大數據環(huán)境下群體計算任務分配和關聯分析算法的優(yōu)化研究.pdf_第1頁
已閱讀1頁,還剩58頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著大數據時代到來,數據規(guī)模劇增。盡管大數據帶來了豐富的信息和知識,但大數據的規(guī)模繁雜性、高速增長性、形式多樣性和價值密度低等特點也對傳統(tǒng)數據處理技術帶來了嚴峻的挑戰(zhàn)。因此,亟須適應于大數據環(huán)境的大數據處理技術。
  大數據處理技術可以劃分為:人機協作群體計算技術和數據處理算法技術。本文已在這兩方面開展了研究工作,取得了如下兩方面的研究成果:
  (一)在人機協作群體計算技術方面,針對大數據任務對復雜認知推理技術的依賴問題,

2、主要通過優(yōu)化群體計算的方法來解決。其中合理的分配策略是計算的重要階段,本文提出了一種基于用戶主題精確感知的大數據群體任務分配算法。為了提高計算的準確率,首先通過基于自適應模糊聚類與主題提取模型相結合的方法,提取已發(fā)布群體任務的主題;然后構建特定群體任務模型和用戶模型,并計算關聯度;再利用已提交高質量答案的歷史任務迭代地檢測新用戶的真實主題并計算初始準確率;其次,通過邏輯回歸(LR)方法預測用戶能參與到某類任務的可能性并得到參與用戶候選序

3、列,在充分了解用戶真實主題和對應主題上的準確率以及用戶誠信度的情況下進行精準分配。最后通過實驗,驗證本文所研究算法更精準,尤其適用于大數據環(huán)境,并一定程度上節(jié)約了隨機算法需多次重復分配確保準確率的花銷。
 ?。ǘ┰跀祿幚硭惴夹g方面,針對海量數據處理的效率需求問題,本文提出了一種基于云計算的改進算法并行化方法。傳統(tǒng)算法已不能滿足對大數據的處理需求。其中,關聯分析算法是數據處理技術的研究熱點之一。本文對關聯分析Apriori算法

4、的改進工作主要包括兩部分內容:首先,提出了一種基于矩陣的Apriori算法改進方法(M_Apriori),該方法的創(chuàng)新之處在于構造矩陣的方式和計算步驟的改變,算法采用基于矩陣的數據結構進行存儲與處理,只需掃描一次數據庫,減少了數據庫I/O開銷,通過構造支持頻數矩陣,利用邏輯“與”運算對算法核心操作步驟(連接與剪枝)進行改進,并進行了理論驗證與分析。然后提出了一種基于Spark的M_Apriori算法并行化方法(SPM_Apriori),

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,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,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。

評論

0/150

提交評論