基于轻量级J2EE架构的高校绩效管理系统的设计与实现
这是一篇关于轻量级J2EE,完美哈希函数,频繁项集,Apriori算法的改进,绩效管理系统的论文, 主要内容为信息技术的推广已渗透到社会各个角落,教育信息化面临重大发展机遇。在高校绩效管理方面,借助信息技术对与绩效相关联的因素进行整合,建立高校绩效管理系统,其重要性不言而喻。为此,本文以石家庄工程职业学院为需求对象开发了高校绩效管理系统。课题对石家庄工程职业学院教师绩效系统进行研究和开发,本文主要研究如下:1)提出基于轻量级J2EE平台的高校绩效管理系统功能模型,并绘制基于UML的用例图,描述了每个功能的业务流程和实现方法。2)深入研究了Apriori算法,并针对该算法的缺陷,提出了一种改进算法。改进算法利用了完美哈希函数,优化的事务压缩技术,分组查询计数和不利用剪枝直接产生候选k项集等技术,在一定程度上提升了挖掘频繁项集的效率。同时,通过理论和实验对两种算法进行了性能比较,验证了改进算法的优越性。3)开发了基于轻量级J2EE架构的高校绩效管理系统,针对系统中教学评价问题,采用改进的Apriori算法,设计应用实现,使绩效评定更加公平、公正。本系统的研究开发为构建高校绩效管理系统提供了有意义的参考与借鉴。
基于Apriori的电子商务网站适时推荐系统的研究与实现
这是一篇关于推荐系统,数据挖掘,关联规则,频繁项集,Apriori,AprioriTidStr的论文, 主要内容为网络的高效与便捷,使人们从传统的购物方式逐渐转向网络购物方式。电子商务推荐系统能有效的留住客户,提高电子商务企业的销售及竞争力,已经成为电子商务IT技术的一个重要研究内容,得到众多研究者的关注。目前,对电子商务推荐系统的研究虽然很多,但限于交易数据量的庞大及挖掘算法的原因,很难给出一适时的推荐系统模型。 本文通过从隐式、高效的数据采集着手,结合关联规则的数据挖掘技术设计并实现了一个电子商务网站的适时推荐系统。 本文提出了一个Apriori算法的改进算法-AprioriTidStr,该算法利用对数据项集在事物数据库中对应的每条事务的标识符Tid的操作来实现对频繁项集的搜索,从而避免了对数据库的循环扫描,降低了关联规则挖掘的复杂度。并在此基础上,设计、实现了挖掘器的适时在线挖掘与定期人工挖掘相补充的复合挖掘,使推荐系统对商品的推荐实现适时更新的功能。该系统同时还实现了对客户历史行为的推荐、当前浏览与购买的推荐、以及网站热卖商品的推荐的多重混合推荐功能。 本文最后给出了系统的简要性能分析,并提出系统需要进一步完善的地方及下一步研究工作的方向。
频繁项集挖掘算法的研究与应用
这是一篇关于单向频繁模式树,频繁项集,并行化,Spark平台,推荐系统的论文, 主要内容为随着信息技术的飞速发展及广泛应用,各行各业都积累了大量的数据,利用传统的数据处理技术并不能将数据中隐藏的知识得到充分的发现与利用,因此数据挖掘技术应运而生。关联规则挖掘作为数据挖掘领域的一个重要方法,它能够在海量数据中发现有价值的信息,从而辅助许多商业活动做出恰当的商业决策。关联规则挖掘分为频繁项集挖掘和关联规则生成这两个步骤。而频繁项集挖掘是决定关联规则挖掘效率的关键所在,因此提高频繁项集挖掘效率是关联规则挖掘的研究热点。为了提高频繁项集挖掘效率,本文对FP-Growth相关的算法进行了改进。提出了一种基于单向频繁模式树UFP-tree的频繁项集挖掘算法UFIM(Unidirectional Frequent Itemset Mining Algorithm)。该算法首先构造一种单向频繁模式树UFP-tree,然后在所构造的UFPtree上引入被约束子树,并对指向相同端点和指向不同端点的被约束子树分别采用非递归和递归的方法来挖掘频繁项集。非递归的方法是判断端点的支持度计数是否小于最小支持度计数,若小于最小支持度计数则这棵被约束子树无频繁项集,否则其频繁项集为除根节点外的节点的组合。实验结果表明,UFIM算法的运行速度高于同类算法。为了提高UFIM算法在大数据环境下的频繁项集挖掘效率,本文对UFIM算法在Spark平台的并行化方案进行了设计。该方案首先并行求得频繁1-项集,然后将被单项约束的子树所需要的数据分发到多个子节点,各子节点独立挖掘属于该部分的频繁项集,最后将各节点挖掘的局部频繁项集进行汇总得到全局频繁项集。实验结果表明:基于Spark平台的并行化UFIM算法具有较好的时效性,适用于大数据频繁项集挖掘。为了更好的检验基于Spark并行的UFIM算法的实用性,本文开发了一个简单的图书推荐系统。该系统通过对用户历史购买记录进行分析得到前后件都为图书标识的关联规则,根据用户浏览的图书标识推荐其可能购买的图书。应用结果表明,基于Spark并行的UFIM算法能够有效的应用到图书推荐系统中去,能够准确的进行商品推荐。
频繁项集挖掘算法的研究与应用
这是一篇关于单向频繁模式树,频繁项集,并行化,Spark平台,推荐系统的论文, 主要内容为随着信息技术的飞速发展及广泛应用,各行各业都积累了大量的数据,利用传统的数据处理技术并不能将数据中隐藏的知识得到充分的发现与利用,因此数据挖掘技术应运而生。关联规则挖掘作为数据挖掘领域的一个重要方法,它能够在海量数据中发现有价值的信息,从而辅助许多商业活动做出恰当的商业决策。关联规则挖掘分为频繁项集挖掘和关联规则生成这两个步骤。而频繁项集挖掘是决定关联规则挖掘效率的关键所在,因此提高频繁项集挖掘效率是关联规则挖掘的研究热点。为了提高频繁项集挖掘效率,本文对FP-Growth相关的算法进行了改进。提出了一种基于单向频繁模式树UFP-tree的频繁项集挖掘算法UFIM(Unidirectional Frequent Itemset Mining Algorithm)。该算法首先构造一种单向频繁模式树UFP-tree,然后在所构造的UFPtree上引入被约束子树,并对指向相同端点和指向不同端点的被约束子树分别采用非递归和递归的方法来挖掘频繁项集。非递归的方法是判断端点的支持度计数是否小于最小支持度计数,若小于最小支持度计数则这棵被约束子树无频繁项集,否则其频繁项集为除根节点外的节点的组合。实验结果表明,UFIM算法的运行速度高于同类算法。为了提高UFIM算法在大数据环境下的频繁项集挖掘效率,本文对UFIM算法在Spark平台的并行化方案进行了设计。该方案首先并行求得频繁1-项集,然后将被单项约束的子树所需要的数据分发到多个子节点,各子节点独立挖掘属于该部分的频繁项集,最后将各节点挖掘的局部频繁项集进行汇总得到全局频繁项集。实验结果表明:基于Spark平台的并行化UFIM算法具有较好的时效性,适用于大数据频繁项集挖掘。为了更好的检验基于Spark并行的UFIM算法的实用性,本文开发了一个简单的图书推荐系统。该系统通过对用户历史购买记录进行分析得到前后件都为图书标识的关联规则,根据用户浏览的图书标识推荐其可能购买的图书。应用结果表明,基于Spark并行的UFIM算法能够有效的应用到图书推荐系统中去,能够准确的进行商品推荐。
基于关联规则Apriori算法的Web日志挖掘研究与实现
这是一篇关于数据挖掘,Apriori算法,Web日志挖掘,频繁项集,关联规则的论文, 主要内容为数据挖掘是指对数据仓库和数据库中的大量原始数据按照数据挖掘的目的进行知识开采、挖掘和分析，从而获得有趣知识和隐含模型的过程。随着互联网的快速发展，人们将数据挖掘技术应用于大量纷繁的Web数据中，以得到迫切需要的、潜在的、有价值的信息，因此产生了Web数据挖掘的研究。在Web数据挖掘中，Web日志挖掘是一个尤为重要的研究课题，通过Web日志挖掘，可以充分利用Web服务器上大量的日志文件，从中发现用户访问网站页面的模型和访问习惯，为电子商务网站管理员优化网站页面结构提供依据，从而为用户访问网站时提供便捷服务。 如何发现数据仓库里数据项之间有意义的相互联系或依赖，是数据挖掘中的一个研究重点，并且由Agrawal等提出的关联规则Apriori挖掘算法是寻找频繁关联项集中最有影响的一种算法。本文的研究重点是针对数据挖掘中关联规则Apriori算法性能瓶颈提出优化方案，设计和实现Apriori改进算法，并开发Web日志挖掘应用系统，将Apriori改进算法封装并应用到该系统中，实现Web日志挖掘中寻找关联规则的完整操作过程。 关联规则Apriori算法实现过程中需要多次扫描事务数据库，这样将会产生庞大的候选集和I/O负载，所以产生关联规则时，该算法在时间和空间上的开销很大，影响算法的效率。针对上述问题，本文在深入分析和研究Apriori算法的基础上，提出了一种改进方法，用来减少事务数据库中的事务数量，从而提高扫描事务数据库的效率。 Web日志挖掘的数据来源主要是Web服务器日志，这些日志文件中的数据包含了大量的可挖掘信息，但同时也是不完整的、含噪声的数据。要从这些数据中获得有益的关联规则模型，就需要对这些数据进行预处理。本文较为系统地分析了Web日志挖掘中的数据预处理，提出了一套日志挖掘数据预处理的方法，以改进日志中数据的质量。在此基础上应用改进后的关联规则Apriori算法进行Web日志挖掘，构建关联项集模型，并针对挖掘出的模型进行模型分析与模型评价。 本文采用Struts2+Spring2.5+Hibernate3.2框架设计和实现了一套Web日志挖掘系统，并以图形方式在页面上展示关联规则模型，为Web日志分析者提供了一个操作简单并可直接观察到挖掘结果的Web日志挖掘平台。该平台主要通过Web方式向用户提供日志挖掘的整个过程。挖掘用户可以通过Web页面轻松地导入数据集，进行数据集预处理，通过指定最小支持度和最小可信度，得到所需要的关联规则模型，以及这些关联规则模型的分析和评价，以便挖掘用户对网站维护者提出优化网站的建议。
基于FP关联规则的购物推荐系统的开发
这是一篇关于关联规则,相关推荐,频繁项集,规则提取的论文, 主要内容为利用个性化推荐推动企业电子商务在改善顾客关系、培养顾客忠诚度以及增加网上销售方面具有明显的效果。现有的一些电子商务网站通常利用普通的数据库查询技术形成产品推荐,其最大的优点就是查询速度快,但索引会对insert、update、delete等操作产生影响,降低系统性能,影响客户体验。推荐系统需要有大量的数据才能为新顾客做出准确有效的推荐,因此近年来基于数据挖掘的技术在产品推荐中得到了越来越多的关注。为了解决电子商务网站查询存在的问题,设计准确有效且高性能的个性化推荐系统,需要基于数据挖掘领域的技术设计新的个性化推荐系统。 针对现有普通的数据库查询技术在相关产品推荐上存在的缺陷,采用基于关联规则挖掘的方法,实现设计准确有效且高性能的推荐系统。首先讨论购物网站相关商品的个性化推荐和目前常用的基于数据库查询的弊端。然后,引入数据挖掘中的关联规则技术作为规则挖掘的基本的实现手段,来实现大型数据库下高效准确的相关产品推荐。为了克服FP关联规则方法在内存上的瓶颈,在此基础上采用了改进FP关联规则挖掘频繁项集,结合支持度-置信度-兴趣度的方法实现电子购物中的相关产品推荐系统。通过实例证明了所设计的推荐系统具有较高的效率和较准确的推荐能力。
基于SSH和jQuery框架的网络购物平台的设计与实现
这是一篇关于推荐模块,SSH,频繁项集,Apriori,jQuery的论文, 主要内容为随着因特网的迅猛发展,网络购物正在融入人们的生活,并成为其密不可分的一部分。通过网络购物我们只需坐在家中,动动鼠标便能够买到称心如意的商品,享受到低价高质、便利的服务,我们的日常生活也因为网上购物而变得更加丰富多彩。 针对传统的网络购物系统难于升级和维护的问题,本文设计了基于Struts2+Spri--ng+Hibernate(SSH)和j Query框架的网络购物平台,该平台充分发挥了SSH框架的的低耦合性和可复用性的优势,解决了系统不易升级和维护的难题。另外,此平台还加入了实用的“推荐”模块,此模块是基于关联规则实现的,并且采用了Apriori算法,该算法首先从数据库中搜索出所有的频繁项集,然后从频繁项集中推算出强关联规则,以达到帮助用户推荐商品的目的。 论文首先阐述了网络购物的发展现状,紧接着介绍了系统开发用到的J2EE规范、SSH及jQuery框架,并阐述了如何进行SSH+jQuery四大框架的整合。其次进行了系统的需求分析,并在此基础上制定了系统的总体设计方案,包括系统的架构设计、功能模块设计以及数据库设计。最后详细的讨论了系统主要模块的具体实现。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码港湾 ，原文地址：https://m.bishedaima.com/lunwen/47569.html
