CN112182017A - 一种基于用户交互过程的优化数据探索的方法 - Google Patents

一种基于用户交互过程的优化数据探索的方法 Download PDF

Info

Publication number
CN112182017A
CN112182017A CN202011065504.3A CN202011065504A CN112182017A CN 112182017 A CN112182017 A CN 112182017A CN 202011065504 A CN202011065504 A CN 202011065504A CN 112182017 A CN112182017 A CN 112182017A
Authority
CN
China
Prior art keywords
interaction
view
path
user
frequent item
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011065504.3A
Other languages
English (en)
Other versions
CN112182017B (zh
Inventor
艾泽发
张怡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202011065504.3A priority Critical patent/CN112182017B/zh
Publication of CN112182017A publication Critical patent/CN112182017A/zh
Application granted granted Critical
Publication of CN112182017B publication Critical patent/CN112182017B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G06F16/2423—Interactive query statement specification based on a database schema
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于用户交互过程的优化数据探索的方法，通过收集分析用户在数据探索时产生的交互数据，首先，定义用户交互的视图为视图一，定义记录分析视图为视图二，定义用户的交互，判断是否从视图一中获得了所需的信息，满足条件，完成交互；否则，进行交互，对交互路径依次进行压缩和分组；然后，通过FP‑Growth算法在分组中挖掘频繁项集；采用优化的Dijkstra算法计算关键交互路径即最短交互路径；最后将频繁项集中置信度最高的频繁项及关键交互路径分别标注到视图二，若从视图一中获得了所需的信息，完成交互；否则，继续进行交互，直至满足条件为止。本发明可以帮助用户通过视图二更好的观察自己交互的过程，从而更好地进行数据探索。

Description

一种基于用户交互过程的优化数据探索的方法
技术领域
本发明涉及一种优化数据探索步骤的方法，属于数据探索领域的一个研究问题。该方法通过收集分析用户的数据探索交互过程，优化数据探索步骤。
背景技术
随着科学技术的发展，信息的产生得到了爆炸式的增长，每天都能产生不可计量的数据。随着数据的获取越来越简单，计算机算力不断增强，出现了很多优秀的数据挖掘方法，但是目前还是存在智能化程度不足的问题，需要在数据分析过程中加入人的分析与决策。
数据探索是指，对于一个未知的结构化的数据集，通过可视化的方式，将其通过交互视图展示出来，从而可以通过交互，用可视化的方式从视图中发掘有用的信息。分析人员通常从广泛的概念开始，一步步熟悉数据的结构，将注意力多次集中在不同的感兴趣的部分，试图发掘有用信息。
然而在数据探索的过程中，数据分析人员在发现一个感兴趣的分析状态时，可能并无法确定从该状态继续进行分析是否能够得到有用的结果。又或者在发掘了有用信息时，并不知道自己是通过了哪些交互过程才达到该结果，无法总结在该数据集进行分析时的有效交互过程。
因此，数据探索需要一种更加灵活，根据用户交互过程进行响应的方法来帮助优化数据探索时的交互步骤。
在当前研究中，首先定义用户的交互行为。因为交互行为是多重多样的，对于多种的交互性方式，需要按照交互方式的特点对这些交互方式进行分类，例如缩小，放大，平移都可以看作是过滤操作；单选，框选等都可以看作选择操作。在实际中用户交互过程，很可能产生很多多余的操作，例如当进行平移交互时，用户通常很难一次性将视图调整到满意的位置，因此会在短时间内产生连续的相同的交互，并且每次这些交互产生的视图数据状态的区别都很小，所以这些操作可以被去除掉；并通过实时生成关键路径，使得分析人员更好的掌握分析的过程。
发明内容
针对现有技术，本发明提出了一种基于用户交互过程的优化数据探索的方法，其中考虑了对于用户交互的过程的记录和分析，从而实现了优化数据探索的步骤。
为了解决上述技术问题，本发明提出的一种基于用户交互过程的优化数据探索的方法，该方法主要是通过收集分析用户在数据探索时产生的交互数据，步骤是：首先，定义用户交互的视图为视图一，定义记录分析视图为视图二，定义用户的交互，判断是否从视图一中获得了所需的信息，满足条件，完成交互；否则，进行交互，对交互路径依次进行压缩和分组；然后，通过FP-Growth算法在分组中挖掘频繁项集，所述频繁项集中频繁项的长度为2到5；采用优化的Dijkstra算法计算关键交互路径，以降低关键路径计算的复杂度，所述关键交互路径为最短交互路径；最后将频繁项集中置信度最高的频繁项及关键交互路径分别标注到视图二，判断是否从视图一中获得了所需的信息，满足条件，完成交互；否则，继续进行交互，直至满足条件为止。
进一步讲，本发明所述的优化数据探索的方法，其特征在于：该方法的具体步骤如下：
步骤一、定义用户的交互：
数据探索需要用户对视图交互，设用户交互的视图为视图一；本发明需要根据用户的交互，将用户交互的过程记录并分析，并将用户交互的过程及分析结果标注到另外一个视图上，从而帮助用户更好的完成交互，设该视图为视图二；
N＝{N1，N2，...，Nn}，N是指交互后视图一的数据状态集合；其中，Ni是指用户对视图一一次交互后视图一的数据状态；P＝{P1，P2，...，Pn}，P为交互路径集合，是指相邻的视图一数据状态之间的的集合；其中，Pi是指Ni和Ni+1之间的用户交互；
步骤二、若从视图一中获得了所需的信息，完成交互；否则，进行交互，然后进行步骤三；
步骤三、交互路径集合P与视图数据状态集合N压缩：
通过遍历交互路径集合P，若存在连续相同的Pi，Pi+1，...，Pi+n，进而比较Pi，Pi+1，...，Pi+n之间的视图数据状态Ni+1，Ni+2，...，Ni+n-1的相似度，视图数据状态Ni为多维数据节点，采用计算曼哈顿距离来进行相似度的比较：
Figure BDA0002713645590000021
其中，distman(Ni，Ni+1)表示Ni和Ni+1之间的曼哈顿距离，k表示Ni有k个维度，Nij表示Ni的第j个维度；设置阈值c＝k*0.15，当distman(Ni，Ni+1)≤c，交互路径Pi+1和视图数据状态Ni+1被压缩掉；
步骤四、交互路径集合的分组：
依据Pi与Pi+1之间的时间间隔t对交互路径集合P进行分组，当t＜5s时，Pi与Pi+1属于相同分组，否则Pi+1形成了新的分组，从而获得交互路径的分组集合G＝{G1，G2，...，Gn}，其中，Gi是指一个交互路径的组；
步骤五、交互路径频繁项集的挖掘：
采用FP-Growth算法在步骤四得到的交互路径的分组集合G中挖掘出频繁项集，包括：设交互路径分组集合G中的组数为n，该频繁项集的最小支持度minsupport＝p*n，p的取值范围为0.2-0.5，该频繁项集中频繁项的长度取2到5；
步骤六、提取关键交互路径：
根据步骤三压缩后的交互路径集合，采用优化的Dijkstra算法计算其中的关键交互路径，包括：
首先，指定初始起点为最初的交互视图数据状态N1，并且设置两个集合S和U，集合S用来记录已经求出最短路径的交互视图数据状态节点，U用来记录除了集合S中的节点之外的节点；
然后，计算当前的关键交互路径Pkeycurr，根据操作的不同有以下两种情形：
情形一，该交互是对视图一的直接操作，产生一个新的交互路径Pi和一个新的交互视图数据状态Ni，新的交互路径Pi从当前的交互视图数据状态Ni-1指向新的交互视图数据状态Ni，将新的交互视图数据状态Ni加入到集合U中，节点Ni到初始节点N1的距离即为节点Ni-1到初始节点N1的距离加1；从初始节点N1的到节点Ni的之间交互路径路即为关键交互路径；
情形二，该交互是视图数据状态之间的跳转操作，产生新的交互路径Pi，在集合S中查找跳转之后的节点对应的最短距离，该最短距离对应的交互路径即为关键交互路径；
步骤七、在视图二上标注提示信息：
将步骤五获得的频繁项集中置信度最高的频繁项及步骤六获得的关键交互路径分别标注到视图二上，返回步骤二。
步骤七中，采用d3js进行提示信息的标注。
与现有技术相比本发明的有益效果是：
本发明提出了一种基于用户交互过程的优化数据探索的方法，相对于以往的方法更多的考虑了对于用户交互的过程的记录和分析。由于本发明中，记录和分析了用户交互的过程，采用挖掘频繁项集，提取关键交互路径的方法，再标注到视图二上，因此，帮助用户通过视图二更好的观察自己交互的过程，从而更好地进行数据探索。
附图说明
图1是本发明所述的优化数据探索的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明技术方案作进一步详细描述，所描述的具体实施例仅对本发明进行解释说明，并不用以限制本发明。
本发明一种基于用户交互过程的优化数据探索的方法，主要是通过收集分析用户在数据探索时产生的交互数据，从而优化数据探索，如图1所示，主要包括：首先，定义用户交互的视图为视图一，定义记录分析视图为视图二，定义用户的交互，判断是否从视图一中获得了所需的信息，满足条件，完成交互；否则，进行交互，对交互路径依次进行压缩和分组；然后，通过FP-Growth算法在分组中挖掘频繁项集，所述频繁项集中频繁项的长度为2到5；采用优化的Dijkstra算法计算关键交互路径，以降低关键路径计算的复杂度，所述关键交互路径为最短交互路径；最后将频繁项集中置信度最高的频繁项及关键交互路径分别标注到视图二，判断是否从视图一中获得了所需的信息，满足条件，完成交互；否则，继续进行交互，直至满足条件为止。该方法的具体步骤如下：
步骤一、定义用户的交互：
数据探索需要用户对视图交互，设用户交互的视图为视图一；本发明需要根据用户的交互，将用户交互的过程记录并分析，并将用户交互的过程及分析结果标注到另外一个视图上，从而帮助用户更好的完成交互，设该视图为视图二；
N＝{N1，N2，...，Nn}，N是指交互后视图一的数据状态集合；其中，Ni是指用户对视图一一次交互后视图一的数据状态；P＝{P1，P2，...，Pn}，P为交互路径集合，是指相邻的视图一数据状态之间的的集合；其中，Pi是指Ni和Ni+1之间的用户交互；
步骤二、若从视图一中获得了所需的信息，完成交互；否则，进行交互，然后进行步骤三；
步骤三、交互路径集合P与视图数据状态集合N压缩：
通过遍历交互路径集合P，若存在连续相同的Pi，Pi+1，...，Pi+n，进而比较Pi，Pi+1，...，Pi+n之间的视图数据状态Ni+1，Ni+2，...，Ni+n-1的相似度，视图数据状态Ni为多维数据节点，采用计算曼哈顿距离来进行相似度的比较：
Figure BDA0002713645590000041
其中，distman(Ni，Ni+1)表示Ni和Ni+1之间的曼哈顿距离，k表示Ni有k个维度，Nij表示Ni的第j个维度；设置阈值c＝k*0.15，当distman(Ni，Ni+1)≤c，交互路径Pi+1和视图数据状态Ni+1被压缩掉；
例如：压缩前交互路径集合P(部分)如表1所示，压缩后交互路径集合P(部分)如表2所示。
表1压缩前交互路径集合P(部分)
Figure BDA0002713645590000051
表2压缩后交互路径集合P(部分)
Figure BDA0002713645590000052
步骤四、交互路径集合的分组：
依据Pi与Pi+1之间的时间间隔t对交互路径集合P进行分组，当t＜5s时，Pi与Pi+1属于相同分组，否则Pi+1形成了新的分组，从而获得交互路径的分组集合G＝{G1，G2，...，Gn}，其中，Gi是指一个交互路径的组；
分组集合如表3所示。
表3分组集合
Figure BDA0002713645590000061
步骤五、交互路径频繁项集的挖掘：
采用FP-Growth算法在步骤四得到的交互路径的分组集合G中挖掘出频繁项集，包括：设交互路径分组集合G中的组数为n，该频繁项集的最小支持度minsupport＝p*n，p的取值范围为0.2-0.5，该频繁项集中频繁项的长度取2到5；
步骤六、提取关键交互路径：
根据步骤三压缩后的交互路径集合，采用优化的Dijkstra算法计算其中的关键交互路径，包括：
首先，指定初始起点为最初的交互视图数据状态N1，并且设置两个集合S和U，集合S用来记录已经求出最短路径的交互视图数据状态节点，U用来记录除了集合S中的节点之外的节点；
然后，计算当前的关键交互路径Pkeycurr，根据操作的不同有以下两种情形：
情形一，该交互是对视图一的直接操作，产生一个新的交互路径Pi和一个新的交互视图数据状态Ni，新的交互路径Pi从当前的交互视图数据状态Ni-1指向新的交互视图数据状态Ni，将新的交互视图数据状态Ni加入到集合U中，节点Ni到初始节点N1的距离即为节点Ni-1到初始节点N1的距离加1；从初始节点N1的到节点Ni的之间交互路径路即为关键交互路径；
情形二，该交互是视图数据状态之间的跳转操作，产生新的交互路径Pi，在集合S中查找跳转之后的节点对应的最短距离，该最短距离对应的交互路径即为关键交互路径；
目前关键交互路径即为drag，zoom，brush，filter，drag。
步骤七、在视图二上标注提示信息：
将步骤五获得的频繁项集中置信度最高的频繁项及步骤六获得的关键交互路径分别标注到视图二上，返回步骤二。
目前获得的置信度最高的频繁项为brush，filter，drag，关键交互路径为drag，zoom，brush，filter，drag。
在每一步绘制正常的交互路径之后，通过步骤二，步骤四，步骤五产生提示信息的对应的数据，然后通过d3js库在交互视图上标注对应的提示信息。
尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。

Claims (3)

1.一种基于用户交互过程的优化数据探索的方法，其特征在于：该方法主要是通过收集分析用户在数据探索时产生的交互数据，步骤是：
首先，定义用户交互的视图为视图一，定义记录分析视图为视图二，定义用户的交互，判断是否从视图一中获得了所需的信息，满足条件，完成交互；否则，进行交互，对交互路径依次进行压缩和分组；然后，通过FP-Growth算法在分组中挖掘频繁项集，所述频繁项集中频繁项的长度为2到5；采用优化的Dijkstra算法计算关键交互路径，以降低关键路径计算的复杂度，所述关键交互路径为最短交互路径；最后将频繁项集中置信度最高的频繁项及关键交互路径分别标注到视图二，判断是否从视图一中获得了所需的信息，满足条件，完成交互；否则，继续进行交互，直至满足条件为止。
2.根据权利要求1所述的优化数据探索的方法，其特征在于：该方法的具体步骤如下：
步骤一、定义用户的交互：
数据探索需要用户对视图交互，设用户交互的视图为视图一；本发明需要根据用户的交互，将用户交互的过程记录并分析，并将用户交互的过程及分析结果标注到另外一个视图上，从而帮助用户更好的完成交互，设该视图为视图二；
N＝{N1，N2，...，Nn}，N是指交互后视图一的数据状态集合；其中，Ni是指用户对视图一一次交互后视图一的数据状态；P＝{P1，P2，...，Pn}，P为交互路径集合，是指相邻的视图一数据状态之间的的集合；其中，Pi是指Ni和Ni+1之间的用户交互；
步骤二、若从视图一中获得了所需的信息，完成交互；否则，进行交互，然后进行步骤三；
步骤三、交互路径集合P与视图数据状态集合N压缩：
通过遍历交互路径集合P，若存在连续相同的Pi，Pi+1，...，Pi+n，进而比较Pi，Pi+1，...，Pi+n之间的视图数据状态Ni+1，Ni+2，...，Ni+n-1的相似度，视图数据状态Ni为多维数据节点，采用计算曼哈顿距离来进行相似度的比较：
Figure FDA0002713645580000011
其中，distman(Ni，Ni+1)表示Ni和Ni+1之间的曼哈顿距离，k表示Ni有k个维度，Nij表示Ni的第j个维度；设置阈值c＝k*0.15，当distman(Ni，Ni+1)≤c，交互路径Pi+1和视图数据状态Ni+1被压缩掉；
步骤四、交互路径集合的分组：
依据Pi与Pi+1之间的时间间隔t对交互路径集合P进行分组，当t＜5s时，Pi与Pi+1属于相同分组，否则Pi+1形成了新的分组，从而获得交互路径的分组集合G＝{G1，G2，...，Gn}，其中，Gi是指一个交互路径的组；
步骤五、交互路径频繁项集的挖掘：
采用FP-Growth算法在步骤四得到的交互路径的分组集合G中挖掘出频繁项集，包括：设交互路径分组集合G中的组数为n，该频繁项集的最小支持度minsupport＝p*n，p的取值范围为0.2-0.5，该频繁项集中频繁项的长度取2到5；
步骤六、提取关键交互路径：
根据步骤三压缩后的交互路径集合，采用优化的Dijkstra算法计算其中的关键交互路径，包括：
首先，指定初始起点为最初的交互视图数据状态N1，并且设置两个集合S和U，集合S用来记录已经求出最短路径的交互视图数据状态节点，U用来记录除了集合S中的节点之外的节点；
然后，计算当前的关键交互路径Pkeycurr，根据操作的不同有以下两种情形：
情形一，该交互是对视图一的直接操作，产生一个新的交互路径Pi和一个新的交互视图数据状态Ni，新的交互路径Pi从当前的交互视图数据状态Ni-1指向新的交互视图数据状态Ni，将新的交互视图数据状态Ni加入到集合U中，节点Ni到初始节点N1的距离即为节点Ni-1到初始节点N1的距离加1；从初始节点N1的到节点Ni的之间交互路径路即为关键交互路径；
情形二，该交互是视图数据状态之间的跳转操作，产生新的交互路径Pi，在集合S中查找跳转之后的节点对应的最短距离，该最短距离对应的交互路径即为关键交互路径；
步骤七、在视图二上标注提示信息：
将步骤五获得的频繁项集中置信度最高的频繁项及步骤六获得的关键交互路径分别标注到视图二上，返回步骤二。
3.根据权利要求2所述的优化数据探索的方法，其特征在于：步骤七中，采用d3js进行提示信息的标注。
CN202011065504.3A 2020-09-30 2020-09-30 一种基于用户交互过程的优化数据探索的方法 Active CN112182017B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011065504.3A CN112182017B (zh) 2020-09-30 2020-09-30 一种基于用户交互过程的优化数据探索的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011065504.3A CN112182017B (zh) 2020-09-30 2020-09-30 一种基于用户交互过程的优化数据探索的方法

Publications (2)

Publication Number Publication Date
CN112182017A true CN112182017A (zh) 2021-01-05
CN112182017B CN112182017B (zh) 2022-06-07

Family

ID=73948239

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011065504.3A Active CN112182017B (zh) 2020-09-30 2020-09-30 一种基于用户交互过程的优化数据探索的方法

Country Status (1)

Country Link
CN (1) CN112182017B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115662158A (zh) * 2022-10-31 2023-01-31 东南大学 一种面向交通溢流的关键路径信号控制优化方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8812960B1 (en) * 2013-10-07 2014-08-19 Palantir Technologies Inc. Cohort-based presentation of user interaction data
US20170039233A1 (en) * 2015-08-07 2017-02-09 Sap Se Sankey diagram graphical user interface customization
CN108153870A (zh) * 2017-12-25 2018-06-12 四川长虹电器股份有限公司 一种用户访问路径预测方法
CN109829008A (zh) * 2018-12-10 2019-05-31 中科曙光南京研究院有限公司 一种数据分析实时可视化方法和系统
CN110442616A (zh) * 2018-05-02 2019-11-12 中国科学院声学研究所 一种针对大数据量的页面访问路径分析方法与系统
US20190377818A1 (en) * 2018-06-11 2019-12-12 The Governing Council Of The University Of Toronto Data visualization platform for event-based behavior clustering
CN110609783A (zh) * 2019-09-24 2019-12-24 京东数字科技控股有限公司 用于识别异常行为用户的方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8812960B1 (en) * 2013-10-07 2014-08-19 Palantir Technologies Inc. Cohort-based presentation of user interaction data
US20170039233A1 (en) * 2015-08-07 2017-02-09 Sap Se Sankey diagram graphical user interface customization
CN108153870A (zh) * 2017-12-25 2018-06-12 四川长虹电器股份有限公司 一种用户访问路径预测方法
CN110442616A (zh) * 2018-05-02 2019-11-12 中国科学院声学研究所 一种针对大数据量的页面访问路径分析方法与系统
US20190377818A1 (en) * 2018-06-11 2019-12-12 The Governing Council Of The University Of Toronto Data visualization platform for event-based behavior clustering
CN109829008A (zh) * 2018-12-10 2019-05-31 中科曙光南京研究院有限公司 一种数据分析实时可视化方法和系统
CN110609783A (zh) * 2019-09-24 2019-12-24 京东数字科技控股有限公司 用于识别异常行为用户的方法和装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JAEHYUN PARK AND RICHARD BOLAND, JR: "IDENTIFYING A DYNAMIC INTERACTION MODEL: A VIEW FROM THE DESIGNER-USER INTERACTIONS", 《INTERNATIONAL CONFERENCE ON ENGINEERING DESIGN》 *
JESU´ S M. ALMENDROS-JIME´ NEZ, LUIS IRIBARNE: "UML Modeling of User and Database", 《THE COMPUTER JOURNAL》 *
丁梦晓，毕强，张晗，李洁: "数字图书馆知识发现系统用户交互优化研究", 《情报资料工作》 *
程时伟，沈哓权，孙凌云，胡屹凛: "多用户眼动跟踪数据的可视化共享与协同交互", 《软件学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115662158A (zh) * 2022-10-31 2023-01-31 东南大学 一种面向交通溢流的关键路径信号控制优化方法
CN115662158B (zh) * 2022-10-31 2023-08-29 东南大学 一种面向交通溢流的关键路径信号控制优化方法

Also Published As

Publication number Publication date
CN112182017B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
Liu et al. Clustering with outlier removal
Peng et al. Spatial temporal graph deconvolutional network for skeleton-based human action recognition
Gao et al. Less is more: Efficient 3-D object retrieval with query view selection
CN111382347A (zh) 一种对象特征的处理和信息推送方法、装置和设备
JP2009282980A (ja) 画像学習、自動注釈、検索方法及び装置
Mei et al. Fuzzy relational clustering around medoids: A unified view
CN112182017B (zh) 一种基于用户交互过程的优化数据探索的方法
CN117311801B (zh) 一种基于网络化结构特征的微服务拆分方法
CN111177578A (zh) 一种用户周边最具影响力社区的搜索方法
Song et al. Interactive visual pattern search on graph data via graph representation learning
Li et al. Mask-gvae: Blind denoising graphs via partition
Wang et al. SKICA: A feature extraction algorithm based on supervised ICA with kernel for anomaly detection
Coelho et al. A multi-objective multipopulation approach for biclustering
CN112765313A (zh) 一种基于原文和评论信息分析算法的虚假信息检测方法
Dhoot et al. Efficient Dimensionality Reduction for Big Data Using Clustering Technique
Aljibawi et al. A survey on clustering density based data stream algorithms
Vandaele et al. Mining topological structure in graphs through forest representations
CN112733926A (zh) 一种基于半监督的多层网络聚类方法
CN112925839A (zh) 一种面向增量式数据集的知识发现方法与发现装置
CN114757745B (zh) 一种基于联合矩阵分解的电商场景挖掘方法与系统
CN115470640B (zh) 基于流程树分解和轨迹匹配策略的合规性检测方法与系统
Rada et al. A comparative analysis on prototype-based clustering methods
Greau-Hamard et al. Performance analysis and comparison of sequence identification algorithms in iot context
Dighe et al. Improving projected clustering algorithm for high dimensional dataset
Chen et al. Community Discovery Algorithm Based on Multi-Relationship Embedding.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant