一种基于Spark平台的并行化频繁项集挖掘方法

    公开(公告)号:CN119475261A

    公开(公告)日:2025-02-18

    申请号:CN202411481787.8

    申请日:2024-10-23

    Applicant: 华侨大学

    Abstract: 本发明提供一种基于Spark平台的并行化频繁项集挖掘方法,属于频繁模式挖掘领域,包括:Spark平台将原始数据集划分为多个子数据集并分布式存储于多个子节点,将各子节点存储的子数据集转换为对应的布尔矩阵;通过合并重复事务对布尔矩阵进行更新;各子节点同时对各布尔矩阵进行基于最小支持度阈值的筛选以分别得到各子节点对应的本地频繁项集;将各本地频繁项集汇总到一个中央节点上并形成全局候选集,全局候选集通过广播变量将全局候选集发送至每个子节点上,各子节点获取子全局频繁项集,将各子节点对应的子全局频繁项集进行合并得到全局频繁项集。本发明能够处理更大规模的数据集,更快地找到频繁项集。

    基于IJS-SVM模型的供应链优化方法、装置及可读介质

    公开(公告)号:CN118709859A

    公开(公告)日:2024-09-27

    申请号:CN202411180414.7

    申请日:2024-08-27

    Applicant: 华侨大学

    Abstract: 本发明公开了一种基于IJS‑SVM模型的供应链优化方法、装置及可读介质,涉及数据处理领域,包括:构建三级供应链网络,并建立三级供应链网络的目标函数及其对应的约束条件;构建支持向量机模型,通过改进的水母搜索算法对支持向量机模型进行优化,得到优化后的支持向量机模型,对优化后的支持向量机模型进行训练,得到经训练的支持向量机模型;采用SHAP算法对经训练的支持向量机模型的输出结果进行解释,计算每个不确定因素特征的SHAP值以及每个不确定因素特征的权重值,根据每个不确定因素特征的权重值计算不确定性概率,基于不确定性概率求解目标函数在约束条件下的最优解,得到最优的供应链方案,解决供应链过程中的不确定性问题。

    一种基于隐式反馈的协同过滤算法的优化策略

    公开(公告)号:CN118013137B

    公开(公告)日:2024-06-18

    申请号:CN202410417606.9

    申请日:2024-04-09

    Applicant: 华侨大学

    Abstract: 本发明公开了一种基于隐式反馈的协同过滤算法的优化策略,涉及协同过滤算法推荐领域,包括:基于用户的隐式反馈数据计算用户对交互商品的偏好值及商品热度;根据用户对交互商品的偏好值以及商品集合对每一个用户建立最近邻模型,预测该用户对部分未交互商品的偏好值,并将这部分未交互商品标注为该用户的交互商品;计算用户对所有商品有兴趣或无兴趣的置信度;采用改进ALS优化算法对用户和商品进行建模,获得用户‑商品模型;基于用户‑商品模型实现针对给定用户的商品推荐。本发明用于对隐式反馈数据进行一个高质量的分析,并提高基于隐式反馈数据的模型训练质量,同时有效缓解数据稀疏性带来的消极影响。

    基于鲸鱼算法与随机森林的三级供应链优化方法及装置

    公开(公告)号:CN116911574B

    公开(公告)日:2024-02-02

    申请号:CN202311168407.0

    申请日:2023-09-12

    Applicant: 华侨大学

    Abstract: 本发明公开了一种基于鲸鱼算法与随机森林的三级供应链优化方法及装置,涉及供应链管理领域,包括:构建多产品三级供应链网络以其目标函数和约束条件;构建随机森林模型,通过鲸鱼算法对随机森林模型进行优化,确定决策树数量与各决策树叶节点上所需的最小样本数,得到优化后的随机森林模型;对优化后的随机森林模型进行训练,得到经训练的随机森林模型,获取多产品三级供应链网络中的不确定性因素的特征,将不确定性因素的特征输入经训练的随机森林模型,得到对应的权重值;根据该权重值计算得到不确定性概率,将不确定性概率代入约束条件中,并求取目标函数在约束条件下的最优

Patent Agency Ranking