检索结果-南通市图书馆

改进的k-modes聚类算法在协同过滤就业推荐算法中的应用

在线全文

学校读者我要写书评

暂无评论

延安大学学报（自然科学版） 2024年第2期43卷 96-100页

作者：刘逗逗王文发许淳延安大学西安创新学院商学院陕西西安710199 延安大学数学与计算机科学学院陕西延安716000

为了给高校毕业生提供精准的个性化就业推荐服务,将基于动态权重相互依存距离的改进k-modes聚类算法应用于协同过滤推荐算法中。定义不同样本点属性之间的距离等于属性值内部距离和属性间外部距离的加权和,选择初始簇质心时,动态调整样... 详细信息

为了给高校毕业生提供精准的个性化就业推荐服务,将基于动态权重相互依存距离的改进k-modes聚类算法应用于协同过滤推荐算法中。定义不同样本点属性之间的距离等于属性值内部距离和属性间外部距离的加权和,选择初始簇质心时,动态调整样本点与簇质心的距离以及簇密度的组合权重,动态设置簇密度计算公式的半径,根据样本点的概率值选出初始簇质心;迭代计算和优化得到满足精度的学生簇和职位簇;构建学生-职位矩阵,计算应届生和往届生的相似度、往届生和入职岗位的相似度,选择二者的相似度超过阈值的应届生簇和职位簇组合为匹配对进行匹配,并将匹配信息降序排列形成匹配列表,依据匹配列表进行双向推荐和信息推送,为高校的就业推荐和指导提供信息导向和技术支持。

关键词：双边匹配算法协同过滤算法聚类分析 k-modes算法相似性度量

在线全文

学校读者我要写书评

暂无评论

非独立同分布下的k-modes算法

计算机工程与设计 2023年第1期44卷 182-187页

作者：周慧鑫姜合王艳梅齐鲁工业大学(山东省科学院)计算机科学与技术学院山东济南250353

传统的k-modes算法中,初始聚类中心是随机选取的,聚类结果过分依赖初始聚类中心的选择,影响聚类效果。在很多k-modes算法的研究中假设数据是独立同分布的,在现实的数据中,数据对象和属性之间是根据某些耦合关系彼此关联的,是非独立同分... 详细信息

传统的k-modes算法中,初始聚类中心是随机选取的,聚类结果过分依赖初始聚类中心的选择,影响聚类效果。在很多k-modes算法的研究中假设数据是独立同分布的,在现实的数据中,数据对象和属性之间是根据某些耦合关系彼此关联的,是非独立同分布的。针对这两方面问题,通过基于层次聚类进行预聚类的方法改进选取初始中心的方法,引入非独立同分布思想计算相异度量,进行实验验证。实验结果表明,通过改进初始中心的选取方法和相异度量的计算方法很好改进了k-modes算法,提高了算法的聚类精度。

关键词： k-modes算法初始中心独立同分布非独立同分布耦合关系层次聚类相异度度量

基于分类型矩阵对象数据的MD fuzzy k-modes聚类算法

在线全文

学校读者我要写书评

暂无评论

计算机研究与发展 2019年第6期56卷 1325-1337页

作者：李顺勇张苗苗曹付元山西大学数学科学学院太原030006 山西大学计算机与信息技术学院太原030006

传统的聚类算法一般是对单值属性数据进行聚类.但在许多实际应用中,每个对象通常被多个特征向量所描述.例如,顾客在购物时可能同时购买多个产品.由多个特征向量描述的对象称为矩阵对象,由矩阵对象构成的数据集称为矩阵对象数据集.目前,... 详细信息

传统的聚类算法一般是对单值属性数据进行聚类.但在许多实际应用中,每个对象通常被多个特征向量所描述.例如,顾客在购物时可能同时购买多个产品.由多个特征向量描述的对象称为矩阵对象,由矩阵对象构成的数据集称为矩阵对象数据集.目前,针对矩阵对象数据聚类算法的研究相对较少,还有很多问题有待解决.利用fuzzy k-modes算法的聚类过程,提出一种基于矩阵对象数据的matrix-object data fuzzy k-modes(MD fuzzy k-modes)聚类算法.该算法结合模糊集的概念引入模糊因子β,重新定义了矩阵对象间的相异性度量,并给出类中心的启发式更新算法.最后,在5个真实数据集上验证了MD fuzzy k-modes算法的有效性,并分析了模糊因子β与隶属度w之间的关系.大数据时代,利用MD fuzzy k-modes算法对多条记录进行聚类,能更易发现顾客的消费偏好,从而做出更有针对性的推荐.

关键词：矩阵对象数据 MD fuzzy k-modes算法相异性度量类中心聚类

在线全文

学校读者我要写书评

暂无评论

基于结构相似性的k-modes算法

计算机工程与应用 2017年第23期53卷 102-107页

作者：黄苑华谢峰郝志峰蔡瑞初广东工业大学应用数学学院广州510520 佛山科技技术学院数学与大数据学院广东佛山528000 广东工业大学计算机学院广州510006

聚类是数据挖掘中重要的技术之一,它是按照相似原则将数据进行分类。然而分类型数据的聚类是学习算法中重要而又棘手的问题。传统的k-modes算法采用简单的0-1匹配方法定义两个属性值之间的相异度,没有将整个数据集的分布考虑进来,导致... 详细信息

聚类是数据挖掘中重要的技术之一,它是按照相似原则将数据进行分类。然而分类型数据的聚类是学习算法中重要而又棘手的问题。传统的k-modes算法采用简单的0-1匹配方法定义两个属性值之间的相异度,没有将整个数据集的分布考虑进来,导致差异性度量不够准确。针对这个问题,提出基于结构相似性的k-modes算法。该算法不仅考虑属性值它们本身的异同,而且考虑了它们在其他属性下所处的结构。从集群识别和准确率两个方面进行仿真实验,表明基于结构相似性的k-modes算法在伸缩性和准确率方面更有效。

关键词：聚类分析分类型数据相异度度量结构相似性 k-modes算法

针对混合型分类数据改进的k-modes算法距离公式

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2020年第6期56卷 186-193页

作者：袁方杨有龙西安电子科技大学数学与统计学院

传统k-modes算法在分类属性聚类中有着广泛的应用,但是传统算法并不区分有序分类属性与无序分类属性。在区分这两种属性的基础上,提出了一种新的距离公式,并优化了算法流程。基于无序分类属性的距离数值,确定了有序分类属性相邻属性值... 详细信息

传统k-modes算法在分类属性聚类中有着广泛的应用,但是传统算法并不区分有序分类属性与无序分类属性。在区分这两种属性的基础上,提出了一种新的距离公式,并优化了算法流程。基于无序分类属性的距离数值,确定了有序分类属性相邻属性值之间距离数值的合理范围。借助有序分类属性蕴含的顺序关系,构建了有序分类属性的距离公式。计算样本点与质心距离之时,引入了簇内各属性值的比例作为总体距离公式的重要参数。综上,新的距离公式良好地刻画了有序分类属性的距离,并且平衡了两种不同分类属性距离公式之间的差异性。实验结果表明,提出的改进算法和距离公式在UCI真实数据集上比原始k-modes算法及其改进算法均有显著的效果。

关键词： k-modes算法有序分类属性混合型数据混合型数据距离公式

在线全文

学校读者我要写书评

暂无评论

基于相互依存冗余度量的k-modes算法

小型微型计算机系统 2016年第8期37卷 1790-1793页

作者：黄苑华郝志峰蔡瑞初谢峰广东工业大学应用数学学院广州510006 广东工业大学计算机学院广州510006

距离度量是聚类算法的基础,它对算法的效果有很大的影响.然而分类型数据的聚类是学习算法中重要而棘手的问题.传统的k-modes算法采用0-1匹配方法定义每两个对象属性值之间的距离,忽视了属性间的相互关系对距离的影响.针对这个问题,本文... 详细信息

距离度量是聚类算法的基础,它对算法的效果有很大的影响.然而分类型数据的聚类是学习算法中重要而棘手的问题.传统的k-modes算法采用0-1匹配方法定义每两个对象属性值之间的距离,忽视了属性间的相互关系对距离的影响.针对这个问题,本文基于相互依存冗余度量定义了一种新的距离,该距离由内部距离和外部距离两个部分决定.这种度量方法不仅表现出某个属性本身的差异性,而且表现出其他属性对该属性的影响程度.本文与基于其他距离度量的k-modes算法进行实验比较,结果表明基于相互依存冗余度量的k-modes算法能有效地提高算法的聚类精度.

关键词： k-modes算法分类型属性相互依存冗余度量

在线全文

学校读者我要写书评

暂无评论

基于粗糙集的改进k-modes聚类算法

计算机科学 2009年第1期36卷 162-164,176页

作者：白亮梁吉业曹付元计算智能与中文信息处理教育部重点实验室太原030006 山西大学计算机与信息技术学院太原030006

传统的k-modes算法采用简单匹配的方法来计算对象之间的距离,并没有充分考虑同一属性下的两个不同值之间的相似性。基于粗糙集中的上、下近似,提出了一种新的距离度量,并重新定义了类中心,对传统k-modes算法进行了改进。与其他改进k-Mo... 详细信息

传统的k-modes算法采用简单匹配的方法来计算对象之间的距离,并没有充分考虑同一属性下的两个不同值之间的相似性。基于粗糙集中的上、下近似,提出了一种新的距离度量,并重新定义了类中心,对传统k-modes算法进行了改进。与其他改进k-modes算法进行了比较,实验结果表明,基于粗糙集的改进k-modes算法有效地提高了聚类精度。

关键词：聚类算法粗糙集距离度量 k-modes算法

在线全文

学校读者我要写书评

暂无评论

基于动态权重的k-modes聚类算法

基于动态权重的k-modes聚类算法

作者：刘逗逗延安大学

学位级别：硕士

随着信息技术的迅猛发展,数据的规模与日俱增、类型日益复杂,如何对现实中海量数据进行有效的处理、分析和应用成为迫在眉睫的课题。在这样的背景形势下,数据挖掘技术应运而生,而且在各行各业得到了广泛应用。聚类分析是数据挖掘领域最... 详细信息

随着信息技术的迅猛发展,数据的规模与日俱增、类型日益复杂,如何对现实中海量数据进行有效的处理、分析和应用成为迫在眉睫的课题。在这样的背景形势下,数据挖掘技术应运而生,而且在各行各业得到了广泛应用。聚类分析是数据挖掘领域最重要的分支之一,是根据某种相似度度量对数据集进行划分的数据挖掘技术。目前,数值型数据的聚类分析取得了很多成果,但实际的数据库和大型数据集不仅包括数值型数据,也包括大量的分类属性数据,如生物信息数据、疫情防控数据等。由于分类型数据不具有数值型数据固有的几何特性,针对数值型数据的聚类方法并不适用于分类型数据的聚类。因此,研究分类型数据聚类分析算法是非常必要的。论文详细介绍了聚类分析的概念及聚类分析中常用的数据结构、相似度量、目标函数等,分析了k-modes算法及其各种改进算法,对算法在相异度度量和初始中心选择两方面进行了改进,具体工作如下:(1)以信息共现知识为基础,基于数据对象属性之间的相互依存关系,建立了数据集属性之间的依存关联矩阵,提出了一种加权相互依存冗余度的距离度量方法,定义数据对象属性值之间的距离由内部距离和外部距离两部分的加权和组成,两个数据的距离为数据对象所有属性值之间距离的和。在具体计算时,一方面,内部距离采用传统k-modes算法的简单匹配相异度度量,体现两个不同对象属性值本身的异同;另一方面,外部距离利用属性之间的相互依存关联矩阵,对相互依存冗余度度量公式进行加权,体现其他属性与该属性的关联程度。(2)提出一种基于密度与距离的动态权重初始中心选择方法。该算法的主要思想是:第一,在初始中心选择过程中,基于待选点的距离,动态调整距离与密度线性相加时的权重,距离越远,密度的权重系数越大,距离越近,密度的权重系数越小,使候选初始中心尽量远离己选择的初始中心,同时不会丢失数据密集区的簇,使所选初始中心具有分布性。第二,动态调整密度计算时的半径,距离越远,半径越小,以避免选择到离已选的初始中心较远、周围相邻对象较多但分布相对松散的数据点和离群点,尽量选择到离已选的初始中心较远、但相对密度较大簇中的点,使所选初始中心具有区分性。第三,结合基于改进距离的离群点检测技术,依据数据点的离群因子,进一步筛选候选初始中心,将离群因子较大的点从候选中心集中剔除,确保选到合适的初始中心。实验结果表明,基于本文的距离度量和初始中心选择方法的改进k-modes算法,与传统的k-modes算法和其他改进k-modes算法相比,提高了算法的准确率与精度,降低了算法对初始中心选取的敏感度,证明了该算法的有效性。

关键词：聚类分析 k-modes算法分类型数据相异度度量动态权重初始中心选择

k-modes算法与神经网络在教学评价与学习预测中的应用研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

K-modes算法与神经网络在教学评价与学习预测中的应用研究

作者：崔桓睿延安大学

学位级别：硕士

随着大数据、云计算、人工智能等技术在各高等学校数字化校园、智慧化校园建设的广泛应用。在教育大数据环境下,高校用好这些数据,不仅影响着高等学校整个教育教学体系的有序运行,而且也必将成为助力高等学校推动教育教学体系改革、创... 详细信息

随着大数据、云计算、人工智能等技术在各高等学校数字化校园、智慧化校园建设的广泛应用。在教育大数据环境下,高校用好这些数据,不仅影响着高等学校整个教育教学体系的有序运行,而且也必将成为助力高等学校推动教育教学体系改革、创新的不竭动力。本文以Y校学生评教数据和学生在线学习数据为研究对象,聚焦教学运行情况和学生自主学习情况,利用基于改进的k-modes算法对课堂教学运行状况进行了聚类分析,利用基于机器学习的神经网络算法对学生在线课程学习情况进行了预测和对比研究,希望能对高校教学管理体系构建和教学管理体系改革、创新提供有意义的参考。主要开展了两项研究工作:一是通过对某高校学生评教数据进行了初步的分析和变换,利用改进的余弦相异度算法对异常评教数据进行了剔除,采用归一化方法对评教数据进行了标准化,采用传统的k-modes算法对评教数据进行了初步的聚类分析,指出其存在的三个方面问题,并基于这三个问题,从聚类族数确定、初始聚类中心确定和聚类距离度量等三个方面对传统的k-modes算法进行了改进,实验结果表明,改进后的算法更合理性和有效性。二是对某高校学生在线学习数据进行规格化处理,建立了基于机器学习的神经网络模型,并对同一门课程同一名教师不同班级、同一门课程不同教师在不同班级、不同课程不同教师不同班级等三种情况进行预测,结果表明模型具有较好的适应性;在此基础上,将该模型与传统的回归分析模型预测结果进行对比,实验结果表明该模型在各项指标上都优于回归分析结果。本文尽管以某高校真实数据为研究对象,对教学运行状态及学生在线学习等两个方面进行了一些有意的探索,也得出了一些有一定参考价值的初步结论,但是由于时间比较仓促,加之个人的能力有限,还没有形成比较系统的软件,后续将会继续开展研究工作,为教学管理者、教师、学生能够及时、准确地掌握真实的教学状况,不断提升教学质量。

关键词：教育大数据异常数据检测 k-modes算法教学状况评价神经网络算法学习效果预测