POI用户模型的重构与优化

Apache POI中的用户模型是目前用于处理Excel数据的最为广泛的应用技术,但用户模型存在许多明显的弊端。本文将以一个学生档案管理系统为例,对用户模型中存在的问题以及产生问题的原因进行分析,并针对这些问题,借用面向过程的设计思想对用户模型进行优化和改进。使用不同规模的数据量对改进前后的用户模型进行测试,并对测试结果进行比较和分析,最终在一定程度上解决了用户模型的弊端,提升了用户模型的性能。     

大学生包车服务平台用户满意度研究

目前包车市场极其火爆,其中了解用户满意度对市场竞争尤为重要。以大学生包车服务平台为主体,构建用户满意度评价体系,并用层次分析法计算各指标权重,根据指标体系设计用户满意度调查问卷,采用SPSS软件对问卷进行有效性分析并构建结构方程,依据各指标用户满意度分析平台存在的问题,并提出改进方案。     

用户多兴趣下的个性化推荐算法分析

目前,客户关系管理的一项重要内容为电子的商务个性化推荐。协同过滤算法是运用范围最广的推荐技术,但传统协同过滤推荐算法不适合多兴趣用户的推荐,则在此基础上通过协同过滤、项目协同过滤算法等,计算目标项目相似集,并在目标相似集中运用协同过滤算法处理。基于此,剖析用户多兴趣下的个性化推荐算法,并结合用户多需求的特点,总结个性推荐算法的优势,旨在通过完善算法推荐,实现个性化推荐算法与传统算法的融合,提高用户的体验满意度,充分展现个性化推荐算法的应用价值。     

基于NR-Transformer的集群作业运行时间预测

高性能集群的作业调度通常使用作业调度系统来实现，准确填写作业运行时间能在很大程度上提升作业调度效率。现有的研究通常使用机器学习的预测方式，在预测精度和实用性上还存在一定的提升空间。为了进一步提高集群作业运行时间预测的准确率，考虑先对集群作业日志进行聚类，将作业类别信息添加到作业特征中，再使用基于注意力机制的NR-Transformer网络对作业日志数据建模和预测。在数据处理上，根据与预测目标的相关性、特征的完整性和数据的有效性，从历史日志数据集中筛选出7维特征，并按作业运行时间的长度将其划分为多个作业集，再对各作业集分别进行训练和预测。实验结果表明，相比于传统机器学习和BP神经网络，时序神经网络结构有更好的预测性能，其中NR-Transformer在各作业集上都有较好的性能。     

面向用户需求的工程机械外观防护装置设计

从用户需求的角度出发进行工程机械外观防护装置的设计,对提升用户满意度有一定意义。分析了工程机械外观防护装置的特点,从防护性能、维修方便性、操作舒适性及外观风格4个方面对用户需求进行了阐述。以混凝土泵车外观防护装置为例,论述了收集、提取、分析用户需求及设计实践的过程,也为工程机械其他产品外观防护装置的设计提供了参考。     

大数据趋势下的搜索引擎用户信息安全研究

在经济的推动之下,科学信息技术得到突飞猛进的发展,大数据、云计算应运而生。文章阐述了大数据趋势下,搜索引擎用户信息安全的现状,分析了目前存在的问题,最后提出了有效的路径。     

基于机器学习的用户实体行为分析技术在账号异常检测中的应用

伴随企业业务的不断扩增和电子化发展,企业自身数据和负载数据都开始暴增。然而,作为企业核心资产之一的内部数据,却面临着日益严峻的安全威胁。越来越多以周期长、频率低、隐蔽强为典型特征的非明显攻击绕过传统安全检测方法,对大量数据造成损毁。当前,用户实体行为分析(User and Entity Behavior Analytics,UEBA)系统正作为一种新兴的异常用户检测体系在逐步颠覆传统防御手段,开启网络安全保卫从“被动防御”到“主动出击”的新篇章。因此,将主要介绍UEBA在企业异常用户检测中的应用情况。首先,通过用户、实体、行为三要素的关联,整合可以反映用户行为基线的各类数据;其次,定义4类特征提取维度,有效提取几十种最能反映用户异常的基础特征;再次,将3种异常检测算法通过集成学习方法用于异常用户建模;最后,通过异常打分,定位异常风险最大的一批用户。在实践中,对排名前10的异常用户进行排查,证明安恒信息的UEBA落地方式在异常用户检测中极其高效。