道不自器,与之圆方——《源氏物语》与《红楼梦》创作观之比较

创作观是指作者在创作过程中的思想观念和写作态度。思想观念与作品形成时的时代风气、文化氛围相关,作者从这里提取艺术真实;写作态度则与作者的身世经历、写作理念有涉,其中体现着作者的创作心理。这两部小说的作者均在各自的创作观指导下进行写作,既做出了精彩的发挥,又风姿各异,达到了使生活的意蕴得以深化、使作品中的人物形象生动、典型的效果,这种人物形象,正符合爱.摩.福斯特在《小说面面观》里所界定的"圆形人物"的定义。创作观的上述层面分别对应于"真善美"的三个层次,这又可用《二十四诗品》中的"道不自器,与之圆方"来指涉。本文即通过对以上因素的综合辨析,来阐释创作观的异同如何导致《源氏物语》和《红楼梦》两部名著的差异,并据此探讨影响研究中的"媒介学"研究方法与平行研究中的"主题学"、"题材学"和"文类学"研究方法如何在这两部名著的比较中关联起来,以及这种关联具有的价值和意义。     

建构和合融通式的创新生态系统——以山东省科协实践为例

 以创新谋竞争求发展越来越成为社会共识。作为国家治理体系和治理能力现代化建设的重要一员,科协组织迫切需要构建创新生态系统,实现新时代科协事业高质量发展。论述了创新生态系统构建的理论依据,以山东省科学技术协会为例,介绍了创新生态系统建构的实践探索,提出在迭代整合中不断完善创新生态系统重构,为企业、产业、区域乃至国家等层面构建创新生态系统提供理论支撑和实践参考。     

利用目标多普勒频率的数据融合关联算法

提出了一种利用目标多普勒频率的信息融合关联算法,在用统计方法比较了级联式和并联式融合的目标混批改善效果之后,指出了这种基于多普勒频率的关联算法乃是解决混批现象的有效手段。     

一种基于粗糙集的决策算法挖掘方法

属性约简和属性值约简是利用粗糙集理论从决策表中挖掘决策规则的基础,挖掘决策规则是粗糙集理论的重要研究领域之一。本文根据属性的重要度和条件差别矩阵来进行条件属性约简,找出有效约简。同时定义了决策表的不一致度,并根据属性重要度来进行属性值约简,在保持决策表不一致度不增加的前提下挖掘出决策规则,该决策规则集满足独立性、覆盖全域性、可接受性和一致性,即决策规则集为决策算法,最后运用实例对该方法的有效性进行说明。     

一种改进的关联规则挖掘算法

从大型事务数据库中发现关联规则是数据挖掘中的一个重要课题,其核心问题是挖掘频繁项集.经典Apriori算法是有效的挖掘频繁项目集的算法.在分析Apriori算法的基础上,提出了一种利用二维数组来代替算法中的哈希树的方法,可以迅速产生二阶频繁项目集,改善了Apriori算法的效率瓶颈,大大提高了算法的执行效率.     

宋代文人结社研究综述

宋代文人结社目前也可算得学界的一个研究热点,相关研究所取得的成果非常丰硕,产生了大量的论文,并早已有专著出版。宋代文人结社研究可分为总论类、诗社类、词社类、怡老会类四个方面。文章按照不同类别做了比较细致的梳理,从中找出了一些不足之处,尝试提出了相应的解决办法。     

利用C++标准类挖掘关联规则

介绍了数据挖掘中关联规则的Apriori算法思想 ,提出了在实现该算法的关键步骤 ,剪枝步的非频繁子集的测试过程中 ,利用C 的标准模板类的技术。论述了C 标准模板类在关联规则挖掘算法的数据结构具体实现中的有效利用     

一种高效的关联规则更新算法

在大型数据库中 ,数据不是静止的 ,新的记录需要不断地增加到旧的数据库中 ,而从旧的数据库中挖掘出来的关联规则必须加以维护 ,为此提出了一种关联规则更新算法。该算法既能有效地利用已经发现的知识 ,又能减少数据库的扫描次数 ,同时只需产生少量候选集。实验表明 ,该算法的执行效率比现有的典型更新算法高 ,是一种有实际应用价值的、高铲的关联规则更新算法。     

关联分析用于福建植被区划

据福建中亚热带的南平等１２个县市的常绿阔叶林和福建海岸带的厦门海沧等８个地区的灌草丛调查数据,分别作其壳斗科树种间和灌木属间的关联分析,所分划的地区组合都和相应采用地区间该树种重要值或灌木地理成分两相似性指数所作的地区聚类分析结果相类似,也和福建植被区划的地区划分基本吻合,表明关联分析法对植被区划的有效性．     

Concise representations for association rules in multi-level datasets

Association rule mining plays an important role in knowledge and information discovery. Often for a dataset, a huge number of rules can be extracted, but many of them are redundant, especially in the case of multi-level datasets. Mining non-redundant rules is a promising approach to solve this problem. However, existing work (Pasquier et al. 2005, Xu & Li 2007) is only focused on single level datasets. In this paper, we firstly present a definition for redundancy and a concise representation called Reliable basis for representing non-redundant association rules, then we propose an extension to the previous work that can remove hierarchically redundant rules from multi-level datasets. We also show that the resulting concise representation of non-redundant association rules is lossless since all association rules can be derived from the representation. Experiments show that our extension can effectively generate multilevel non-redundant rules.