版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、近年來,諸如國外的Twitter、Facebook、Instagram、LinkedIn以及國內(nèi)的新浪微博、微信等各種社交軟件猶如雨后春筍般悄無聲息地進入了人們的生活。在利用這些社交平臺的同時,其所產(chǎn)生的數(shù)據(jù)也隱藏著巨大的經(jīng)濟價值以及社會價值。但由于網(wǎng)絡(luò)流媒體自身特征,如數(shù)據(jù)量巨大、數(shù)據(jù)產(chǎn)生速度快、到達次序雜亂無章、數(shù)據(jù)只能被有限次處理等,網(wǎng)絡(luò)數(shù)據(jù)流挖掘?qū)θ藗兲岢隽司薮蟮奶魬?zhàn)。
本文首先利用從新浪微博平臺所獲取的流媒體文本數(shù)據(jù)
2、及用戶信息,在傳統(tǒng)的密度聚類算法DBSCAN基礎(chǔ)上,設(shè)計了一種基于用戶信息的社交流文本聚類算法DBSCAN-IB。該算法在歷史簇與當前窗口簇合并時,充分利用了用戶信息,將用戶信息作為簇合并的一個測度因子,其挖掘結(jié)果更精確。其次,在對事件的頻繁項集挖掘上,提出了一種支持項集元素計數(shù)的頻繁項集挖掘算法FP-growth-EC。FP-growth-EC是對頻繁模式增長算法的拓展。在頻繁模式樹構(gòu)造時,將項集元素計數(shù)信息加入至項集末尾元素所對應(yīng)的
3、節(jié)點中;同時,在頻繁項集挖掘時,合并當前節(jié)點與孩子節(jié)點計數(shù)信息。通過對頻繁模式樹 FP-Tree節(jié)點增加計數(shù)因子的方式,F(xiàn)P-growth-EC不僅能夠挖掘出頻繁項集,而且能夠獲得頻繁項集元素的計數(shù)信息。
實驗結(jié)果表明:①DBSCAN-IB與不帶用戶信息的社交流聚類算法相比,前者對“魏則西事件”的檢測更準確。②使用FP-growth-EC與不加計數(shù)因子的元素計數(shù)頻繁項集挖掘算法,對十套隨機生成的帶元素計數(shù)的頻繁項集進行求解,F(xiàn)
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 最大頻繁項集和頻繁基項集挖掘算法研究.pdf
- 頻繁閉合項集挖掘研究.pdf
- 挖掘正相關(guān)的頻繁項集.pdf
- 基于待與項集的頻繁項集挖掘算法的研究.pdf
- 頻繁項集挖掘問題的研究.pdf
- 頻繁閉項集挖掘算法研究.pdf
- 快速頻繁項集挖掘算法研究.pdf
- 最大頻繁項集挖掘算法的研究.pdf
- 基于OpenCL的頻繁項集挖掘研究.pdf
- 數(shù)據(jù)流頻繁項集挖掘研究.pdf
- 基于格的快速頻繁項集挖掘算法
- 基于矩陣的頻繁項集挖掘算法研究.pdf
- 基于閉頻繁項集的Web日志挖掘.pdf
- 頻繁項集挖掘算法的并行化研究.pdf
- 用于挖掘頻繁項集的剪枝策略(NTEP).pdf
- 頻繁項集快速挖掘算法研究及應(yīng)用
- 頻繁項集快速挖掘算法研究及應(yīng)用.pdf
- 數(shù)據(jù)流中頻繁項集挖掘研究.pdf
- ToP-K頻繁項集挖掘算法研究.pdf
- 基于頻繁模式樹的最大頻繁項集挖掘算法研究.pdf
評論
0/150
提交評論