关键词挖掘（共7篇）
关键词挖掘 篇1
0 引言
在科技成果培育的全过程管理中,重大的科技成果往往呈现一定的规律和特征。这些可以看作是科研活动的发展演化在时空历史信息中表现出来的一致性和连续性,并可随着时间或空间进行发展变化。研究表明大多数网络都是一个具有幂律分布的小世界网络[1],科技论文的关键词网络也具有这样的特性。
国外对科技成果评价方法的研究时间已久,既有定性研究也有定量研究,因而评价结果具有严肃性,可信赖度较高。国内虽然在该领域起步较晚,但也逐渐在政策法规制定、指标体系建立和方法研究上取得了一定的进展。另外,当前国内科技项目评价主要还是以同行专家评议为主,尚未见到涵盖成果培育全过程、成体系的、目标明确的评价方法,也没有一套完整的评价机制实现对科技成果从遴选、诊断到产出阶段的全过程综合评价。
专家项目的匹配一直是科研领域的重要问题。现阶段选择专家一般都是采用计算机简单查询辅助人工选择的方式,计算机辅助程度比较低,只是针对数据库查询,没有提供比较好的智能辅助。目前的匹配方法大多是基于关键字的方法,从数据库中查询相关的关键字进行项目与专家的匹配,但这种方法匹配的准确程度不高。文献[14]提出将项目信息文档和专家信息文档转换为两棵本体概念树,通过计算两棵树之间的相似度来判断项目和专家是否匹配。文献[15]在文献[14]的基础上,计算树型概念结构中两个概念节点以及两个树型概念结构之间的语义相似度,进行项目和专家的匹配。文献[16]利用分词工具ICTCLAS[17]和TF-IDF算法[18]对项目申请书和表示专家的文本信息进行文本挖掘和分析,从而选出与项目研究内容最相符的评审专家,解决项目与评审专家的匹配。项目专家的匹配关键在于其关系网络的建立。
项目特征是用关键词来表示的,那么项目中关键词的挖掘就成为重中之重。最早期IBM用词频来提取关键词[2],该方法存在很多弊端,后来又相继出现各种改进的方法。文献[3]用n-grams、NP-chunks、关键词模式三种方法和文档内频率等特征来进行关键词的提取;文献[4]则是基于k-means聚类算法挖掘热点关键词;文献[5]增加了信息的实效性,采用实时跟踪系统,挖掘项目或信息中的热点关键词。这些方法大多数是考虑了词频、词性、词长度等属性。科研项目中的关键词也是采用这些方式,挖掘出关键词后就可以依据其在项目中的共现关系建立关键词网络。同样专家负责的项目的关键词也可作为专家的标签,这样就可以建立项目、关键词、专家的网络关系。
项目—关键词—专家网络建立之后,利用该网络就可挖掘出热点的关键词或者热点项目,从而预测未来的科研趋势或走向。热点关键词挖掘问题在社交网络中用到很多,也有较为成熟的理论和方法。文献[10,11]根据朋友关系建立社交网络,分析评论转发关系挖掘热点关键词;文献[12]引入权重网络的聚类系数从而计算关键词权重挖掘热点关键词;文献[13]提出一种自动话题监测方法,该方法结合了聚类算法迭代特征向量,以跟踪监测挖掘热点关键词;文献[19]通过文本聚类归纳话题,对话题影响力进行计算和分析,从而挖掘出热点话题。文献[20]利用single-pass动态聚类算法对文本进行处理,然后对大的类别做挖掘,因为只有大类别才能反映一些热点事件。微博的跟帖转发蕴含着话题的关联性假设,文献[21]分别采用single-pass、K-means以及K-medoids聚类算法进行话题识别,在话题识别的基础上,综合话题的线索数、精华线索数、回复数、单位时间浏览数等信息来识别热点话题。然而在科研项目中,热点关键词及热点项目挖掘的研究少之又少。
目前电力领域网络建立以及热点关键词挖掘大多只考虑关键词词频,没有形成一个成熟完整的体系。本文针对这种现状,对电网领域科研项目数据库研究,提出一种双层结构的专家—项目网络。利用该结构挖掘出热点关键词及热点项目的方法,并将该方法部署到实际的电力数据中,验证了该方法对于挖掘热点关键词及热点项目的正确性。对比与社交网络中建立关联网络,并采用分类聚类等方法来挖掘热点关键词,本文综合考虑关键词出现的频数、负责项目的专家的专业影响力来计算关键词的热点程度,从而挖掘热点关键词。最大的不同在于文中提出的双层网络结构模型是从上下两层网络关系来计算热点关键词。
本文的主要贡献如下:
1)改进了原有的只考虑词频的方法,综合词频及专家专业影响力计算关键词的热度值。
2)建立专家—项目—关键词双层结构网络,挖掘热点关键词。
3)根据与热点关键词存在共现关系,建立关键词拓扑图,查找拓扑图中的强连通分量,从而挖掘热点项目。
1 相关工作
1.1 TF-IDF函数
TF-IDF算法[6]是由Mc Gill和Gerald Saltom针对向量空间信息检索样例提出的一种用来表示文本特征的方法。在该算法中出现在文档中的词语被称为术语,每个术语有自己相应的特征权重,这个权重代表了在文档识别时该术语所具有的重要程度。术语的权重与其在文档中出现的频率成正比,而与其在所有文档中出现的频率成反比。其中TF(Term Frequency)被称为词频,代表术语在文本中出现的次数,IDF(Inverse Document Frequency)被称为逆向文件频率,反映某个术语在一个文档集中按文本统计出现的频繁程度指标。传统TF-IDF函数可以用如下公式描述:
式中,wj代表某篇文本中第j个术语的特征权重,TFj代表术语词j在本篇文本中出现的次数,TFmax代表在一批文档集合中某个术语j在单篇文本中出现的最大次数,IDF代表倒文档频率,用式(2)表示:
其中N代表某批集合中包含的文本总数,DFj则代表了在这批文本集合中出现过术语j的文本总数。
传统的TF-IDF函数所要传达的思想是:如果某个特征词出现在测试文档集合的某篇文档中的频率TF越高,而该特征词在背景语料文档集合中出现的次数越少,则越认为这个特征词能够代表此类文本的特征。
1.2 关键词网络
关键词的提取[6]是根据关键词在项目中的共现次数以及相关度来提取的。首先确定基类关键词。基类关键词包括领域的专业术语、常用词语或者是文章、项目中的关键词。然后对项目中的摘要、主要内容做分词划分,对于划分好的关键词跟基类关键词计算其相关度。如果相关度在一定阈值内,那么将其加入关键词库中;如果超出阈值范围内,就丢弃它。这样迭代的提取就可以不断完善关键词库。本文假定关键词库已有。
2 关键词—项目—专家双层结构网络
2.1 关键词向量
电力领域关键词网络已有,且每个项目中包含相应的关键词,而项目又属于不同的领域。假设项目领域集为TW,关键词集合为K,对于一个给定的关键词,它在项目中的权重可以表示为向量,用式(3)表示。向量中的每一个分量表示关键词在项目领域中的相关权重。这种方式不仅保留了所有的关键词,利用词频来衡量关键词的权重,而且使用增强的归一化词频来计算向量中的每个分量wj,x。按照式(4)计算词的权重。
其中,TFj,x表示关键词j在领域x的频数,TFxmax表示领域x中关键词的最大频数。v是项目的集合个数,v=|TW|。
2.2 关键词—项目网络
根据关键词的共现关系(两个关键词在同一个项目中出现)就可以将关键词关联起来,形成一个关键词共现关系网络。由于关键词有多重属性,一个关键词可能属于不同的项目,一个项目包含多个关键词,每个项目都有相应的领域。为分析关键词和其他属性关系,可以将该属性与共现关系结合形成一个多维异质网络。该网络不仅保留了关键词的共现关系,而且加入了新的节点属性,即关键词所属的项目领域。图1是一个部分项目—关键词网络。矩形圈住的节点表示项目领域,其他节点表示关键词。关键词之间的连线表示其出现在同一个项目中,关键词与领域之间的连线表示关键词所在项目属于该领域,领域节点之间没有边相连。对于每一个关键词,用式(3)计算权重。图1是一个权重网络图,关键词的权重大小表示其在网络中的重要程度。
2.3 专家社交网络
专家往往通过论文参考、科研合作、项目评审等多种方式建立合作网络。分析这种社交网络,发现紧密合作的专家圈子,进行项目和专家匹配分析(例如专家回避)的基础。
专家专业影响力是通过分析科研文献、项目立项库、成果库、科技文献库等多种数据得出的。专家的专业影响力用一个变量H-Factor来表示,由于专家之间会有项目合作、论文参考,那么可以将专家之间的关系网络抽象成一个有向图。该有向图表示为G(U,F),其中U表示专家集合,F是有向图的边集。<ui,uj>表示专家ui的文章或者项目中引用了uj的文章或项目中的理论。通过分析图G的连通性,度量每个用户在领域的影响力或者重要性。变量H-Factor依赖于专家的引用者个数以及引用者自身的H-Factor,因此对于一个给定的用户ui,设定其H-Factor值计算公式为:
其中s∈(0,1),s是一个倾销因素,s值在这里代表图G中一个点到另一个点的随机游走概率。函数following(uj)返回的是专家uj引用的文章或者项目的作者集合,follower(uk)函数是指专家ui的引用者集合。H-Factor值的计算可以通过迭代算法来完成,初始化设置为:
其中,|U|是所有专家集合。接下来的每一步中,按照式(5)重复计算H-Factor值,当满足收敛条件时,该过程停止。专家社交网络的建立是为关键词最终的热度值做准备,因为影响力大的专家负责的项目成为热点项目的可能性就大,因而热点项目中包含的关键词成为热点关键词的可能性就大。图2为部分专家网络图。
专家社交图如图2所示,图中圈的大小表示用户H-Factor值的大小。从图中可以看出,文章或项目被引用次数多的专家的H-Factor值相对比较大;同样,他的引用者H-Factor值大的专家的H-Factor值也相应的会比较大。因为一个专家的H-Factor值受两个因素的影响,即引用者个数和引用者的H-Factor值的大小。
2.4 关键词—项目—专家双层网络
项目和关键词、专家和专家之间的关系网络已经建好,那么关键词—项目—专家之间的关系可以用一个双层立体结构图表示。该结构图分两个平面,上层平面表示关键词—项目领域关系图,下层平面表示专家社交关系图。上层领域节点与下层专家节点之间的连线表示专家负责的项目属于该领域,上层关键词节点与专家的连线表示专家负责的项目包含该关键词。所以专家跟领域、关键词之间都存在关系。
图3是部分关键词—专家网络双层结构图。由于关系网络比较复杂,因而图3中上层结构和下层结构之间的线条没有完全画出。上层结构是2.2节中描述的项目—专家网络,下层结构是2.3节中的专家社交网络,两层结构通过项目、关键词、领域之间的关系连接。因而关键词的权重不仅表现在它出现的次数,同样表现在项目是由哪个专家负责,这个专家的专业影响力有多大,即H-Factor值的大小。
3 热点关键词挖掘
3.1 热点关键词挖掘
上面提到关键词的热点程度不仅跟它在项目集中出现的次数相关,还跟其所在项目的负责人相关,换言之关键词根据其权重和项目负责人的H-Factor值来决定其是否是热点。这里引入一个热度值的概念。定义关键词的热度为:
其中,wj,k表示关键词k在向量中的权重,计算方法如式(4)。函数user(twj)返回项目负责人,H(u)返回专家u的影响因子,即2.3节中提到的专家的H-Factor。因为考虑到关键词k,这个计算公式能考虑到关键词在项目中出现的频数和负责该项目的用户的权威性来估量关键词的热度。用该方法能定量且定性地反映出关键词的热点程度。
选择热点关键词的方法依赖于用户自定义的一个参数,用该参数计算一个临界阈值:
其中,δ≥1,这里考虑了平均nutr值来设置临界阈值,因此定义热点关键词集合为:
由此可以选择出热点关键词集合HK,关键词集合个数大小跟δ的值成反比关系。
3.2 关键词拓扑网络
项目是由若干关键词表示的,热点关键词可能只是一个独立的个体。那么从热点关键词延伸到热点项目,我们需要分析那些和热点关键词共同出现的语义相关的关键词对,从而挖掘出热点项目或者在未来一段时间会成为热点的项目。
定义关键词k的共现权重向量,表示关键词和项目中其它关键词之间的关系。换句话说,计算关键词k和关键词z的相关度是看其在项目领域的共现关系来决定的。关键词k的相关向量用式(10)表示,该向量代表项目集中关键词和其他关键词的相关度,向量中的每个分量用式(11)计算得到。
其中,rk,z是项目领域同时包含关键词k和z的个数,nz是包含关键词z的个数,nk包含关键词k的项目个数,N是整个项目集总个数。
检测热点项目关键是先建立关键词的拓扑图。该拓扑图是一个节点标注的带权重有向图TG(K,E,ρ),K为顶点集合,每一个关键词代表一个顶点,E为边集。对于k∈K、z∈K且,那么存在边<k,z>∈E,用式(12)代表关键词k在相应项目集中的相对权重:
有向图TG(K,E,ρ)通过一个局部自适应边集细化算法来处理。采用自适应折中法这个过程确保了只有强连通的边集才会被保留,也就是只有高度相关的关键词才会出现在同一个项目领域的可能性会大。图4为部分关键词拓扑图,圈代表关键词,各个圈之间的箭头表示关键词之间的关系。
3.3 热点项目挖掘
所谓的热点项目是指包含热点关键词的项目。本文中的项目热度值是根据其包含的关键词的热点值来计算的。3.1节中挖掘出的热点关键词集合EK,要找与热点关键词相关的项目,就要寻找根在3.2节中TG中的强连通分量。因此给定一个关键词代表图中一个节点,找到节点集合S(从k通过一条路径到达的),找这些节点可以用深度优先遍历算法(DFS)。然后在相同的拓扑图中用反向边重复该过程找节点集合T(从这些节点出发,通过一条路径可以到达k)。强连通分量就是EK_k,它由T和S之间的点集构成。该过程是线性的。热点关键词z属于Ek,定义热点项目为子图ET(Kz,Ez,ρz),代表与关键词z语义相关的关键词集合。考虑整个热点关键词集合EK,我们计算相应的强连通分量,热点项目ET={ET1,ET2,…,Etn,}(n≤|EK|),热点项目个数少于关键词个数,因为可能两个关键词同属于一个项目。最后关键词集合K-z是否属于项目集合ET-z通过计算关键词z为TG起点,并且包含与z语义相关的。用该方法不仅能检测直接出现的热点关键词,而且能检测与热点关键词间接相关的关键词。建立一个序列告诉用户哪个话题更有热点。例如从图4中可看出{智能变电站、智能电网、电动汽车}构成了一个强连通分量,因而他们可以表示一个热点项目集。用以上方法可以挖掘出热点项目,我们需要给挖掘出的热点项目建立一个热点值顺序,以供用户来判断哪个项目更具热度,因而引入一个顺序值的概念,如式(13)所示:
其中nutrk是式(7)中计算的关键词k的热度值,|ET|表示热点项目中关键词个数。
4 实验仿真分析
本文对热点关键词的挖掘考虑到项目中关键词出现的次数以及关键词对应的项目负责人的专业影响力,从不同的方面考虑关键词的重要程度。为了进一步说明该方法的有效性,我们用C++语言实现了该过程。我们选取的数据集是电力行业的项目数据库来做实验验证。在基于该数据源的基础上,建立关键词—项目—专家的双层网络,从而进行热点关键词挖掘以及热点项目挖掘。对于热点关键词的挖掘,用3.1节中提到方法在原有关键词频数的基础上,考虑专家的影响力,从而挖掘出热点关键词。根据式(7)计算关键词的值,当其值大于某个临界阈值(阈值计算用式(8))时,认为它是热点关键词。由于该临界阈值是用户自己设定的,那么不同的临界阈值,挖掘出的热点关键词也会相应的不同。由式(7)-式(9)可知,阈值设置的不同会影响挖掘出的热点关键词的个数.图5是针对不同δ值挖掘出的热点关键词的个数,由图中曲线可知,δ值越大,热点关键词的个数相应越小,他们二者之间成反向变化趋势。
然而要想找到一个确切的δ值来更正确地挖掘出热点关键词需要不同的实验来实现。衡量不同阈值的准确性,我们先采用人工标注方法识别出热点关键词,然后用本文提到的方法挖掘出热点关键词,计算该方法挖掘热点关键词的正确率,从而确定一个合适的δ阈值。图6是按照3.1节中提到的方法挖掘出的正确热点关键词的正确率,这里正确率的计算按照式(12)。从图中可以看出,当δ值为3时,得到热点关键词的正确率是最高的,因此确定该δ为3。
式(14)中N是人工标记的热点关键词的个数,n1是挖掘出的正确热点关键词个数,n2是挖掘出的错误热点关键词。之所以给一个系数0.2,是因为错误热点关键词比正确热点关键词的重要程度低。
词频方法挖掘热点关键词通常是通过关键词在整个数据库中出现的次数来衡量。网络方法挖掘热点关键词是根据关键词之间的关联共现关系,采用聚类方法,找出网络中的中心关键词,将其作为热点关键词;而本文中提出的方法改进了传统词频的方法,充分考虑了关键词出现的次数以及该关键词所属项目领域专家的影响力各方面的因素,建立双层网络模型从而挖掘热点关键词。表1中所列的是部分领域(由于数据量比较大,就挑选了几个代表性的领域数据来分析)的项目个数、人工标注的热点词个数,并按照3.2节中提到的方法挖掘出的热点关键词个数的正确率和词频方法以及网络方法挖掘出的热点关键词的正确率数据比对。从表中数据可以看出,本文方法挖掘出热点关键词的正确率明显高于词频方法和网络方法,因此热点关键词由词频和关键词所在项目的负责人的影响因子来共同决定更有说服力。
挖掘出热点关键词后,根据3.2节方法建立关键词拓扑网络,用DFS找出拓扑图的强连通分量,那么强连通分量组合就代表热点项目,或者在未来一段时间内可能会多次出现在项目中的。这里用rank值表示强连通分量的相对顺序值。根据该值的计算方式,我们知道rank值越大表示该组合热点程度越高,因而越能代表科研的热点趋势。表2为rank值排序靠前的热点关键词拓扑中的强连通分量集合。这些关键词的组合可能成为热点项目或潜在热点项目用到的关键词组合。
5 结语
项目—专家网络的建立需要考虑很多因素,本文从最基本的关键词的词频和其所在项目的负责人的影响因子出发来衡量关键词的权重,比单一词频算法更有说服力。同属于一个领域且在项目中共现的频数大的关键词,可能在未来一段时间成为热点项目的关键词,从而这些热点关键词的组合有可能成为潜在热点项目。
关键词挖掘 篇2
原则一：根据竞争对手的选词方法进行“取其精华，去其糟粕”。记住成功是很难复制的，一个人的成功方式很难再一次成功，因此我们在挖掘关键词的时候切记“不要跟风，不要随波逐流，要有独立思考的思维！”，如果一味的跟随别人的脚步和别人的选词方法很难超越别人。
原则二：关键词要分析去用户的需求，进行大受众群体需求的满足。因为我们始终无法满足所有用户的需求，我们必须拒绝极少部分的用户需求，而迎合大众需求。
原则三：始终要有危机意识，不断的研究关键词需求的动态，不断的满足关键词的需求。一个优秀的网站优化很大程度是一个妥协的结果。我们需要不断的思考，我们做的事情是否是符合长期利益的，如果不是，那么say no（不要去做）。
当我们去对海量的长尾关键词进行布局与挖掘的时候，我们无法保证其质量。
挖掘关键词的技巧：
A：通过行业的相对性去分析关键词：即做长尾词挖掘是一个相对的概念，需根据行业的不同而去分析挖掘，不同的行业有不同的特性。例如我现在做“潍坊SEO”，潍坊SEO的我在挖掘关键词的时候分析“SEO是个技术行业”、“SEO是个服务行业”，因此我挖掘的关键词更多的是技术类和服务类的关键词，这样的关键词能符合主流的关键词需求。
B：关键词挖掘步骤：
1、先通过自己能提供的优势服务去确定自己的首页关键词，即给自己网站一个定位，做对自己最有利的关键词，不做大而且广的关键词。
2、根据首页关键词范围来进行关键词选取：根据自己的优势服务去拓展关键词，通过长尾关键词提升自己目标关键词的排名。
3、把关键词选取后重新分词，然后分类再进行重新组合。
4、把重复的关键词选取一个包含词
5、根据这些选取的词网上搜索
6、把词选择出来的内容进行优化
挖掘关键词句展现课堂精彩 篇3
语文教学的生命在课堂, 而个性化语文课堂教学又是新课程的显著特征。实施新课程后, 近几年的语文课堂教学观摩活动让我们大开眼界, 受益匪浅。本人有幸观看到浙江省两位优秀语文教师授课《杨修之死》的精彩课堂:
浙江温州的杨聪老师教授此课时紧紧抓住一个“才”字, 让学生从“字缝”里读出“杨修之才表现在哪里”。再围绕“恃才放旷”与“数”这两个词, 引导学生历数杨修恃才放旷的事件, 并根据重点词语分析理由, 加深学生对杨修之死的进一步理解。以“一字评杨修”的环节, 表达自己对杨修的评价。然后通过相关评论, 引导学生重新审视杨修的“放旷”反思韬光养晦的这种人生哲学。从而让学生建构起一种“没有宽容就没有未来”的文化心态。
浙江金华的张震雷老师对《杨修之死》的课堂设计另辟蹊径, 抓住文中“真知”两字, 串起全文, 串起了整堂课。以三张幻灯片简单地显示了“真知”两字和不同的标点:“真知……” (杨修的“真知”从哪里看出?) “真知?” (杨修真知魏王肺腑吗?) “真知!” (假如你是杨修, 怎样与曹操相处相安无事?) 来开展教学, 引发学生对杨修的个性和结局展开思考, 启示学生“张扬但不张狂, 独立而不特立”的人生思想。
综观这两位老师的同课异构, 令本人感触最深的是教师“异”中有“同”:他们都能以自己独特的视觉解读文本, 处理教材, 以挖掘文本关键词句的方式来优化教学, 引领学生漫溯到文本的核心语文价值, 绽放出别样的美丽和精彩。
语文的内核是语言, 语言不仅仅是表达的符号, 更是文化的载体。语文教学要重视人文性与工具性的统一, 做到言文合一。就具体的阅读课堂而言, 就是通过引导学生揣摩文字、品味语言, 去挖掘语言文字背后的深刻含义和思想内容, 达到审美的愉悦, 思维的训练。因而深入文本, 选取关键性的词句, 揣摩语言和细节, 以理解和思维发展为本, 人文性渗透其间, 这是语文课堂的正途。
选择关键词句教学, 是一种教学策略, 是教师从文本角度和教学目标出发, 根据自己感悟和理解, 在教学过程中以自己的视觉和体验个性化地解读文本, 处理教材的过程。挖掘关键词句, 就是确定关键的字、词、句, 通过对这些关键语言文字的理解、品味、感悟来剖析与理解课文, 体会课文言语的意图感、意义感和意味感, 让学生找到通幽的“曲径”。
“古木阴中系短篷, 杖藜扶我过桥东。”在语文教学中, 文本中的关键词句有时就是殷勤助兴, “扶”主而行的“杖藜”。教师有效地握住了这根“杖藜”, 课堂教学就可尽赏“杏花雨”、“杨柳风”等美好境界。
一、关键词句成为感知文本, 深层探究, 组织有序教学的着眼点。
语文课堂教学从字词句切入, 熔词句与内容于一炉, 语文课可上得厚实, 就会有鲜活生命力。把关键词句作为课堂教学的切入口, 是立足文本, 以言语方式深入文本开展教学的有效方式。借助文中的关键词句来感知文本, 开展探究, 从而有序地展开教学环节, 向文本的更深更细处探询, 充分挖掘文本中所蕴含的人文内涵, 其效果是不言而喻的。
在课堂教学中, 教师应行之有效地带领学生深度挖掘文本, 想方设法帮助学生通过自己的阅读和思考, 获得属于自己的独特的阅读体验, 引导学生从“紧贴文本的地面”进入到“文本的底层”, 通过深入探究, 去触摸文本的灵魂和文化, 从而激活学生的“智慧潜能”, 获得精神的享受。
例如教学《湖心亭看雪》时, 可把文中舟子对作者的评价“莫说相公痴, 更有痴似相公者!”作为贯穿全文的关键句。以“痴”作为“文眼”和“课眼”, 进行以下教学设计:
1.抓“痴”字。张岱如此痴迷的是什么?景 (奇、梦、美、妙、趣……) 会令张岱如此痴迷? (赏景) 2.抓“似”字。张岱与湖中二人有何相似之处? (清雅脱俗、任性放达、特立独行) 3.抓“更有”一词。张岱与湖中二人更有何相似之处, 仅是性情兴趣爱好吗?“是金陵人, 客此” (隐情苦衷, 用笔曲折, 故国之思。) , 湖中人鸟声俱绝 (景绝、境绝, 心绝) 更有痴情于故国往事, 还有故国之思、离黍之悲 (志向、操守) 。
让关键词句成为教学的着眼点, 打开感知内容、探究文本的通道。以研读让课堂的线性推进出现转折, 从而使学生的思维从表层感知进入深层探析。教学环节顺畅自然, 通过文本感知, 深层探究, 让语文的“意义”和“意思”不再呆板, 把学生的思维导向深入。揣摩语言, 领悟内涵, 感受情感, 实现教学了过程优化。关键词句成了有序展开教学的着力点, 使课眼如泉眼, 用语文的甘泉滋润学生的语文素养, 使语文课的语文味充盈。
二、关键词句是浸入文本, 点燃情感的突破点。
于漪老师认为:“语言、思维、情感同时发生, 语言这个交际工具不仅仅是文化的载体, 而且还是意识、思维、心灵、人格的组成部分。”品味作品中富有表现力的语言文字, 探究其中内涵, 是加强读者对文本的理解和认识, 深化情感的重要方法。关键性词句作为核心“语言”, 蕴涵着丰富的情感, 也是作者情感的集中点、燃烧点, 语文教学就是要让学生用自己的感官和心灵去触摸文字, 沉浸其中, 借助关键词句去感知人物的内心世界, 把自己心中的情感点燃。
杭州李明老师在教《香菱学诗》时, 通过文本解读, 独具慧眼地将“笑”作为作者情感的集中点、燃烧点:他找到文中15次笑, 重点用了三次“笑”, 引领学生沉浸于文本, 深入到香菱的内心深处, “笑”中之“悲”, “苦”中作“笑”, 由这个字把学生带进了香菱的内心, 懂得了香菱的苦和雅, 突然悟到曹雪芹塑造香菱的用心。“笑”字把课堂带入一种沉重悲郁的气氛中, 把文中人物、作者和读者的情感都聚焦在一起……
关键词作为作者情感集中表现点, 仅存于文本中。语文课堂教学中, 对关键词句的感悟、品味和朗读, 应构成教学细节的主体。通过关键词句点燃心中的情感, 于是调动学生已有的生活经验, 用语言对词语进行情景描述, 通过品味和朗读, 把词语的丰富内涵和暗藏的情感像火种一样投入学生的心中, 真正读出了词语的内涵, 读出了自己的情感。
三、关键词句是解读文本, 深入人物内心, 深化思想主题的金钥匙。
教师对文本独到的解读是实行语文课堂个性化教学的前提。教师, 通过解读文本, 凭借自己对教材的独特钻研和个性领悟, 抓住关键词句, 品味语言, 感受文中语言所流淌的情感, 才能有效地引导学生去体会与品味, 才能把语言文字的训练与思想内容的感悟有机结合起来, 读懂文中人物, 读懂文章的主题思想。教师引领学生紧贴文本, 从关键字词句里去发掘人物的内心, 从浅层内容升入到人物情感深处, 感悟作品的思想主题。这样的教学策略, 不致于产生浅表层面的教学效果。
《台阶》中我们可以把“没人说过他有地位, 父亲从没觉得因为台阶的造成自己的地位有了提高。”这一关键句子, 作为解读人物的一把重要钥匙。因为“我们家的台阶低”, 造一个高台阶的屋成了父亲的的人生目标和最高理想, 他花了大半辈子尽心尽力建造好了房子, 希望听到他人的赞语, 来满足实现自我的成就感。可是支撑“父亲”辛劳终生、凝聚“父亲”一生价值的台阶根本没有得到他人重视, “父亲”最想得到的对其人生价值实现的肯定和尊重, 就这样被别人漠视, “父亲”的精神支柱轰然倒地, 导致他的精神状态发生了改变, 变得“粗暴”, 变得“烦躁”, 连原来坚强的形象也没有了……
我们组织语文课堂教学, 就应该拉近学生与文本的距离, 有效进入文本, 读解人物、感知主旨, 领会作品内涵。紧密把握这些关键词句, 就是打开人物心灵、思想主题的钥匙。从言入手, 披文入情, 将思想内容与语言形式统一起来, 把对词句的理解融入对人物的品鉴过程中, 引领学生深入人物内心, 充分挖掘人物丰富的内心世界, 挖掘语言背后丰富思想内涵, 课堂就会领略到柳暗花明的美好境界。
四、关键词句是把握重点、突破难点的聚焦点。
工具性和人文性是互相依存, 不可机械割裂的。工具性盈育着人文性, 人文性促进着工具性, 是“血之于肉, 分别不开的”。落实语文的工具性和人文性, 就要在语文实践中把握“两性”的平衡, 在凭借字、词、句、篇培养各项语文能力的过程中, 凸显人文性。
抓住语文关键词句教学, 由关键词语、句子把学生的思维导向深入, 是对文本进行深层解读的成功策略, 也是把握教学重点, 突破教学难点的有效方法。聚焦于关键词句, 从字缝句行里去读, 读出深度, 这样才能使语言层面走向文化层面, 正确解读文本言语, 理解文化内涵, 领会作者写作要旨。
《老王》是杨绛记录文革时期人和事的文章, 学生阅读有难度, 郭初阳老师解读文章很好地抓了四个关键词:1.“不幸”。老王的不幸是显而易见的:一贫半盲, 既老且孤;然而杨绛是“幸运的人”吗?2.“善良”。老王的善良体现在他的三次“送”的行为, 而杨绛及她家人善良, 又掩藏在文中的哪些细处呢?3.“愧怍”。作者的愧怍从何而来?4.正义。并把文中两句话作为理解文革那个非正义时代最为精当的象征:那是一个让人“直僵僵地镶嵌在门框里”动弹不得的时代, 那是一个“把自己降格为‘货’”的非人的时代。
挖掘教材中的语言因素, 加强对关键字词句的品味研读和感悟, 从而进入文化思想的层面, 把握人文性和工具性的平衡, 做到工具性与人文性的和谐统一, 才会使语文课的语文味充盈。诚如专家所言:语文味不脱离“语言”之核心, 不脱离文字、文采。魂兮归来, 语文的魂是语言;血肉兮归来, 语文的血肉是真情诚意。品味语言, 揣摩语言, 进而触摸语言背后的世界, 才是语文教学的真正使命。
关键词挖掘 篇4
1、看竞争对手选择的关键词以及排名情况
分析同行业的竞争对手往往能够给网站选择关键词提供很大的帮助，因为是同行业，所以我们的业务范围都差不多，选择关键词也是差不多的，我们可以把同行业做的比较好一点的网站拿出来分析，看看他们是怎么选择关键词的，收集他们的关键词然后再通过关键词分析工具来淘汰一些不合适的词，最终把有用的给留下来，当然在选择这些词的时候也要看看竞争对手的排名如何，然后通过对竞争对手网站的综合实力分析，看看自己的网站排名能不能超越竞争对手，而且很大程度上也能够看出这些关键词的优化难易度。
2、指数分析工具
我们看一个关键词的竞争如何是否能够带来流量不单单是自己觉得可以就行的，往往要通过一些权威的数据分析而得出结论，在seo界，百度指数工具就给我们选择关键词提供了很好的参考，通过这个工具我们可以清楚的知道这个光关键词的指数如何，也就是每天有多少搜索量，有关这个词的百度收录如何，这样一来，这个词能否很快的做上去在站长心目中就一目了然了，当然，挖掘关键词的工具不只有百度指数一个，站长工具以及爱站网关键词指数分析也是你不错的选择，
3、关键词要和网站内容相关性强
做什么行业就选择什么样的关键词，这是大家通常的做法，在确定网站主题之后就要围绕着网站的主题来选择关键词，网站主题和关键词不能相差的太远，这样就违背了相关性的原则，用户通过你的关键词来到网站之后却发现网站内容不是他想要的，这样的网站对用户是没有任何帮助的，所以这样的网站是百度强力反对的，是百度打击的对象。
4、选择难易度适中的词打头阵
在新站上线时，我们最好的做法就是选择一些关键词优化难度适中的词来做，等把这些词做上去之后再来做一些指数高的词，有了之前的那些排名，网站也就有了一定的权重，这时候再去做那些指数高的词也就得心应手了，如果说站长们一上来就开始攻那些很难得排上去的词，对于一个一切都是零的新站来说是很艰巨的一个任务，很多站长都没能坚持下去。
5、有效地利用用户的搜索习惯
追问教学关键点挖掘学生思维潜力 篇5
一、追问于教学易错点, 催化学生发展思维
布鲁纳说过:“学生的错误都是有价值的。”错误可能是教学的起点, 也可能生成课堂上最宝贵的资源, 能否及时捕捉并利用这些资源是反映教师的教育机智和对课堂的驾驭能力的最佳机会。因此在教学中, 我们不能以一个“错”字而堵住学生的嘴巴或直接把正确答案告诉学生, 那样可能会失去最好的教育时机。
案例1如图1, 已知AB=DE, BC=EF, AF=DC。求证:BC∥EF。
师:请问哪个小组有思路?
生1:AB=DE, BC=EF, AF=DC, 得△ABC≌DEF。 (学生第一处错误)
师:这三个条件可以吗? (追问1)
生2:不行, AF-CF=DC-CF, 即AC=DF。得BC∥EF。 (学生第二处错误)
师 (惊讶) :三角形全等后能直接得到线段平行吗? (追问2)
生3:不能, 全等后得到∠ACB=∠DFE, 再推出BC∥EF。 (学生第三处错误)
师:∠ACB与∠DFE是BC与EF被AD所截的内错角吗? (追问3)
生3:知道了, ∠ACB=∠DFE转化成∠BCF=∠EFC, 再得BC∥EF。
生4:老师, 还可以延长BC与EF, 得到∠ACB=∠DFE后, 转化成他们的对顶角相等, 得BC∥EF;或转化一个对顶角, 另一个不转化, 这样形成同位角相等, 得BC∥EF。
师:非常好!你们不仅懂了, 还用多种方法证明了BC∥EF, 请写出你的证明过程。
评析:在这个例题教学中, 教师捕捉到了学生在证明过程中所犯的“错误”: (1) 三角形全等的条件其中有一个不是直接条件, 需要转化。追问1及时激发了另一学生帮忙纠正。 (2) 三角形全等后直接得到两线平行。这是几何证明书写不完整, 跳跃性的书写。由于学生初学几何证明, 对几何证明语言的书写还不太规范, 总是会出现这样或那样的问题, 漏写、重复写、写得不简练甚至很复杂, 这是我们在中考批卷时经常会发现的。追问2不仅暗示了学生的问题所在, 也激发了学生再次思考, 规范了几何语言的书写, 培养了学生的逻辑思维能力。 (3) 三角形全等后得∠ACB=∠DFE, 再推出BC∥EF, 是对平行线判定这一概念理解不透彻。追问3不仅让学生纠正了原来的错误, 还引发了不同的解法, 让生生互动得到了很好的体现。
在学生出现错误时, 教师以连续追问为载体, 引领学生进行论错、思错、说错、纠错等思维活动, 使其充分暴露出错的过程和原因, 并在后来追问辨析讨论中生成新的正确知识, 不仅帮助学生纠正了错误, 加深了其对知识的理解和应用, 同时也规范了几何语言的书写, 促进了学生思维的发展, 使错误也生成了新的教学资源。
二、追问于教学意外点, 引发学生发散思维
叶澜教授说过:“课堂应是向未知方向挺进的旅程, 随时都有可能发生意外的通道和美丽的图景, 而不是一切都必须遵循固定而没有激情的行程。”数学课堂教学也是如此, 学生是学习的主体, 是课堂的主人, 一切的意外都有可能发生。当学生提出意外的问题或解法时, 教师若能捕捉到这些意外, 利用追问, 意外便也能变成一种可贵的课堂资源。
案例2如图2, 已知∠B+∠D=∠BCD。求证:AB∥DE。
师:嗯, 很好, 辅助线做得准确, 思路也很清晰。
生2 (有点不服气) :老师, 我有不同的方法。如图3, 过C点作HG∥AB, ∠B=∠BCH, ∠B+∠D=∠BCD, ∠BCH+∠DCH=∠BCD, 得∠D=∠DCH, 从而CG∥DE, AB∥DE。
(解法二)
师:这两位同学的思路都非常清晰, 谁还有不同方法? (追问1)
(解法三)
师:其中涉及的数学思想是什么? (追问2)
生3:转化思想、数形结合思想。
生4:还有可以延长DC与AB相交……
评析:由于生2的意外回答, 从而引起生3、生4对这题产生了共鸣, 导致这节课有关的练习还没来得及讲, 就下课了。但生2的补充, 激发了学生探究用不同方法解决问题的兴趣。追问1、追问2不仅给学生提供了交流展示的平台, 给了学生积极地参与讨论的机会, 想到了多种证明方法, 让学生在这个思维的舞台上碰撞出了火花, 激发了学生的求知欲望, 符合这个年龄阶段学生的心理。
给学生一个平台, 学生会还你一片惊喜。而学生的想法有时确实出乎我们意料, 简单的追问不仅给了学生思考的时间, 也给了学生思考的空间, 激发了同伴的共鸣。这种师生互动不仅引出了学生的不同解法, 加深了学生的思考, 也激发了学生的发散思维。
三、追问于教学受阻点, 激发学生逆向思维
《学记》曰:“君子之教, 喻也。道而弗牵, 强而弗抑, 开而弗达。”当学生在数学学习过程中受本身基础的影响而无法实现新知识的迁移时, 经过自主预习后, 学生对基本问题已经有所了解, 但还比较模糊;或思考还不成熟时, 教师不要马上替学生回答, 直接给出答案。而是可以以追问的形式来引发学生深层思考, 以促进学生的不同思维发展, 达到数学教育教学的目的。
案例3如图5, 已知点B, C, D在同一条直线上, ∠ACB=∠ECD=60°, AC=BC, EC=DC。连接BE, AD分别交AC, CE于点M, N。求证: (1) △ACD≌△BCE; (2) CM=CN。
师:很好, 接下来如何证线段CM=CN? (思维受阻点1)
生2:证△BCM≌△CAN。
师:这两个三角形全等的条件有吗? (追问1)
生3 (抢先) :∠A=∠B, 还有题目已知的AC=BC, 但还少一个条件。 (思维受阻点2)
师:我们还有什么条件没用吗? (追问2)
师:谁能总结一下是哪三个条件吗? (追问3)
师:非常棒!谢谢刚刚提出自己想法和观点的同学, 感谢你们的分享, 请完成书写过程。
评析:本例中, 教师始终没有告诉学生如何去解决这个疑难问题, 而是首先将要解决的问题抛出, 让学生思考, 当学生思维受到阻碍时, 以追问的形式, 不断引导、启迪学生思考, 找到解决问题的方法, 追问1引导学生去寻找证三角形全等的条件, 当学生寻找条件受阻时, 追问2为学生寻找条件指明了方向, 而追问3又为中等生提供了一个学习消化的时间。
在这个教学过程中, 教师把整个问题的解决、总结甚至反思的任务全交给了学生。在教师和学生不断追问互动的过程中, 学生不断思考、讨论、反思、总结, 最终成功地解决了问题。在这里, 从全等的判定到性质再到证明全等, 在找条件的过程中, 学生的思想不断地交流碰撞。这样的数学活动, 有益于激发学生的逆向思维。
四、追问于教学增长点, 提高学生拓展思维
如果仅仅满足于求出引例或例题的答案就结束是典型的进宝山而空返。在数学课堂教学中, 有时通过追问, 可以引导学生找到解决数学问题的方法, 归纳出数学的规律和结论, 使数学有更广泛的应用。
案例4如图6, 已知, 点D, E, F分别是△ABC的三条边的中点, 设△ABC的面积为S, 求△DEF的面积。可以这样考虑:
(1) 连结AE, △AEC的面积是多少?
(2) 由第 (1) 题, 你能求出△ECF的面积吗?△ADF和△DBE的面积呢?
师:根据题意连接AE, 我们可以得到△AEC的面积是多少?请说明理由。
师:非常准确。从中能得出什么结论吗? (追问1)
生2 (突然举手) :三角形的中线把三角形分成面积相等的两个三角形。 (教学增长点1)
师:嗯, 很好, 现在你们能求出△AEC的面积吗? (追问2)
师:那谁能求出△DEF的面积呢? (追问3)
师:如图7, 已知A1, B1, C1分别是△ABC的三条边的中点, 设△ABC的面积为S, 顺次连接A1, B1, C1得△A1B1C1, 那么△A1B1C1的面积是多少?在△A1B1C1内用同样的方法得到△A2B2C2, 那么△A2B2C2的面积又是多少呢?…一直到△AnBnCn, 你能求出△AnBnCn的面积吗? (追问4)
师:非常好!通过这个问题, 你们有什么发现吗? (追问5)
生6:数学学习主要是找思路, 找到问题的规律, 掌握解决问题的方法。
评析:在这个案例中, 追问1及时地引导学生发现了问题的本质:三角形的中线把三角形分成面积相等的两个三角形, 为接下来的问题解决提供依据。追问2、追问3步步引导学生探索解决问题的思路和方法, 用面积差法求出中间三角形△DEF的面积, 引导学生直接解决问题困难时, 采取转化迂回的办法间接求。追问4不断地分解本题的难点, 搭建台阶, 水到渠成, 让学生找到了这个问题的本质规律。
在教师这样的追问引导下, 学生不仅掌握了本题, 更掌握了本题内在的本质特征, 从而掌握了解决这类规律问题的方法, 拓展了学生的思维, 这也是我们教师真正应该留给学生的。
初中数学课堂教学中的追问是一种艺术, 通过对问题的分解设置和在课堂中生成的新问题适时、准确地进行有效追问, 启发学生经过讨论、思考去寻求解决问题的方案, 使一些问题在教师的追问下更有价值, 如易错题辨析, 一题多解, 一题多变, 思维拓展等问题, 能达到充分的挖掘利用。追问教学的关键点, 不仅可以挖掘出学生的最大思维潜力, 还可以激发学生学习数学的内驱力, 这就是追问的价值所在。
参考文献
[1]叶雪梅.数学微格教学[M].厦门:厦门大学出版社, 2008.
[2]赵绪昌.数学课堂教学追问平衡点的把握[J].数学通讯, 2014 (10) .
[3]单广红.让“错误”演绎课堂的精彩[J].小学教学研究, 2009 (10) .
时间序列数据挖掘关键问题分析 篇6
关键词：数据挖掘,时间序列,数据库
在数据库技术迅猛发展和数据库管理系统日臻完善的今天,数据库的规模与日俱增,数量不断增多,并且这些激增的数据中包含着非常重要的信息,所以传统的数据库存储和查询方法已经无法满足人们对数据中隐含知识的渴求。而时间序列数据挖掘技术则可以有效地解决上述问题,并且可以在确保数据挖掘可靠性和准确性的基础上大大降低运行成本。因此,对于时间序列数据挖掘在实践应用中的关键问题进行分析和探究具有非常重要的意义。
1 时间序列数据挖掘概述
1. 1 时间序列数据挖掘的含义
通常而言,各个数据单元均可以由一个数据变量和时间变量所组成的二元组来加以表示,比如股票价格和商品的销售金额等,所以可以将这些数据按照时间的顺序加以排列,这样就构成了所谓的时间序列数据库。在这些时间序列数据中包含着许多未知的有用信息,具有很高的挖掘价值。而时间序列数据挖掘就是从这些大型的时间序列数据库中找到人们所需要的各种有用数据。
1. 2 时间序列数据挖掘的内容
在对当前国内外就时间序列数据挖掘方面的研究进行分析,可以将其归纳为时间序列数据变换、时间序列数据可视化、时间序列数据库相似搜索、时间序列聚类分类分析、时间序列预测以及时间序列分割与模式发现等几个主要的组成部分。其中的时间序列数据变换实际上就是将原始状态下所对应的时间序列在某个特征空间下的映像时间序列来对最初的原始时间序列进行描述,其可以有效地减少计算所花费的成本,并且实际的数据压缩率更高; 时间序列数据可视化则是将那些繁杂的时间序列在数据挖掘技术、虚拟现实技术以及图形图像技术等先进技术的应用下而变得直观化、形象化,以便于人们更好地理解; 时间序列聚类和分类分析则是根据时间粒度和模式长度的不同而将待处理的序列数据进行适当的分割和聚类处理,以便于更好地进行分析; 时间序列数据库相似搜索则是遵循相应的搜索算法来对于那些相似性时间序列数据库进行搜索,以避免出现漏报问题; 时间序列分割与模式发现主要用于时间序列的分割算法应用中以及系统模型变化的检测中,其已经成为当前我国在时间序列数据挖掘研究中的重要课题,具有很高的研究价值。
2 时间序列数据挖掘中若干关键问题的分析
2. 1 传统时间序列数据挖掘的过程和分类分析
首先,从数据挖掘的过程来讲,传统时间序列数据挖掘过程可以主要分成以下几个步骤: 数据准备、数据挖掘、结果分析和知识同化。其次,从数据挖掘的分类来讲,时间序列数据挖掘的主要任务就是从庞大的数据库中找寻到用户所需的数据。根据数据挖掘作用模式的不同,可以将其分成分类模式、偏差分析和序列模式等预测性模式和关联模式、聚类模式等描述型模式,并且描述型模式一般不能直接应用于预测。而就具体的时间序列数据挖掘的分类而言,其主要包括分类模式、关联规则、聚类模式偏差分析、序列模式和回归模式等几个部分,下面就这几个部分的主要内容进行详细的阐述。
第一,序列模式。序列模式是数据挖掘中一个非常重要的研究课题,其已经广泛应用于各行各业中,比如疾病诊断、DNA序列分析、自然灾害预测、Web访问模式的预测等,并且该种模式与管理规则之间比较类似,其也是重点把握数据间的联系。但是为了发现序列模式,相关人员必须要确定事件有无发生以及事件发生的时间。比如,在购买彩色电视的人群中,有50% 的人群会选择在半年内购买影碟机。
第二,关联规则。关联规则又被称为管理模式,其实际上就是形如X→Y的逻辑关系式,并且其中的X和Y分别代表数据库中属性取值的判断。在当前的管理规则算法中,常用的关联规则算法策略是将其分解成两个主要的子任务,即频繁项集的产生和规则的产生。
第三,分类模式。分类的概念实际上就是在已有训练集或者数据集的基础上来构造一个分类模型或者分类函数,并将其应用于实际的数据预测中来确保数据的挖掘的质量。
第四,回归模式。与分类模式类似,回归模式的函数定义也是借助相应的数学集合模型来表示,但是其预测值是连续的,这点与分类模式预测值的离散性是相互区别的。
第五,偏差分析。在时间序列数据库中不可避免地会出现一些异常的记录,找出这些异常记录在确保数据挖掘质量方面具有重要的意义。偏差包含许多潜在的知识,比如分类中不规则的特例、反常实例或者偏差预测值过大的模型等。
第六,聚类模式。所谓的聚类实际上就是将一组时间序列数据按照差异性和相似性规程来进行合适的分类,以尽可能地减小同类别数据间的差异性,增强他们之间的相似性,提高数据挖掘的质量。
2. 2 传统时间序列数据挖掘的方法分析
理论上来讲,传统时间序列数据挖掘方法主要包括决策树方法、神经网络方法、粗集方法、遗传算法、模糊集方法、统计分析方法、概念树方法、可视化技术和贝叶斯网络等几种常用的数据挖掘方法。比如其中的神经网络方法具有自适应性、自组织性和鲁棒性好的优势,非常适合用于解决数据挖掘中存在的各种问题,是近些年人们关注度比较大的一种方式,并且其更加适合于当前我国市场数据库的建模与分析; 概念树方法则是对时间序列数据库中记录的属性字段按照归类的方法进行抽象所得到的层次结构,这点与我国所指定的省市县地区结构分布类似; 可视化技术则大大拓宽了我国传统图表所具有的功能,可以使人们更加清楚地剖析时间序列数据,同时也可以更好地归纳数据中存在的规律性;粗集方法则是一种研究不确定、不精确数学知识的工具,其具有操作简便、算法简单等优点,所以是当前常用的一种方法。
2. 3 传统时间序列数据挖掘的局限性
通常而言,建模是时间序列数据挖掘的前提和基础,但是所建模型大都局限于常参数、平稳的单变量CARMA模型或ARMA模型,所以实际的数据挖掘过程中可能存在一定的误差,准确性和可靠性无法得以保证。另外,其局限性还表现为以下几个方面: 建模方法所采用的非线性最小二乘法或者最大似然法的计算量非常大,并且计算的可靠性比较低;没有考虑到噪声污染所对应的时间序列,即数据的滤波问题没有得到有效地估计处理; 实际所用的分析方法主要为谱分析法( 或频域方法) 等,所以为了确保结果的可靠性和准确性,就必须要对这些局限性问题进行切实解决。而现代时间序列数据挖掘方式则可以有效地突破上述传统时间序列数据挖掘中存在的种种局限点,不仅可以简化建模及其计算的方法,也可以用新型的新息方法和状态空间方法来取代传统时间序列,还可以有效地应用自校正和自适应预测原理来分析现代时间序列,同时也可以有效地提升时间序列挖掘的质量。因此,在实际的应用中,相关人员必须要不断发展、改造和创新时间序列的分析方式和手段。
总之,随着数据收集技术和存储技术的快速发展以及数据库管理系统的日臻完善,人们所积累的数据也越来越多,同时这些与日俱增的数据背后也涵盖了大量的重要数据信息,但是传统的时间序列数据挖掘手段却无法深入分析这些数据。因此,相关人员必须要采用现代时间序列数据挖掘手段,同时要不断完善和创造新的方法,从而更好地使用当前与日倶增的时间序列数据。
参考文献
[1]刘劲松.数据挖掘中的现代时间序列分析方法[J].信息技术,2014,11(7):100-102.
[2]贾澎涛.时间序列数据挖掘综述[J].计算机应用研究,2015,24(11):15-17.
关键词挖掘 篇7
关键词：云计算,物联网,数据挖掘模式
经济的发展促进了各个产业链的发展, 在发展的过程我们清晰的认识到信息产业的重要性。我们进行的任何的活动都需要及时的反馈以及推广, 只有这样才有利于工作的下一步的发展。我国的信息发展是一个非常漫长的过程, 在刚开始的烽火, 后来的驿站, 再到后来的书信, 慢慢的我们有了电报, 有了电话, 今天我们有了互联网, 每一步的发展都是很好的跟着时代的步伐前行, 只有这样才能促进社会的进一步的发展。今天我们意识到我们离不开互联网, 互联网在我们的工作、生活学习中占有很大的比重, 我们研究的领域与方向也在不断的发生着改变, 云计算这一领域的发展就是很好的证明, 在我们的发展的过程中也遇到了很多的问题, 这些问题对于我们产生了极大的影响, 对于不好的方面, 我们必须及时的进行消除。
一、基于云计算的物联网
物联网其实就是一个比较大而且分布也非常广泛的物和物的互联网, 主要的能够很好的的对于我们身边的各项事务进行监控, 科技的发展非常的迅速, 正是因为这样我们应用的范围在不断的加大, 像是工程的建设, 基础设施的维护等等方面。云计算物联网数据挖掘就是指通过对云计算来解决物联网数据挖掘存在的问题。做了以下的几点归纳:第一, 建立数据库, 通过整个的互联网系统对于整个的数据进行采集, 进行整理;第二, 云计算平台挖掘。我们对于得到的数据进行整理, 整理的过程注重挖掘, 这样我们会得到更多的问题, 有助于问题的进一步的分析。这样对于我们后续的各方面的数据整理以及相关方面的工作非常的有必要。
二、基于云计算的数据挖掘平台
在工作中, 能够提供高可用性和更多的动态资源池的计算机平台, 将能够很好的实现云计算的数据挖掘。随着发展的不断的深入, 我们在软件的开发以及运用方面在不断的探索与研究, 我们研究表明在这类软件的使用过程中加入云计算, 就会大大的提升整体的工作的效率。对于这方面的研究完全的借助于软件本身的特性, 我们研究的软件整体的曾现分层的概念, 我们进行研究的方向也是这个方面。通常情况我们对于云计算的数据挖掘系统分为三层:算法层、任务层、用户层。在系统正常运转的过程紧密的联系, 彼此关系密切构成了一个有机的整体。
在构建基于云计算数据挖掘模式的时候主要就是通过积极的应用云计算的服务模式, 那么在这样的一种情况下建立起来的基于云计算数据挖掘平台它们当中的每一个部分在实际提供服务的过程当中都能够比较独立的去完成。操作人员在使用基于云计算数据挖掘平台的时候主要就是经过互联网来连接数据挖掘平台, 在监控使用账户的管理系统时, 主要就是在Saa S、Paa S以及Daa S这三个系统当中来完成的。在数据挖掘平台当中的任何环节都是在云计算服务的模式中。
三、基于云计算的物联网数据挖掘模式
物联网的整个环境决定了物联网数据挖掘的模式, 因为物联网当中的数据类型比较复杂, 而且物和物之间的关联以及相关的特性也不一样, 那么这些情况可能就会使得在构建物联网数据挖掘模式的时候就会和传统的数据挖掘模式不相同。
经常运用物联网的朋友们会发现有一些问题在系统中存在, 表现最为明显的就是数据方面的, 有的时候会出现数据不全以及丢失的现象, 对于我们造成了极大地困扰。出现这些现象的原因, 可能是物联网系统的原因, 也可能是其他什么原因。那么基于云计算物联网数据挖掘模式就应该要考虑到这种情况, 在构建物联网数据挖掘应用模型的时候, 必须考虑对物与物之间的关系的表达, 这样才能有效的解决数据的错误与丢失。
四、研究型人才匮乏
对于信息领域而言, 我国的发展历史并不长, 处于刚刚的发展阶段。我国在上个世纪的九十年代才真正意义的走向普及。由于近代基本国情的影响, 百年来我们处于落后的地位不能很好的与世界的发达国家进行交流, 正是因为这样导致了今天的局面的出现。软件领域是一个全兴的领域发展的非常的快速, 尤其在产品的更新换代自我升级方面是我们很难想象的。由于长期的基本国情就导致了我们在这方面的人才非常的匮乏, 对于行业的发展起到了很大的阻碍的作用, 这是我们当前遇到的一个非常大的难题。
企业面对于当前的情形性应该正确的面对, 对于高薪挖取人才有两种弊端:第一, 人才聘请需要高额的费用;第二, 人才对于企业没有感情, 一人出现人员流动。面对于这两种困境我们必须要行动起来, 通过企业的自身的人才培养, 解决当前的困境。企业高管提高重视的程度, 聘请专业的讲师, 对于企业的员工进行授课, 授课的过程中更多的联系实际, 这样能够提升人才的生长周期。我们企业要做好动员工作, 组织一些有意义的活动, 像是竞赛比武的形式, 这样能够更好的使大家投入到我们的工作中来, 会带动更多的加入到我们继续教育中来。企业与员工的命运是息息相关的我们必须要让人们意识到这一点, 只有这样我们才能更好的进行自我的提升, 行业的发展才会发展的更好。
结语
未来的发展我们很难进行预测, 因为我们知道经济的快速发展必然带动科技的进步, 就像五年前不会想到今天的变化一样。我们只知道未来我们的科技将更发达, 面对的问题会更多。想要做好这些我们必须要有信心, 上面这篇文章对于基于云计算这个领域进行了彻底的分析, 我们在很多的方面都有了更进一步的认识, 对于遇到的问题也进行了进一步的分析以及方案的提出, 对于我们今后的其他领域的发展起到了很好的借鉴作用。任何行业的发展都是这样一步步的开展的, 我相信以当前的发展趋势基于云计算这一方面在未来的发展中一定会更上一台阶。
参考文献