数据挖掘与实证经济学

在介绍数据挖掘的概念、方法以及实证经济学发展的基础上,本文提出应该把数据挖掘的方法技术引入和应用到实证经济分析中去,以促进经济学的现代化、科学化.     

试题质量评价研究

教学过程的规范化管理是保证教学质量的重要手段。考试是对教和学的效果的检验，是教学过程管理规范化必须要解决的问题，一直受到教学管理部门的重视，采取了多项措施解决有关问题，其中一个重要的手段是采用试题库。在采用试题库时，必须要有高质量的试题作保证。本探讨基于KDD技术的试题质量评价方法和指标，并通过实例来说明其有效性。     

基于模糊评价的学生综合素质挖掘方法

运用数据挖掘思想，运用模糊数学中的综合评判方法对学生信息管理系统中的学生成绩进行挖掘，得到学生综合素质分类，为教育管理中运用数据挖掘这一前沿信息技术提供了示例。     

房地产业上市公司的统计数据挖掘分析研究

应用统计类数据挖掘技术对房地产业上市公司财务进行了分析。即搜集十五个房地产业上市公司的主要财务指标进行因子分析,用提取主成份的方法缩减变数,归纳出影响公司财务状况的四个主要因素。然后,对十五家房地产上市公司进行聚类分析,划分各公司的经营等级。最后,结合因子分析与聚类分析的结果对各公司的经营状况进行了综合评价,并以此指导投资者和经营管理者做出正确的决策。     

基于KL-散度的智能电网用户特征提取方法

智能电网技术的发展,使得传统电力系统的规模及复杂度大大增加,同时产生了大量的用电数据,如何有效利用数据挖掘技术,从这些海量数据中挖掘出有潜在价值的信息,成为了当前电力系统分析中的一个挑战性问题。首先根据不同的时间段,将用户的用电数据进行划分,在分析每段时间内用户用电数据的基础上,采用KL-divergence（KL-散度）方法衡量用户差异,并结合基于密度改进的K-means算法,给出了一种新的用户特征提取算法,用以描述电网用户的特征差异,从而实现针对不同类别用户制定不同电力营销策略,这在一定程度上能够提高企业经济效益。最后,算例仿真结果表明,所给出的用户特征提取算法在计算的时间效率和准确性上,较传统方法都有了明显的提升。     

面向决策的知识发现或数据挖掘

分析总结了知识发现或数据挖掘的几种比较有价值的应用方向，即发现客户与需求、监测和预测变化、为增效减损的决策提供信息。     

基于可分解马尔科夫网的视频图像检测方法研究

研究了可分解马尔科夫网的概念、方法,分析了可分解马尔科夫网在序列图像数据挖掘中的作用与意义,并直接将马尔科夫网的结构作为决策或推理依据,应用于问题求解,拓广了可分解马尔科夫网应用的可能性;以真实交通违章的视频图像为例,以多种粒度(节点数)广泛研究建立视频图像间的可分解马尔科夫网并分析其对问题的适用性,通过网络结构分析来检测视频图像间的差异,从而发现某种有意义的模式(例如,交通违章);仿真结果表明所提方法具有实用价值和较好效果;研究结果表明可分解马尔科夫网可以很好地揭示数据间的抽象近邻关系,并且这种网络具有很好的知识表达和逻辑推理的作用,是重要的模式识别方法。     

从支持向量机到非平行支持向量机

非平行支持向量机是支持向量机的延伸,受到了广泛的关注.非平行支持向量机构造允许非平行的支撑超平面,可以描述不同类别之间的数据分布差异,从而适用于更广泛的问题.然而,对非平行支持向量机模型与支持向量机模型之间的关系研究较少,且尚未有等价于标准支持向量机模型的非平行支持向量机模型.从支持向量机出发,构造出新的非平行支持向量机模型,该模型不仅可以退化为标准支持向量机,保留了支持向量机的稀疏性和核函数可扩展性.同时,可以描述不同类别之间的数据分布差异,适用于更广泛的非平行结构数据等.最后,通过实验初步验证了所提模型的有效性.     

一种基于集成学习的试题多知识点标注方法

个性化试题推荐、试题难度预测、学习者建模等教育数据挖掘任务需要使用到学生作答数据资源及试题知识点标注,现阶段的试题数据都是由人工标注知识点。因此,利用机器学习方法自动标注试题知识点是一项迫切的需求。针对海量试题资源情况下的试题知识点自动标注问题,本文提出了一种基于集成学习的试题多知识点标注方法。首先,形式化定义了试题知识点标注问题,并借助教材目录和领域知识构建知识点的知识图谱作为类别标签。其次,采用基于集成学习的方法训练多个支持向量机作为基分类器,筛选出表现优异的基分类器进行集成,构建出试题多知识点标注模型。最后,以某在线教育平台数据库中的高中数学试题为实验数据集,应用所提方法预测试题考察的知识点,取得了较好的效果。     

一种交互式自动挖掘知识的模型

提出一种交互式自动挖掘知识的模型,论述了该模型的原理、实现机制,并讨论了模型中数据宝藏和影响域及其相互关系．该模型同时具有在线性与深入挖掘的优点,能灵活有效地满足实际应用的需求．