邵泳兵
（汕头职业技术学院 广东 汕头 515000）
网络大数据挖掘是在实际需求下对数据流转进行分析与研究的过程，相关学者进行了一定的研究。陈福集等[1]采用大数据信息融合技术，根据网络用户登录信息分布进行动态挖掘，使用结果进行信息融合和聚类分析，提高网络用户登录信息的舆情管理能力，王楚捷等[2]基于M-CORD实现对网络资源信息特征量化分析，构建无线网络信息的优化挖掘模型，分析网络聚类信息的动态特征量，提高网络特征辨识能力。
随着智慧图书馆建设的快速发展，需要进行图书馆用户登录信息管理，因此相关的图书馆用户登录信息动态管理和大数据挖掘技术研究受到人们的极大关注。为整合相关研究的优势，将其运用到图书馆管理当中，提高图书馆用户登录信息动态检测能力，本研究提出基于动态信息融合的大数据背景下图书馆用户登录信息动态挖掘算法，根据提取的图书馆用户登录信息的统计特征量进行关联规则挖掘，实现图书馆用户登录信息挖掘和优化定位检测。
1.1 图书馆用户登录信息大数据检测
设X,Y为项目集，且X∩Y=φ蕴含式X=＞Y称为关联规则，X,Y分别称为关联规则X=＞Y的前提和结论。项目集X∪Y的支持度称为关联规则X=＞Y的支持度，记作support (X=＞Y)，简写为sup (X=＞Y)，将其应用到图书馆用户登录信息提取中，首先，将图书馆用户登录信息融合特征分布模型定义为：
结合语义特征提取方法进行图书馆用户登录信息的特征提取和统计分析[5]，其中，设用户登录信息引导函数为：
式（2）中：ε为图书馆用户登录信息的模糊度k特征随机分布系数；
φ为任意函数。
其次，进行图书馆用户登录信息优化挖掘，当语义本体集为φ∈(Ω)且(0)=0时，可以得到图书馆用户登录信息挖掘的解算引导方程：
式（3）中：
根据自适应重组结果，进行图书馆用户登录信息空间特征的自适应加权，可得加权系数为：
根据图书馆用户登录+信息的时频特征分布，得到图书馆用户登录信息检测的变换关系有：
式（6）中，ω1和ω2表示信息登录的二次频率，并消除图书馆用户登录信息冗余特征，得到图书馆用户登录信息的融合特征输出为：
由此实现图书馆用户登录信息检测，提升信息检索效率。
以下，根据对图书馆用户登录信息检测结果进行信息融合和特征重构。
1.2 特征提取
利用统计特征分析方法[6-7]，进行图书馆用户登录信息的传输控制，设其标识位为：
利用图书馆用户登录信息的统计分布集，进行图书馆用户登录信息的自动融合跟踪，得到图书馆用户登录信息输出偏微分方程为：
采用梯度下降方法，引入时间变量t，可以得到图书馆用户登录信息融合模型：
图书馆用户登录信息挖掘的统计特征量定义为：
式（11）中：N表示图书馆统计特征，图书馆用户登录信息特征检测的对应关系定义为：
利用本体信息融合方法，引入关联程度系数v，进行图书馆用户登录信息的输出特征重构[8]，得到重构关系为：
此时，在图书馆用户登录信息的分区融合下，设互信息特征量为I(x，y)，（x，y）∈Ω，并且假设图书馆用户登录信息的平均互信息量I(x，y)在X和Y轴方向相互独立，图书馆用户登录信息检测的模糊度函数为I(x，·)，联合图书馆用户登录信息融合模型，以融合特征输出为输入，图书馆用户登录信息特征提取模型为：
综上所述，以图书馆用户登录信息特征提取模型为动态挖掘的基础，减少整体数据计算量，便于用户信息大数据配置。
1.3 图书馆用户登录信息大数据配置
结合图书馆用户登录信息配置数据存储节点的分布式结构重组方法，进行图书馆用户登录信息的存储结构分析，建立图书馆用户登录信息配置结构模型，结合大数据挖掘方法进行图书馆用户登录信息的存储体系结构设计[9-10]，用一个二元有向图G=(V,E)表示图书馆用户登录信息配置数据的图模型结构，其中，V是部署在图书馆用户登录信息配置图模型分布节点的顶点集；
E是图书馆用户登录信息配置数据在有限域分布区域G中所有边的集合。假设M1，M2…MN为图书馆用户登录信息配置数据的Sink节点，图书馆用户登录信息动态挖掘目标函数定义为：
假设图书馆用户登录信息检索的目标函数Cv(x)满足：
当图书馆用户登录信息的平均互信息量x小于0时，则不进行登录信息的检索，当大于0或等于0时，满足其中一种限制量时，采用对应的搜索函数，因此，将图书馆用户登录信息的融合特征量表示为：
于是，得到图书馆用户登录信息定位的BVv(Ω)空间的函数，可得图书馆用户登录信息动态挖掘的状态分布集为：
令g"(0)=0，可以得到：
式（19）中，cv为分布信息状态阈值。根据上述分析，进行图书馆用户登录信息的大数据配置。
1.4数据动态挖掘输出
提取图书馆用户登录信息的统计特征量，根据图书馆用户登录信息的特征提取结果采用模糊C均值聚类方法进行大数据聚类，模糊调度点集满足UT=U-1，VT=V-1，D∈Rm×M，且D=[∑0]，得到图书馆用户登录信息配置并行化的融合性聚类输出为：
构建图书馆用户登录信息配置查询模型，图书馆用户登录信息最优检索特征分量：
为了验证本研究所提方法在实现图书馆用户登录信息动态挖掘中的应用性能，进行仿真测试分析。
实验采用Matlab设计，数据来源为数据库Pearson Database中的某网络图书馆文化信息资源共享工程和公共报告内容，其中，所采集的数据样本集大小为600，图书馆用户登录信息的训练数据集规模为100，设图书馆用户登录信息动态挖掘的空间分布维数为12，将其进行图书馆用户登录信息动态融合，结果以信息域的形式表现出来，如图2所示。
根据上述信息融合结果，进行大数据挖掘，得到挖掘结果如图3所示。
式（22）中，ρSM计算图书馆用户登录信息配置的模糊聚类中心，ASM为对图书馆用户登录信息检索的输出幅值。
通过提取图书馆用户登录信息的联合条件信息量，为图书馆用户登录信息并行规划聚类自适应调节参数，通过上面的系统描述参数，基于动态信息融合方法，进行图书馆用户登录信息动态挖掘，算法流程图如图1所示。
分析图3得知，本研究所提方法进行图书馆用户登录信息挖掘时，对特征点的融合程度较高，说明动态融合性较好。因为本研究所提方法采用动态信息重构方法进行图书馆用户登录信息的相空间重构，结合边缘信息特征提取方法进行图书馆用户登录信息的关联规则挖掘。
将本研究所提方法与陈福集等[1]和王楚捷等[2]方法进行对比，测试本研究所提方法的挖掘精度，设测试数据为200个，如果实现200个数据全部检测完成，则记录查询准确率，得到对比结果如图4所示。
分析图4得知，在不同的时间迭代验证下，本研究所提方法进行图书馆用户登录信息挖掘的精度较高，收敛性较好；
且其实现100%查准率的所用时间不同，说明在同一检测量下，有不同的检测速度即检测效率，证明本研究所提方法能提高信息动态挖掘效率。
本研究提出基于动态信息融合的大数据背景下图书馆用户登录信息动态挖掘算法。结合关联规则挖掘方法进行图书馆用户登录信息的特征提取，结合图书馆用户登录信息融合模型，以融合特征输出为输入，基于动态信息融合方法，构建图书馆用户登录信息特征提取模型，进行图书馆用户登录信息动态挖掘，实现图书馆用户登录信息挖掘和优化定位检测。分析得知，采用本研究方法进行图书馆用户登录信息挖掘的自适应性较好，挖掘精度较高，查准率较高。
猜你喜欢 特征提取动态特征 国内动态卫星应用(2022年7期)2022-09-05国内动态卫星应用(2022年3期)2022-05-23离散型随机变量的分布列与数字特征中学生数理化(高中版.高考数学)(2022年3期)2022-04-26国内动态卫星应用(2022年1期)2022-03-09空间目标的ISAR成像及轮廓特征提取北京航空航天大学学报(2019年9期)2019-10-26动态环球慈善(2019年6期)2019-09-25基于Gazebo仿真环境的ORB特征提取与比对的研究电子制作(2019年15期)2019-08-27基于特征提取的绘本阅读机器人设计方案电子制作(2019年15期)2019-08-27抓特征解方程组初中生世界·七年级(2019年5期)2019-06-22不忠诚的四个特征当代陕西(2019年10期)2019-06-03