摘要:基于模式的贝叶斯分类模型是解决数据挖掘领域分类问题的一种有效方法.然而，大多数基于模式的贝叶斯分类器只考虑模式在目标类数据集中的支持度，而忽略了模式在对立类数据集合中的支持度.此外，对于高速动态变化的无限数据流环境，在静态数据集下的基于模式的贝叶斯分类器就不能适用.为了解决这些问题，提出了基于显露模式的数据流贝叶斯分类模型EPDS（Bayesian classifier algorithm based on emerging pattern for data stream）.该模型使用一个简单的混合森林结构来维护内存中事务的项集，并采用一种快速的模式抽取机制来提高算法速度.EPDS采用半懒惰式学习策略持续更新显露模式，并为待分类事务在每个类下建立局部分类模型.大量实验结果表明，该算法比其他数据流分类模型有较高的准确度.

摘要:基于时序对齐的k近邻分类器是时间序列分类的基准算法.在实际应用中，同类复杂时间序列经常展现出不同的全局特性.由于传统时序对齐方法平等对待实例特征并忽略其局部辨别特性，因此难以准确、高效地处理此类具有挑战性的时间序列.为了有效对齐并分类复杂时间序列，提出了一种具有辨别性的局部加权动态时间扭曲方法，用于发现同类复杂时间序列的共同点以及异类序列间的不同点.同时，通过迭代学习时间序列对齐点的正例集与负例集，获取每条复杂时间序列中每个特征的辨别性权重.在多个人工和真实数据集上的实验结果表明了基于局部加权对齐策略的k近邻分类器所具有的可解释性与有效性，并将所提出方法扩展至多变量时间序列分类问题中.

摘要:协同过滤方法是当今大多数推荐系统的核心.传统的协同过滤方法专注于评分预测的准确性,然而实际推荐系统的推荐结果往往是项目的排序.针对这一问题,将排名学习领域的知识引入推荐算法,设计了一种基于评分矩阵局部低秩假设的成列协同排名算法.选择直接使用计算复杂度较低的成列损失函数来优化矩阵分解模型,并通过实验验证了其在运算速度上的显著提升.在3个实际推荐系统数据集上,与当下主流推荐算法的比较实验结果表明,该算法具有良好的性能.