XML树匹配改进方法的研究论文.pdf

Kmeans算法在模式识别和数据挖掘等领域应用广泛。针对高维度数据聚类效果差的问题，李森林和蒋启明提出了一种改进方法。

挖掘最大频繁项目集是数据挖掘中的核心问题之一。目前，FP-growth算法是最有效的频繁模式挖掘算法之一，但在挖掘最大项目集时存在时空效率不高的问题。为此，结合改进的FP-树，提出了一种高效的算法。改进的FP-树采用单向结构，并优化了存储空间利用，每个节点只保留指向父节点的指针。此外，引入项目序列集及其基本操作，避免了生成大量候选项目集或条件FP-树，能够快速挖掘出所有的最大频繁项目集。实例分析表明，该算法具备实际应用价值。

分类技术是数据挖掘的核心之一，而分类评估领域尤为关注。基于AUC评估方法在评估分类器性能方面具有重要地位，但传统的B-AUC算法存在评价结果偏差、存储空间浪费和搜索效率低下等问题。针对这些不足，提出了BO-AUC评估方法，通过完全二叉树构造思想，将多类别问题转化为独立二类进行成对计算，有效弥补了传统方法的缺陷。实验结果表明，BO-AUC方法在MBNC实验中展现了显著的评估效果。

这里提供了Google关于大数据的三篇著名研究论文的原版PDF下载链接。

SVM算法和朴素贝叶斯分类算法在复杂数据分类中表现优异，但其缺点影响了分类效果。传统数据挖掘算法无法满足海量数据处理需求。为解决这些问题，改进了朴素贝叶斯算法，提出SVM_WNB分类算法，并在Hadoop云平台上实现并行处理，从而处理大数据。实验表明，改进后的算法在准确性和效率上有显著提升，对大数据分类有显著效果。

决策树作为数据挖掘和归纳学习的关键方法之一，其构建效率一直备受关注。传统的ID3算法虽然应用广泛，但存在偏向取值较多属性的缺陷，影响了决策树的泛化能力。为了克服这一问题，该研究引入深度循环神经网络 (DRNN) 的强大学习能力，提出一种基于改进DRNN网络的决策树构建方法。该方法利用DRNN网络对数据进行深度表征学习，提取更具判别性的特征，从而优化决策树的节点分裂过程，最终构建出结构更合理、分类性能更优的决策树模型。

分析了现有频繁模式聚类算法存在的问题，并提出了改进距离函数。在基于模式聚类函数的基础上，引入了压缩偏序算法（FCWSO算法）。实验表明，该算法能够高效、高质量地压缩频繁序列模式，生成更为精简、信息量更大的模式，从而提升发现频繁访问序列的效果。

通过统计分析BitTorrent用户在一段时间内的行为特征，提出一种BitTorrent缓存模式。在此基础上，更大程度地利用缓存空间，提高缓存命中率，并减轻网络运营商的出口压力。

针对现有克隆代码检测工具仅能输出克隆组形式的检测结果，难以分析克隆代码对软件质量的实际影响问题，本研究提出了一种识别危害软件质量的关键克隆代码的新方法。通过定义克隆代码的统一表示形式，使其能够适应各种克隆检测工具的输出结果。进而分析源程序和克隆检测结果，识别标志符命名不一致性潜在缺陷，并引入克隆关联图的概念。该研究检测到了跨越多个实现不同功能的文件中的克隆代码，这些代码可能会危害软件的可维护性。最后，研究通过可视化统计分析了检测结果，成功应用于httpd开源代码分析，发现了一组标志符命名不一致的克隆代码以及44组危害软件可维护性的关键克隆类。实验表明，该方法有效辅助软件开发和维护人员分析和处理克隆代码的问题。