首页> 正文

多关系聚类分析方法研究

2020-11-28阅读(262)

多关系聚类分析方法研究

论文摘要

传统的数据挖掘任务通常假定数据由同种类型、相互独立的实体构成,但现实世界的许多数据却是多关系的。多关系数据在生物信息学、Web导航、社会网、知识获取与利用、地理信息系统和自然语言理解等领域广泛存在。本文围绕多关系数据挖掘领域,针对其中多关系聚类分析任务,展开了深入研究及应用工作:针对传统聚类分析任务,在研究现有监督分类中特征权值学习方法的基础上,提出了特征加权的聚类模型;关于多关系数据的聚类分析,为了提高现有多关系数据聚类算法的效率,提出了一种两阶段多关系数据聚类算法;为提高多关系数据聚类的质量,在传统K-均值聚类算法的基础上,结合半监督学习方法,提出了半监督K-均值多关系聚类算法;针对多关系聚类分析在推荐系统中的应用,研究了基于聚类的协同过滤推荐方法,为了解决传统协同过滤的稀疏性和扩展性问题,提出了结合似然关系模型和用户等级的协同过滤推荐算法;另外,将上述算法应用到网络教育资源管理系统中,并取得了较好效果。

论文目录

  • 内容提要
  • 第1章 绪论
  • 1.1 研究背景和意义
  • 1.1.1 数据挖掘
  • 1.1.2 多关系数据挖掘的概念
  • 1.1.3 多关系数据挖掘的产生与发展
  • 1.1.4 多关系数据挖掘的方法
  • 1.1.5 多关系数据挖掘的任务
  • 1.1.6 多关系数据挖掘的应用
  • 1.1.7 多关系数据挖掘存在的问题及发展方向
  • 1.2 本文工作
  • 第2章 相关理论和方法
  • 2.1 聚类分析技术
  • 2.1.1 聚类分析的概念及步骤
  • 2.1.2 聚类分析的方法
  • 2.1.3 聚类分析方法小结
  • 2.2 关系及多关系聚类分析技术
  • 2.2.1 关系及多关系聚类分析的概念
  • 2.2.2 关系及多关系聚类分析的方法
  • 2.2.3 关系及多关系聚类分析小结
  • 2.3 半监督学习技术
  • 2.3.1 半监督学习的思想
  • 2.3.2 半监督分类
  • 2.3.3 半监督聚类
  • 2.3.4 半监督学习小结
  • 2.4 个性化推荐技术
  • 2.4.1 推荐系统概述
  • 2.4.2 个性化推荐技术
  • 2.4.3 个性化推荐小结
  • 第3章 特征加权的聚类算法
  • 3.1 引言
  • 3.1.1 研究背景
  • 3.1.2 本章研究内容
  • 3.2 相关工作
  • 3.2.1 符号约定
  • 3.2.2 基于距离和密度的聚类算法
  • 3.2.3 特征权值学习方法
  • 3.3 特征加权的聚类模型
  • 3.3.1 模型描述
  • 3.3.2 复杂性和收敛性说明
  • 3.4 实验
  • 3.4.1 实验数据集
  • 3.4.2 聚类结果评价
  • 3.4.3 实验结果
  • 3.4.4 实验结果分析及说明
  • 3.5 本章小结
  • 第4章 多关系聚类分析
  • 4.1 引言
  • 4.1.1 研究背景
  • 4.1.2 本章研究内容
  • 4.2 两阶段多关系数据聚类算法
  • 4.2.1 符号表示
  • 4.2.2 TSMRC 算法框架
  • 4.2.3 TSMRC 的第一阶段
  • 4.2.4 TSMRC 的第二阶段
  • 4.3 实验
  • 4.3.1 实验数据及其关系分析
  • 4.3.2 聚类准确性度量
  • 4.3.3 扩展性测试
  • 4.4 本章小结
  • 第5章 半监督多关系数据聚类
  • 5.1 引言
  • 5.1.1 研究背景
  • 5.1.2 本章研究内容
  • 5.2 半监督多关系数据聚类的问题定义
  • 5.3 半监督K-均值多关系数据聚类算法
  • 5.3.1 SKMMR 算法描述
  • 5.3.2 相似性度量
  • 5.4 实验
  • 5.4.1 实验数据及其关系分析
  • 5.4.2 聚类结果评价
  • 5.4.3 实验结果
  • 5.5 本章小结
  • 第6章 基于聚类的协同过滤推荐
  • 6.1 引言
  • 6.1.1 研究背景
  • 6.1.2 本章研究内容
  • 6.2 工作基础
  • 6.2.1 协同过滤推荐算法
  • 6.2.2 似然关系模型
  • 6.2.3 基于似然关系模型的推荐
  • 6.3 结合似然关系模型和用户等级的协同过滤推荐算法
  • 6.3.1 基于用户等级的协同过滤推荐算法
  • 6.3.2 结合似然关系模型和用户等级的协同过滤推荐算法
  • 6.4 实验
  • 6.4.1 数据集及度量标准
  • 6.4.2 实验结果及分析
  • 6.5 本章小结
  • 第7章 多关系聚类分析在网络教育资源管理系统中的应用
  • 7.1 引言
  • 7.2 网络教育资源管理系统概述
  • 7.2.1 NERMS 系统组成
  • 7.2.2 NERMS 系统特点
  • 7.2.3 NERMS 关键技术
  • 7.3 多关系聚类分析在NERMS 中的应用
  • 7.3.1 NERMS 体系结构
  • 7.3.2 NERMS 数据集
  • 7.3.3 两阶段用户聚类
  • 7.3.4 半监督资源聚类
  • 7.3.5 个性化推荐
  • 7.4 本章小结
  • 第8章 总结与展望
  • 参考文献
  • 攻读博士学位期间发表的论文及参加的项目
  • 致谢
  • 摘要
  • Abstract

    • 相关论文文献

    • [1].基于聚类分析的高速铁路突发事故等级划分[J]. 内江科技 2019(12)
    • [2].基于PubMed数据库患者自我管理研究热点的共词聚类分析[J]. 中国医药导报 2020(01)
    • [3].基于聚类分析的学生成绩评定方法研究[J]. 智库时代 2020(11)
    • [4].基于因子聚类分析的儿童陪伴机器人用户细分[J]. 包装工程 2020(14)
    • [5].基于聚类分析的异常数据检测[J]. 电子技术与软件工程 2020(15)
    • [6].基于聚类算法的大用户用电模式识别研究[J]. 中国管理信息化 2017(19)
    • [7].数学学科核心素养要素析取的实证研究[J]. 数学教育学报 2016(06)
    • [8].聚类分析对学生成绩的研究[J]. 无线互联科技 2014(12)
    • [9].聚类分析和判别分析在投资中的应用[J]. 信息安全与技术 2015(06)
    • [10].基于K-聚类分析法的预防性养护路段划分[J]. 安徽建筑 2015(03)
    • [11].我国“中部崛起”战略的实证分析[J]. 智富时代 2016(S2)
    • [12].基于聚类分析的墨量预置优化方法[J]. 数码世界 2016(12)
    • [13].互联网保险产品开发研究——基于平安互联网保险产品的聚类分析[J]. 保险理论与实践 2017(03)
    • [14].高职大学生心理健康水平的聚类分析[J]. 现代职业教育 2017(07)
    • [15].环境安全评价指标体系的构建及聚类分析——以江苏省13市为例[J]. 赤子(下旬) 2017(01)
    • [16].聚类分析在方言分区上的应用——以江淮官话洪巢片为例[J]. 国际汉语学报 2017(01)
    • [17].经典划分聚类分析方法及算例[J]. 地壳构造与地壳应力文集 2016(02)
    • [18].聚类分析理论的简单应用[J]. 科学中国人 2016(03)
    • [19].2015—2018年国外机构养老研究热点的共词聚类分析[J]. 中国社会医学杂志 2019(06)
    • [20].基于主成分分析和Q型聚类分析的2018年俄罗斯世界杯足球赛各队技战术综合分析[J]. 计算机时代 2020(01)
    • [21].基于聚类分析的不均衡数据标注技术研究[J]. 计算机仿真 2020(02)
    • [22].大学生职业潜能聚类分析与实际就业状况的关联性研究[J]. 教育评论 2018(01)
    • [23].聚类分析在财政实务工作中的应用[J]. 财政科学 2018(02)
    • [24].农业生产资料价格指数的聚类分析[J]. 电脑知识与技术 2017(27)
    • [25].基于PubMed的共词聚类分析方法[J]. 电子科技 2016(02)
    • [26].聚类分析在外国语言学研究中的应用探讨[J]. 中国校外教育 2018(07)
    • [27].基于因子聚类分析的安徽服务业竞争力评价[J]. 中国市场 2013(02)
    • [28].教学测评数据的对应聚类分析法研究[J]. 科技信息 2012(34)
    • [29].近红外光谱和聚类分析法无损快速鉴别小儿抽风散[J]. 光谱学与光谱分析 2008(02)
    • [30].SPSS的聚类分析在经济地理中的应用[J]. 西部皮革 2016(08)

    标签：;  ;  ;  ;  ;  ;  

    多关系聚类分析方法研究
    下载Doc文档

    猜你喜欢

    © 2024 毕速过 版权所有 鄂ICP备12018319号-5