网站用户偏好度的数据挖掘模型

数据挖掘和数据库知识发现是当前国际科技界的一个研究热点。这是一个介于统计学、模式识别、人工智能、机器学习、数据库技术以及高性能并行计算等领域的交叉新兴学科,具有极为广泛的应用前景。在基于统计学观点的基础上讨论了网站用户偏好度的数据挖掘模型,设计了一个网站用户信息浏览偏好度的数据挖掘模型。     

基于神经网络的数据挖掘模型研究

在实代数理论的基础上引入样条权函数实现一个神经网络数据挖掘模型,克服传统神经网络训练的权值难以反映训练样本信息的缺陷;优化神经网络结构,简化数据挖掘模型结构;增强神经网络的泛化能力;解决神经网络神经元个数与样本有关的难点;采用以上方式实现一个能解决传统神经网络数据挖掘模型存在的挖掘速度慢、收敛速度慢、初值敏感等缺陷的高效神经网络数据挖掘模型.     

基于R的图书馆用户借阅行为数据挖掘研究

本文针对图书馆数据低效利用的现状,采用了基于R的数据挖掘技术对图书馆借阅数据进行了深入挖掘,以期发现这部分数据所隐含的价值。通过数据挖掘从借阅数据中探索其中隐含的规律,并将挖掘出的规律信息进行实际应用,从而实现数据挖掘对数据中价值的发现和高效利用。     

基于可拓数据挖掘的用户需求获取研究

为了准确、有效地获取潜在的用户需求信息,文章提出了一种基于可拓数据挖掘的关联规则挖掘方法,通过将用户需求按不同需求分类,构成具有不同功能属性的用户需求集；利用粒子群算法挖掘出用户需求集中的关联规则,结合可拓变换原理,推理出新的关联规则知识,通过实例验证了方法的有效性和可行性.     

基于数据挖掘的货运公司大客户识别

本文运用数据挖掘技术,通过对现代货运公司的统计数据进行挖掘研究,构建出了货运公司大客户识别的模型。并在此基础上,对货运公司的大客户进行了特征分析。     

基于堆栈模型的数据挖掘算法研究

基于关联规则的数据挖掘算法的时空耗费关键主要有两个：一个是需要对海量事务数据库进行多趟趋势，另一个是在JOIN运算中产生了大量潜在频繁项集。提出了利用堆栈模型动态生成频繁项集，每次用上次为产生新的频繁项集，边产生边判断，把满中最小信任度的频繁项集存放于链表中，减少了JOIN运算产生的多余项所占用的空间耗费。利用事务压缩法来减少事务库数据规模，对每次扫描后的事务数据库进行优化，从而达到减少空间耗费和扫描规模，提高效率的目的。     

基于改进隐马尔科夫模型的鲁棒用户行为识别

提出了一种基于改进隐马尔科夫模型的用户行为识别方法.采用遗传算法用于优化隐马尔科夫模型的初始参数,将混沌算子代替遗传算法中高斯变异算子,以避免传统遗传算法在收敛过程中的停滞和早熟问题,并有效解决传统隐马尔科夫模型中Baum-Welch算法对初始参数敏感的问题.此外,采用UCI中ADLs数据对用户行为进行识别,实验结果表明该方法具有很高的识别率和可靠性.     

基于Web的数据挖掘模型

Web上有大量的数据信息,怎样对这些数据进行复杂的应用成了现今数据库技术的研究热点.提出一个具有良好发展前景的基于Web进行数据挖掘的模型,并详细阐述了该模型的结构和工作机理.     

基于多Agent的数据挖掘模型的研究

DM(DataMining)模型的研究是数据挖掘领域中的一个重要分支,现有的一些模型各有优势,但又不是完美的,尤其是在智能性方面表现得较差。文章设计了一个基于多Agent的智能数据挖掘系统,利用多智能体技术实现了数据的采集、预处理、查询、知识的自动抽取、数据挖掘等功能,使整个过程实现了知识性、智能性。     

基于数据挖掘的Snort增强模型的研究

Snort是一个简单而有效的基于规则的开源入侵检测系统,但有一定的局限性。论文提出了一个基于数据挖掘的Snort增强模型以采用各种数据挖掘技术来解决Snort的某些局限,还构建了基于案例推理(CBR)的应用实例,良好地验证了模型的正确性和灵活性,且由于"自适应"的特点,该模型还具有较强的可扩展性和交互性。     

基于数据挖掘的网络购物用户行为分析

以合肥向右围商贸有限公司旗下淘宝店铺的数据为研究样本,运用购物篮和熵值法分析店铺所销售商品之间的关联性,预测网络购物用户再次购买该店铺商品的可能性.根据预测模型,营销人员可以提高营销成功率.     

基于数据挖掘技术的智能手机用户行为分析

本文介绍了数据挖掘的相关概念与知识，并阐述了智能手机用户在访问网络时产生的有用日志的获取过程，以及运用数据挖掘技术有效分析智能手机用户行为的方法，为运管商和访问内容提供商的决策者提供分析、推理和预测等的有力支持。     

基于数据挖掘的文献平台用户行为分析

为科技智库时代的发展,更好地提供科技资源,提高信息服务的质量和水平,采用数据挖掘技术和用户画像建模方法应用于吉林省科技文献信息服务平台(简称"平台"),可以根据用户下载文献的历史数据发现、挖掘数据之间的关联关系;平台功能的升级,极大提升了平台用户检索绩效、用户信息获取绩效,提高了用户科研绩效,完善了平台的支撑和保障作用...     

基于数据挖掘算法的用户窃电嫌疑分析

在详细分析窃电用户用电特性的基础上,搭建了用于处理海量用电数据的分布式存储Hadoop平台,分析和改进了适用于并行处理的BP神经网络算法,进而提出了基于人工神经网络的窃电嫌疑分析模型.根据窃电行为将会导致的用电异常数据,以及参考供电行业同业经验,选取了影响窃电嫌疑系数的十二个指标.结合窃电嫌疑分析模型,分析得出无窃电嫌疑、一般窃电嫌疑和重大窃电嫌疑三种情况.最后结合实例对该模型的精确度进行验证.     

基于数据挖掘的网络入侵检测模型研究

文章简单介绍了传统的入侵检测系统,鉴于现有的网络入侵检测系统(NIDS)存在的误报率高和智能性低等缺点,提出了基于数据挖掘的网络入侵检测系统模型。该模型可以有效检测大规模协同攻击,提高网络入侵检测系统的自适应性和可扩展性。     

基于BERT-BiGRU-ATT的社交媒体用户身份识别研究

随着互联网井喷式发展,社交媒体发展迅猛,但是伴随网络匿名特性出现的失范现象时有发生,如何准确判定社交媒体用户从属问题亟待解决.目前社交媒体信息载体多以短文本为主,语法语义过于灵活,难以准确获得文本特征向量.传统短文本作者识别多采用人工建模的方式对文本特征加以提取,设计纷繁复杂.结合深度学习的方法,提出BERT-BiGR...     

基于用户行为的自动任务识别技术研究

自动任务识别是多任务工作环境下自动任务管理技术的关键,其中对窗口切换历史信息采用Bron-Kerbosky算法来聚类同一任务的窗口,已经被国外研究者采用.然而,该方法仅适用于短时间、较少任务的识别,而对长时间下多个工作任务识别缺乏有效性.本文创新性地提出将窗口切换历史聚类结果与基于焦点时间的窗口重要性相结合形成任务向量,再运用模糊KCenter聚类算法求解任务窗口集合来实现长时间工作环境下多任务识别的方法.实验结果表明,该方法能有效识别长时间工作环境下的多个任务且具有较高的准确率.     

基于数据挖掘技术的核心客户的识别

在RFM模型的基础上,根据具体行业的特点,提出了客户重要度测量模型,并且利用数据挖掘技术——决策树算法进行核心客户的特征提取,最后就某一企业的实际情况进行实证研究,为企业进行一对一营销或客户服务提供支持.     

基于云模型的数据挖掘技术

定性概念和定量数据之间的转换在空间数据挖掘中起了至关重要的作用．云模型是定性概念和定量描述之间的转换模型,基于云模型,本文提出了在概念空间和特征空间中以不同的层次进行空间数据挖掘的新方法“数据-概念-知识”．