基于归纳化会话的网络用户的聚类

为了发掘具有相似的访问兴趣的网络用户,探讨了网络用户聚类的问题。网络用户的访问信息从服务器日志文件中抽取出来,组织成会话向量的形式,会话描述为一段时间内用户向服务器发出一系列访问请求。为了减少会话向量的维度,根据网页的层次性,采用面向属性的推理方法,对这些会话进行了归纳,并且定义了一个新的距离测度来描述两个会话之间的相似度,最后采用某种非欧几里德的关系聚类算法聚类这些归纳化的会话。实验表明,这种方法对在大型的日志文件集中挖掘出有意义的网络用户的分类是高效可行的。     

发现含有第一类项目约束的频繁集的快速算法

与Apriori-like类型的算法相比,Zaki提出的基于垂直数据库结构及基于网络理论的算法将关联规则挖掘的运行速度提高了一个数量级,并且这些算法非常适合挖掘低支持度、长模式的关联规则。以Ecalt算法为原型,讨论了如何将项目约束引入关联规则挖掘过程的问题,从理论上证明了引入约束后的Eclat＋算法可以大大提高算法的效率和速度,并对相关的算法进行了比较。     

约束关联规则的增量式维护算法

关联规则的挖掘是一个重要的数据挖掘问题,在关联规则的挖掘过程中加入约束条件,是实现用户参与挖掘的一种方式。在有约束的关联规则挖掘过程中,用户会不断调整约束条件,并要求更新挖掘结果。针对这种情况,提出了约束关联规则的增量式维护算法Separate_M,当约束条件发生变化时,在原有挖掘结果的基础上实现增量式更新,较重新运行Separate算法而言,减小了搜索空间,节约了时间,提高了挖掘效率。     

基于多媒体多智能Agents系统的群体决策支持系统集成化设计研究

分析了Ｄeｓａｎｅｔｉｓ＆Ｇａｌｌｕｐｅ群体决策支持系统（Ｇｒｏｕｐ Ｄｅｃｉｓｉｏｎ Ｓｕｐｐｏｒｔ,简称ＧＤＳＳ）初步设计的通用模式,提出了将多媒体技术、智能Ａｇeｎｔs技术、数据仓库技术Ｉｎｔｅｒｎｅｔ／Ｉｎｔｒａｎｅｔ技术等有机地集成于ＧＤＳＳ的集成化设计方案,并就其关键技术功能结构方案设计进行了研究．     

多概念层次上基于赋范划分距离的分类算法

应用知识发现理论与方法从大型考生信息数据库中提取隐含的、前所未知的、对决策有潜在价值的知识和规则,是当前计算机教育应用的新课题。根据网上远程考试与评价系统的特点,讨论了挖掘的目标规则类型及其挖掘算法。针对ID3算法的不足,提出了一种新的分类算法－多概念层次上基于赋范划分距离的分类算法,简要介绍了XML在知识发现过程中的应用。     

基于RS理论的过程企业生产工艺数据挖掘

在简要回顾了模糊控制、人工神经网络控制和粗糙控制的基本原理与特点之后,提出了运用RS理论对过程企业生产工艺数据进行挖掘以得到有关生产工艺过程控制规则的方法,用以辅助操作人员不断总结经验,提高操作水平,是上述智能控制方法的极好补充。     

计算机免疫识别规则的演化挖掘

识别器的构造是计算机免疫学的一个重要研究方向。提出一种构造识别器的演化算法,其核心思想是采用数据挖掘的方法从Self集和nonself集中挖掘识别规则,这些识别规则能够反映出Self和nonself的一些内在特征,因此有很好的识别能力。     

数据挖掘及其技术实现

数据挖掘解决在信息技术发展中存在的拥有大量数据但缺乏有用信息的问题,完成从业务数据到决策信息的转换。本论述了数据挖掘的概念及其工作流程,针对不同的功能类型对数据挖掘的技术实现进行了分析,并且阐明了数据挖掘设计和实现中的若干关键问题。     

数据开采算法与数据库管理系统的接口设计

对大型数据库进行数据开采时,数据抽取问题及数据库和开采算法的接口设计就变得十分重要,通过定义SQL数据开采抽取器,设计了数据开采算法和数据库管理系统接口的框架体系,并通过常用的数据开采算法C4.5说明了这种标准的SQL数据开采抽取器的适用性。     

Privacy-preserving boosting

We describe two algorithms, BiBoost (Bipartite Boosting) and MultBoost (Multiparty Boosting), that allow two or more participants to construct a boosting classifier without explicitly sharing their data sets. We analyze both the computational and the security aspects of the algorithms. The algorithms inherit the excellent generalization performance of AdaBoost. Experiments indicate that the algorithms are better than AdaBoost executed separately by the participants, and that, independently of the number of participants, they perform close to AdaBoost executed using the entire data set. Responsible Editor: Charu Aggarwal.