基于EDM的用户行为建模及决策支持

在大数据时代背景下,面对高校各信息化系统所积累的海量数据,如何避免数据孤岛,融合多源数据,充分发掘隐藏在数据背后的有价值信息是亟待解决的问题。针对此问题,本论文采用EDM(Educational Data Mining)方法对原始数据进行数据清洗、数据融合、数据挖掘。在数据挖掘阶段,提出一种改进型的FP-growth算法,实现对频繁模式的发现与约减,并通过挖掘出的频繁模式构建用户行为模型,最后利用用户行为模型进行决策支持和用户服务推荐。实际应用表明,本文所提数据处理方案可以实现高校内部多源海量数据的挖掘与知识发现,具有较高的实用价值。     

关联规则挖掘在教师课堂教学评估中的应用

本文介绍了关联规则挖掘的概念、实现过程及其在教师教学质量评估方面的应用.     

庄家尾盘打压吸筹行为分析

大部分庄家在吸筹建仓阶段操盘十分隐蔽,大资金建仓前的第一个动作是,试探着先介人一部分资金收货,通过盘口观察是否有其他主力在同自己抢筹码,同时也观察是否有重仓者借机抛售。如发现有大资金在抢筹,庄家则可能会弃庄不进。部分庄家吸筹时会借助大盘低迷气氛,     

浅析主力尾盘打压出货手法

尾盘打压分多种情况,14:30分后砸低是一种,最后十分钟左右连续下跌也是一种。最后临收盘几分钟出现几张大卖单往下砸低股价也是。较常见的还有临收盘最后一分钟出现一张或者多张大卖单往下大幅砸低股价。尾盘打压股价行为这类个股主力操纵意图相当复杂。     

不确定数据中的频繁项集挖掘

本文主要介绍不确定数据及期望支持度等概念,并研究如何在概率框架下挖掘不确定数据库中的频繁项集.     

一种改进的Apriori算法

在对关联规则挖掘算法Apriori进行深入研究的基础上,提出了一种改进的算法SDA算法,在三个方面进行了改进:(1)频繁2-项集生成方法;(2)改进Apriori_gen算法(3)减少事务数据库.在实验数据集上所做的实验结果表明SDA算法是有效的.     

关联规则中一种负增量更新算法的探讨

针对关联规则负增量更新的挖掘问题,提出了一种高效的关联规则负增量更新算法,即NIUA。该算法充分利用原数据库中已有的频繁项集、所有1-项集来生成最小非频繁项集;并采用选样等策略求出删减数据后的频繁项集。整个算法只需扫描删减后的事务数据库一遍,从而提高了关联规则的更新效率。     

数据流频繁模式挖掘

近年来,数据流挖掘越来越引起研究人员的关注,已逐渐成为许多领域有用的工具.如何利用有限的存储空间高效地挖掘出频繁模式已成为数据流挖掘的基本问题,具有很强的现实意义和理论价值.本文分析了国内外的各种数据流频繁模式挖掘算法,并指出这些算法的分类.通过综合分析最终给出了未来的研究发展方向.     

数据库扫描的一种快速关联规则挖掘算法

为了快速地从数据库中挖掘出频繁项集,本文中提出了一种将数据库中的频繁项集搜寻问题转化为用二分查找法去直接搜索构建的向量子空间中的向量问题。该算法不仅运算简单,只需扫描一次数据库,而且具有提高搜索速度等优点。     

建筑类高职生顶岗实习期频繁跳槽的现象及启示

高职生顶岗实习是《国务院关于大力发展职业教育的决定》中的"2+1"教育模式,也是促进高职生就业的一个重要环节。通过对湖北工业职业技术学院建筑类高职生顶岗实习情况的调查研究,我们发现应届生跳槽的现象比较严重,主要原因在于:缺少大型顶岗实习基地,学生实习满意度低;工作区域人数饱和,实习单位性质单一;实习单位薪资水平偏低,学生自我定位不准确。对此,学校应该根据学生实际情况,将职业规划教育贯穿高职教育始终,强化学生自我认知、理性定位;学校与大型企业对接,了解企业用工需求;学校要强化招聘单位管理制度,完善学生顶岗实习期的信息反馈。