K-Means聚类算法在毕业生就业信息分析中的实现

聚类是指按照事物间的相似性对事物进行区分和分类的过程,是在无指导下自动进行的无监督分类。本文应用数据挖掘技术中的聚类分析,对毕业生就业信息进行研究,介绍了K-Means算法和K-Means算法在毕业生就业信息分析中的应用。     

基于流形学习的客户价值分析研究

为了解决数据高维、海量导致聚类算法处理效果不佳的问题,提出将流形学习理论引入客户关系管理进行聚类研究。为了较好的分析客户价值,在Kmeans聚类的基础上引入流形学习理论。客户价值分析一般包含数据的抽取、探索以及预处理、模型建立几个步骤。在模型建立过程中一般采用Kmeans聚类实现。使用流形学习的谱聚类来替代Kmeans聚类。使用泰迪杯数据挖掘大赛中的数据进行试验,通过实验的雷达图可以看出,谱聚类与Kmeans聚类具有相似的分类构成。同时对于分类后的数据进行规约并绘制散点图,比较后发现,谱聚类后的数据类间相似度比Kmeans高,表明将流形学习方法引入客户价值分析,对于聚类稳定性有一定改善。     

一种基于聚类的入侵检测新方法

根据目前应用于入侵监测的算法中普遍存在的对输入顺序敏感,无法自适应地确定参数以及需要大量的训练数据等问题,且k-means算法存在初值选取的问题,因而提出一种新的聚类算法进行入侵行为的监测.该方法的优点是对输入数据顺序不敏感以及能够比较准确地选择聚类的初值.实验中采用了KDD99的测试数据 ,结果表明该方法可以比较有效地检测真实网络数据中的已知和未知的入侵行为.     

改进的k＇-means算法及其在图像分割中的应用

k＇-means是对k-means算法的一种改进,它引入了竞争惩罚学习机制,可以在无监督的情况下确定聚类数目.本文提出了两种新的基于频率敏感差异度量的k＇-means算法,新算法利用竞争惩罚学习机制确定聚类数目.针对一组合成数据进行对比实验,结果表明新的k＇-means算法可以成功地对数据集进行分类.最后,本文将新算法应用于图像分割.     

一种基于聚类的非平衡分类算法

传统的分类算法大多假定用来学习的数据集是平衡的,但实际应用中真正面临的数据集往往是非平衡数据。针对非平衡数据,利用传统的分类方法往往不能获得良好的性能。文章提出了一种新的基于聚类的非平衡分类算法,通过聚类生成多个聚类体,在每个聚类体中选取一定数量的数据作为训练样本,有效地处理了样例数据的不平衡问题,在相关数据集上的实验验证了本方法的有效性。     

一种基于K-均值的用户行为聚类算法

针对电子商务系统中大多采取用户评分或购买数据进行聚类,较少进一步分析用户行为的现状,提出一种根据用户浏览商品时序分析用户兴趣的方法 .在此基础上先用Canopy算法进行数据预处理后使用K-均值算法根据用户兴趣实现用户聚类.采用KDD CUP2000数据集中的用户点击流数据中的用户浏览记录对算法进行实验,实验结果表明算法有较好的聚类结果 .     

基于改进蚁群—模糊聚类算法的电影背景音乐情感分类

为提高电影情感内容分析的准确率,需要对电影的背景音乐进行情感的自动分类,为此提出改进蚁群-模糊聚类算法的音乐情感分类方法,分析改进蚁群-模糊聚类算法的基本原理及实现步骤,并以500首电影音乐数据为例,对该数据进行挖掘分析,使用改进蚁群-聚类算法对平均音高、平均音强、旋律的方向、音高的稳定值、节奏的强弱规律和节拍6个情感特征向量进行聚类。试验效果表明取得很好的聚类效果。     

多视图聚类算法综述

在大数据时代,数据是由不同来源生成的,或者是从不同视图中观察得到的,这些数据被称为多视图数据。在数据挖掘与分析中,充分发挥知识在多视图数据中的作用是非常重要的,因此需要在融合相关数据的同时,考虑不同视图的多样性。近年来,多视图聚类（MvC）受到越来越多学者关注,根据其涉及的机制和原则,将多视图聚类算法分为5类,即协同训练算法、多核学习、多视图聚类、多视图子空间聚类与多任务多视图聚类。对多视图聚类算法进行介绍,并重点介绍了协同训练算法与多核学习。     

基于模糊C均值聚类的嵌入式数据库并行推荐算法

嵌入式网络数据库优化访问的关键是对访问目标数据的准确推荐和挖掘,以实现数据的准确检索。提出一种基于模糊C均值聚类的嵌入式数据库并行推荐算法,构建嵌入式数据的数据结构模型,进行数据信息流属性集特征提取。采用模糊C均值聚类算法实现属性分类,以此实现嵌入式数据的库并行推荐和挖掘。仿真结果表明,采用该算法进行数据库访问,精度较高,执行时间较短,性能优越。     

基于改进遗传算法的K-means聚类方法

K-means算法是聚类分析划分方法中的一种常用方法,也是目前在数据分析方法中最有应用前景的方法之一。但K mean算法对初始聚类中心十分敏感,这对处理学生成绩等数据而言,会导致聚类结果极为不稳定。为此,提出基于改进遗传算法的K means聚类算法。该算法利用遗传算法解决初始聚类中心,提高聚类结果的稳定性,但存在前期过早收敛和后期收敛过慢的缺点。将改进遗传K means聚类算法应用于高职高专的学生考试成绩分析中,可以很好地解决传统遗传聚类算法对聚类结果的不稳定性问题,并通过聚类结果对学生考试成绩进行分类评价,利用所获得的数据聚类结果指导教学,从而提高教学质量。     

基于电子学档的在线学习行为监控

在线学习是一种师生分离的自主学习,对学习者的学习行为进行监控,能提高在线学习效率。利用电子学档对学习者的在线学习行为进行监控,不仅有助于促进学习者的学习反思、激发学习动机、开展更为有效的学习,而且有助于实现对学习者学习行为的全面监控。基于电子学档的在线学习行为监控模型一般包括行为信息的提取模块,整理和分析模块,成果及评价模块,反思模块,行为标准制定模块等五部分。采用这个模型,可以实现对在线学习行为的全面监控。     

高职学生在线学习投入量表构建与实证分析

学生的学习行为投入是影响学习效果的重要因素。为了了解疫情防控期间高职学生在线学习行为投入现状,在学习行为投入、在线学习行为投入内涵界定及测量研究的基础上设计了6个维度的高职学生在线学习行为投入测量量表,并基于学校电子商务学院2018级237名学生在安徽省网络课程学习中心(e会学)平台上进行在线学习的系统后台数据以及课后针对学习过程调查的问卷数据,对20个测量指标进行描述性分析、阶段性变化分析以及与终局性在线考试成绩进行相关分析。最后提出有效激发学生在线学习行为投入的实践启示,包括强化线上教学的过程管理;丰富线上教学设计,激发学生学习积极性;坚持线上教学的高要求。     

促进顿悟的政治课教学模式初探

格式塔心理学认为学习的过程是顿悟的过程,即结合当前整个情境对问题的突然解决。以格式塔心理学学习观为指导,政治课教学要关注学生经验、行为的整体性,创设情境问题,使学生对问题解决的知觉场重新组织,超越对于事物的表面特征的认识,领悟到事物之间的内在关系,借助原型启发,改变学生的问题表征方式,克服思维定势,以求学生思维的多元性、灵活性、创造性。     

在线讨论中动态学习情绪和认知行为序列的关系研究

在线讨论作为在线学习的重要组成部分,其产生的文本数据可以反映学习者的认知水平、互动质量以及情绪状态。学习情绪影响认知行为,从而影响学习成效,研究学习情绪和认知行为之间的关系非常重要。文章基于Harris等人的情绪分类法和蔡今中的认知分类体系,使用内容分析法和滞后序列分析法研究学习者的动态学习情绪、认知行为序列模式以及学习情绪和认知行为之间的关系。研究表明:困惑情绪和消极情绪会转化为积极情绪,但是中性情绪不会转化为积极情绪;学习者倾向于呈现描述行为和推断或解释行为,且认知行为序列模式具有渐进性特征;描述行为会引发消极情绪,比较行为、推断或解释行为会引发积极情绪。教师可根据学习者的行为转换情况进行适当的指导和干预,以提升学习者的学习效果。     

思想政治理论课教育教学过程论探析

过程是事物矛盾运动的场域,也是事物存在的普遍形式。思想政治理论课(以下简称思政课)教育教学是“教”与“学”的过程,也是理论学习目标实现、政治素质提高任务达成的过程。思政课教育教学过程不仅体现师生的行为选择和价值判断,也是彰显学生思想的转变。因此,教师必须高度重视思政课教育教学过程,细化过程、强化过程,只有把教育教学过程做细做实,才能实现和落实立德树人的目标和根本任务。     

从数字画像到数字孪生体:数智融合驱动下数字孪生学习者构建新探

随着AI、5G、物联网、大数据、传感与全息等新兴技术的快速发展,尤其是虚拟现实技术从VR、AR、MR到XR的不断演进,促使数字孪生技术开始走向应用并备受学者关注。其正从制造业、城市管理、医疗服务向社会其他领域不断衍生拓展,并在教育领域呈现出广阔的应用前景。在数智融合驱动下,从“AI+大数据+学习分析”加持下的学习者数字画像,向“AI+5G+XR”与全息技术支撑下的数字孪生学习者的迭代更新,将成为AI赋能教育的一个演进趋势。数字孪生学习者基于“四个关键要素”和“五个基本原则”这一现实前提,遵循刻画学习者画像、仿真学习过程、预测学习发展、生成学习结果和共享学习智慧的生成过程,具有高度仿真、动态映射、虚实共生、迭代进化和智能应用的特征,可为“AI+学习者”呈现更精确的学习过程分析、更精准的学习内容推送、更科学的学习评价与无边界的学习生态;并助力学习者进行学习资源共享、学习行为调整、学习兴趣提高、学习体验改善、学习效率提升。因此,对数字孪生学习者进行前瞻性研究,可为数智融合驱动下的学习变革提供全新的视角与思路。     

试论与课程目标分类相匹配的学习理论

课程实施需要与课程目标分类相匹配的学习理论的支撑。为了使教师能处理好教学过程、方法与结果的关系,需要研究与课程目标分类相匹配的每一类学习结果的学习过程和有效学习的条件,并在此基础上建立一个能解释广义知识和能力学习的动态学习过程模型。     

网络协作学习中的微交互言语

交互行为分析是CSCL(计算机支持协作学习)研究中,特别是网络协作学习研究中的重要内容之一。为了有效地分析学习交互和找到促进学习交互的方法,有必要建立从微观层面对交互行为进行分类的框架。该研究首先提出了微交互行为的概念,然后鉴于基于文本的交互仍然是当前最重要的交互形式,建立了一个微交互言语行为的分类框架。该框架从交际功能的角度,把微交互言语分为展示型言语、质询型言语、解释型言语、支持型言语、发展型言语等15种类型。本文也介绍了该微交互言语分类框架的确定和发展过程,最后通过实例讨论了其在CSCL系统中的应用价值。     

不平衡古漆器漆膜数据分类研究

针对古漆器漆膜数据类间不平衡、样本规模小,以及传统机器学习算法分类效果较差的问题,提出一种改进SMOTE的过采样方法改变漆器漆膜数据样本分布,使其达到平衡.该方法通过比较各类样本间的欧式距离,删除了人工样本中的噪声数据,然后运用集成学习中的随机森林算法进行分类,提高了少数类的分类准确率.UCI数据集上的实验结果表明,改...