小团队结对编程实践研究和重构

结对编程是两个软件开发者在一台电脑前一起工作的一种编程实践，是极限编程方法的基础。对于软件产品的开发，人的知识是项目成功的重要因素。在组织的软件过程改进中，合适地引入结对编程，有利于知识的共享并营造团队合作的氛围，进而改善产品质量和缩短完成时间。不同规模的组织采用的软件过程的不同，对结对编程的引入会有不同的影响，所以在实践中结对编程的重构是必需的。基于小型组织和敏捷过程的项目实践，给出了一个切合实际的结对编程重构方案，进而提高小团队的生产效率。     

电子商务环境下基于移动Agent的Web数据挖掘

针对目前电子商务环境下Web数据挖掘所面临的问题，结合移动Agcnt技术优点，提出了一种新的解决方案，即把各挖掘算法集中到移动Agcnt子系统中，并根据要求动态地创建，然后派遣它们到各商务数据站点数据库中进行数据挖掘。给出了移动Agent系统和整个挖掘系统的设计框架以及工作过程。     

基于XML的网络课件环境中搜索引擎的实现

在网络课件中加入信息搜索功能有利于方便学习者快速定位欲学习内容。首先介绍了基于Java的英文全文索引引擎Lucene,然后分析了现有的中文切分技术,最后给出了针对课件文件特点改进的中英文搜索引擎的实现方法。     

基于粗集理论的冗余分割点约简

分析了当前研究中常用的离散化方法，提出了一种基于粗集理论的离散化分析方法，在保持所要求的分类能力不变的情况下，发现并删除冗余分割点，对原离散结果进行简化，从而有效减小挖掘算法的搜索空间。     

用页组拓扑平均距离改善页面聚类算法

提出一种支持站点结构优化的页面聚类改进算法,通过引入图论中的拓扑平均距离,量化评估与挖掘站点结构中访问效率较低的内容文档集合为结构优化的兴趣页组,挖掘的页组具有更高的兴趣性,并将兴趣页组挖掘算法融入到拓扑优化算法中.实验结果表明改进算法能更好地优化站点结构,较一般算法收敛性好.     

基于用户重购行为的产品推荐方法

重复购买是消费者日常消费决策中的常见现象,考虑用户重购行为对于提升产品个性化推荐准确性至关重要.然而针对用户重购行为建模和预测的研究工作相对较少,还有很多问题有待解决.已有推荐技术主要通过深度挖掘产品、用户或时间某一层面信息来进行重购产品推荐,忽略了对多层次信息融合建模方法的研究,同时也忽略了重购推荐结果的可解释性需求.因此,融合多层次用户偏好信息,构建了具有双层注意力机制的可解释用户重复消费推荐方法.该方法融合注意力机制和指针生成网络,多层次提取并学习用户重购偏好,同时基于信息处理理论构建S型用户重购动态偏好函数,融合产品流行度信息进行重购产品和新颖产品的混合推荐,提高了模型可解释性和准确性.真实数据集上的实验结果表明,所提方法在多个性能指标上都优于对比方法,且学习出的参数具备较好的可解释性.此外,通过回归分析验证了S型重购动态偏好函数的可信性,进一步增强了理论的可解释性.     

基于决策树的医疗数据分析

介绍了决策树的概念和生成过程，仔细研究了决策树的几种技术，并将它们集成到作者的决策树分析系统中，在分析了医疗数据之内后，提出了今后决策树研究的一个重要方向。     

领域同义特征词的统计规律及其在情感分析上的应用研究

为了研究同义特征词的规律及其对情感分析的影响,基于大规模语料库的统计学习方法,发现如果将每一个特征词的所有同义特征词组成特征词组,词组中的同义特征词按照自身在语料库中出现的频率从大到小排列,那么同义特征词在词组中出现的频率与该词在词组中的名次存在幂函数关系：y＝β0xβ1。将特征代表词的同义特征词所对应的情感词加入到该特征代表词的情感词集中,可以有效提高特征代表词的情感分析的准确性。     

考虑用户特征的主题情感联合模型

现有的主题情感联合（JST）模型能够同时识别文本中的主题和情感,但是现有的JST模型主要是对文本内容建模,没有考虑用户特征,导致情感分析结果出现用户人口统计偏差和行为事件偏差。提出了考虑用户特征的主题情感联合（JUST）模型,JUST模型的主要改进之处在于,将用户特征加入模型,以文档所对应的用户特征的线性函数作为文档-情感分布的先验,由此得到具有不同特征的用户群体的情感倾向。在汽车之家网站（www.autohome.com.cn）的13252条汽车评论数据集上,检验了JUST模型的有效性,实验结果表明,加入用户特征的JUST模型情感分类效果优于JST模型和TSMMF模型,同时比较了汽车之家网站上不同特征用户之间的关注主题情感差异。     

知识发现的过程驱动策略

1 概述随着管理信息系统的广泛使用,沉积的数据越来越多,如何有效地使用、分析这些数据,使其对人们的决策起到支持作用,是目前人工智能领域和管理信息系统领域研究的主要内容之一,知识发现(KnowledgeDiscovery in Databases,KDD)为上述研究提供了有效的工具。本文详细分析了知识发现过程所要完成的任务,并介绍了知识发现的过程驱动策略及相关的操作和技术。2 KDD处理过程知识发现又称数据挖掘,是指从大量数据中提取可信的、新颖的、有效的并最终能被人理解的模式的处理过程。知识的概念在这里是有量度的,它必须具有有用、有效、新颖、易懂等特点;知识发现是一般包括实验、反复、用户的交互作用以及许多初步的决策、定制等步骤的处理过程,该过程是复杂的、艰难的。