为推荐领域的一个新方向。推荐方法中融合深度学习技术,可以有效解决传统推荐系统中冷启动、稀疏矩阵等问题,提高推荐系统的性能和推荐精度。文中主要对传统的推荐方法和当前深度学习技术中神经网络在推荐方法上的应用进行了归纳,其中传统推荐方法主要分为以下3类:1)基于内容推荐方法主要依据用户与项目之间的特征信息,用户之间的联系不会影响推荐结果,所以不存在冷启动和稀疏矩阵的问题,但是基于内容推荐的结果新颖程度低并且面临特征提取的问题。2)协同过滤推荐方法是目前应用最为广泛的一种方法,不需要有关用户或项目的信息,只基于用户和诸如点击、浏览和评级等项目的交互信息做出准确的推荐。虽然该方法简单有效但是会出现稀疏矩阵和冷启动的问题。3)混合推荐方法融合了前2种传统推荐方法的特点,能取得很好的推荐效果,但在处理文本、图像等多源异构辅助信息时仍面临一些挑战与困难。依据神经网络基于深度学习的推荐方法主要分为4类:基于深度神经网络(DNN)的推荐方法、基于卷积神经网络(CNN)的推荐方法、基于循环神经网络(RNN)和长短期记忆神经网络(LSTM)的推荐方法、基于图神经网络(GNN)的推荐方法、将深度学习技术融入到推荐领域,构造的模型具有以下优势:具有较强的表征能力,可以直接从内容中提取用户和项目特征;具有较强的抗噪能力,可以轻易地处理含有噪声的数据;可以对动态或者序列数据进行建模;可以更加精准地学习用户或项目特征;便于对数据进行统一处理,并且可以处理大规模数据。将深度学习技术应用到推荐领域,可以积极有效地应对传统推荐方法面临的挑战,提高推荐效果。     

一种主奇异三元组提取的快速神经网络算法

为了对两路高维数据流的互协方差矩阵进行在线奇异值分解,提出了一种快速稳定的主奇异三元组提取神经网络算法。首先,提出了一个新颖信息准则,并且基于该准则推导出了一个动态系统。然后,基于该动态系统,推导出了一种快速稳定的在线神经网络算法。该算法可以提取两路高维数据流的互协方差矩阵的左右主奇异向量。另外,算法中奇异向量的长度会收敛到一个与相应主奇异值相关的值,因而该主奇异值也可以被估计出来。相比于传统算法,该算法可以提取该矩阵的主奇异三元组而非仅仅是主奇异向量。与已有算法相比,该算法具有较低计算复杂度、较高收敛速度和稳定性。     

基于深度神经网络和概率矩阵分解的混合推荐算法

针对个性化推荐中用户和项目描述信息未充分利用,用户评分矩阵数据集极端稀疏的情况,提出了基于深度神经网络和概率矩阵分解(PMF)的混合推荐算法.首先,对用户和项目描述信息进行预处理,形成包含用户偏好特征的用户和项目特征集,再将各特征输入深度神经网络模型中进行训练.同时,利用概率矩阵分解模型,根据用户评分矩阵通过最大后验估计优化得到潜在特征向量;然后,通过对概率矩阵分解模型的用户和项目潜在特征向量以及深度神经网络模型的真实特征向量进行迭代更新,收敛得到融合用户和项目真实信息的潜在特征向量;最后,利用该特征向量对用户进行个性化推荐.实验证明,本文算法较经典推荐算法以及前人算法在均方误差与平均绝对误差指标上均有改善,说明本文算法的有效性.     

基于大数据的人工智能跨境电商导购平台信息个性化推荐算法

传统算法计算与存储开销大,影响推荐结果准确性,不适于含大规模数据的人工智能跨境电商导购平台信息的个性化推荐的。为此,通过大数据技术研究人工智能跨境电商导购平台信息个性化算法,使得大数据技术在Hadoop平台实现,通过Map将任务分解成多个任务,采用Reduce将分解后多任务处理结果集合在一起,获取最终处理结果。通过两个MapReduce与一个map对平台中用户偏好获取算法进行并行化处理。针对用户偏好,通过关联规则挖掘获取和用户偏好相符的商品,推荐给用户。结果表明:所提算法推荐准确率、召回率和平均精度均高于其他算法;所提算法推荐商品符合用户偏好;所提算法推荐商品信息点击率与转换率最优。可见所提算法推荐精度高,推荐商品信息可满足用户偏好,应用性强。     

基于BP神经网络-模糊控制的机器人无标定视觉伺服技术

针对机器人无标定视觉伺服技术中图像雅可比矩阵在线估计存在计算复杂的问题,提出了一种结合BP神经网络和模糊控制策略的机器人控制技术。本文以多自由度智能调节系统为例,提出其视觉伺服控制架构,根据工业场景数据集训练BP神经网络,采用本文所提算法进行法兰对中实验,帮助解决核电站蒸汽发生器人孔螺栓咬死问题。在方法层面,首先,利用BP神经网络建立图像特征信息与机器人多自由度运动之间的映射关系,之后,提出模糊控制方法根据图像特征偏差进行机器人位姿的精确调整。实验结果表明,本文提出的算法能够有效应用于无标定视觉伺服控制,最终法兰平均对中误差在±1mm内,平均耗时43秒,满足应用需求,具有较高的工作效率。     

数据挖掘在安钢电极预测建模中的应用

从安钢电极控制的实际应用出发,应用数据挖掘技术建立了电极预测模型并应用于电极控制系统的参数整定.首先介绍了建立电极预测模型的数据挖掘过程;然后在数据挖掘算法中提出了一种新的变结构遗传Elman网络方法,该算法用改进的混合遗传算法对网络结构和权值及自反馈增益同步动态寻优.将基于BP算法的Elman网络和本文提出的变结构遗传Elman网络都应用于安钢交流电弧炉的电极预测模型中进行比较.通过基于安钢现场数据的计算机仿真实验表明:采用变结构遗传Elman网络的数据挖掘算法比BP算法具有更好的动态性能、更快的逼近速度和更高的精度.在此基础上,把建立的模型应用于安钢电极控制系统的参数整定,取得了良好的控制效果.     

应用于数据聚类的ART2改进算法研究

聚类分析是数据挖掘研究领域中一个非常重要的研究课题,是数据挖掘的主要任务之一．自适应谐振神经网络ART2是实现数据聚类的有效方法,通过对ART2结构的改进,充分考虑挖掘对象的幅度信息．可降低对警戒参数设置的要求并形成带有层次结构的聚类结果．通过实验验证了这种改进的有效性．     

基于云计算的移动智能旅游导览系统

目前,各地旅游信息化资源形成一个个信息孤岛,且没有完善的面向游客和导游的移动智能导览系统平台。针对这个问题,提出以云计算来建立后端信息存储和处理中心,以移动通信网络、物联网、互联网技术结合作为前端展示终端和接口,以高性能信息处理、数据挖掘和智能推荐技术为信息处理支撑,建立为游客和导游提供信息服务的基于云计算的移动智能旅游导览系统。案例分析表明：系统模型具有较高的可应用性和可扩展性,且有助于更高效地实现旅游管理和监控。     

基于小波神经网络的自适应控制器设计

针对一类未知非线性系统,设计了一种基于小波神经网络的自适应控制器,并提出了一种适合在线学习的参数混合训练算法。根据离线和在线学习系统的特性,得到小波神经网络控制器的初始参数,使用混合训练算法在线修正控制律,实现了自适应控制。仿真结果验证了该控制方案的有效性。