基于改進深度學(xué)習(xí)算法的大數(shù)據(jù)交互式查詢技術(shù)研究

劉文春

基于改進深度學(xué)習(xí)算法的大數(shù)據(jù)交互式查詢技術(shù)研究

劉文春

（安徽工貿(mào)職業(yè)技術(shù)學(xué)院，安徽 淮南 232007）

傳統(tǒng)大數(shù)據(jù)交互式查詢技術(shù)忽略了對大數(shù)據(jù)融合步驟，導(dǎo)致該技術(shù)的交互查詢效果不理想，且準確度偏低。為此，提出基于改進深度學(xué)習(xí)算法的大數(shù)據(jù)交互式查詢技術(shù)。以教務(wù)系統(tǒng)為研究對象，構(gòu)建教務(wù)系統(tǒng)交互大數(shù)據(jù)的粗糙量化特征分析模型，基于聯(lián)合自相似性特征解析控制方法實現(xiàn)對教務(wù)系統(tǒng)交互大數(shù)據(jù)信息融合和特征匹配，從而提取教務(wù)系統(tǒng)交互大數(shù)據(jù)的關(guān)聯(lián)匹配特征量。通過目標樣本集相似性特征的重構(gòu)，實現(xiàn)大數(shù)據(jù)深度學(xué)習(xí)訓(xùn)練。利用深度學(xué)習(xí)模型深度融合教務(wù)系統(tǒng)交互大數(shù)據(jù)，實現(xiàn)對大數(shù)據(jù)的交互式查詢。仿真結(jié)果表明，該方法教務(wù)系統(tǒng)交互大數(shù)據(jù)查詢的查準率較高，且數(shù)據(jù)訓(xùn)練過程的收斂速率和傳輸速率較好，有效提高了大數(shù)據(jù)交互式查詢能力。

改進深度學(xué)習(xí)算法；大數(shù)據(jù)；交互式查詢；教務(wù)系統(tǒng)

隨著教務(wù)信息管理技術(shù)的發(fā)展，出現(xiàn)越來越多的智慧化的教務(wù)信息化管理系統(tǒng)。通常在B/S交互構(gòu)架協(xié)議下實現(xiàn)對教務(wù)系統(tǒng)智能化的開發(fā)設(shè)計，其核心是教務(wù)系統(tǒng)中的數(shù)據(jù)采集和查詢分析[1]。由于教務(wù)系統(tǒng)交互大數(shù)據(jù)分布的規(guī)模性較大，特征聚類性不好，導(dǎo)致教務(wù)系統(tǒng)的交互大數(shù)據(jù)查詢準確度不高。因此優(yōu)化教務(wù)系統(tǒng)交互大數(shù)據(jù)查詢技術(shù)在提高教務(wù)系統(tǒng)管理能力方面具有重要意義[2-3]。

傳統(tǒng)教務(wù)系統(tǒng)交互大數(shù)據(jù)查詢方法主要有基于粗糙集特征匹配的教務(wù)系統(tǒng)交互大數(shù)據(jù)查詢方法[4]、基于相似度特征分析的教務(wù)系統(tǒng)交互大數(shù)據(jù)查詢方法[5]等。以上傳統(tǒng)方法均是通過建立教務(wù)系統(tǒng)交互大數(shù)據(jù)的特征提取和聚類分析模型，根據(jù)對教務(wù)系統(tǒng)交互大數(shù)據(jù)的特征分布式融合和聚類結(jié)果，實現(xiàn)教務(wù)系統(tǒng)交互大數(shù)據(jù)的優(yōu)化查詢，但傳統(tǒng)教務(wù)系統(tǒng)交互大數(shù)據(jù)查詢技術(shù)的數(shù)據(jù)查準率偏低，其精度無法滿足該領(lǐng)域的應(yīng)用要求。

針對上述問題，本文提出基于改進深度學(xué)習(xí)算法的教務(wù)系統(tǒng)大數(shù)據(jù)交互式查詢技術(shù)。通過仿真實驗測試可知，本文所提技術(shù)在提高大數(shù)據(jù)交互式查詢能力方面具有優(yōu)越性能。

1 教務(wù)系統(tǒng)交互大數(shù)據(jù)融合

1.1 數(shù)據(jù)分布范圍檢測

為實現(xiàn)數(shù)據(jù)分布范圍的檢測，采用聯(lián)合時間序列分析[6]，得到教務(wù)系統(tǒng)數(shù)據(jù)的時間戳校對式為：

根據(jù)上述數(shù)據(jù)的范圍檢測結(jié)果，提取教務(wù)系統(tǒng)數(shù)據(jù)的特征分布點。

1.2 數(shù)據(jù)特征提取

為實現(xiàn)對教務(wù)系統(tǒng)交互大數(shù)據(jù)信息特征提取，依據(jù)教務(wù)系統(tǒng)各組數(shù)據(jù)之間的經(jīng)典等價關(guān)系[8]，得到教務(wù)系統(tǒng)交互大數(shù)據(jù)的特征分類屬性判別函數(shù)為

基于穩(wěn)態(tài)識別技術(shù)，得到教務(wù)系統(tǒng)數(shù)據(jù)采樣的模糊度函數(shù)為

根據(jù)上述分析完成了教務(wù)系統(tǒng)數(shù)據(jù)的關(guān)聯(lián)匹配特征的提取。根據(jù)教務(wù)系統(tǒng)數(shù)據(jù)的目標樣本相似性特征對其進行重構(gòu)，實現(xiàn)對教務(wù)系統(tǒng)交互大數(shù)據(jù)的深度學(xué)習(xí)訓(xùn)練。

2 教務(wù)系統(tǒng)交互大數(shù)據(jù)查詢優(yōu)化

2.1 教務(wù)系統(tǒng)大數(shù)據(jù)交互查詢網(wǎng)絡(luò)模型

2.2 數(shù)據(jù)查詢深度學(xué)習(xí)

在查詢系統(tǒng)網(wǎng)絡(luò)模型中采用規(guī)定的融合規(guī)則[11-12]進行教務(wù)系統(tǒng)交互大數(shù)據(jù)融合，以此實現(xiàn)對大數(shù)據(jù)交互式查詢。教務(wù)系統(tǒng)交互大數(shù)據(jù)查詢的收斂性控制函數(shù)為

根據(jù)上述算法改進設(shè)計，實現(xiàn)對大數(shù)據(jù)交互式查詢，實現(xiàn)流程如圖1所示。

圖1 大數(shù)據(jù)交互式查詢實現(xiàn)流程圖

3 仿真測試分析

為驗證本文方法在實現(xiàn)大數(shù)據(jù)交互式查詢中的應(yīng)用性能，進行仿真測試分析，設(shè)定深度學(xué)習(xí)模型學(xué)習(xí)不同數(shù)據(jù)的學(xué)習(xí)效率為0.83，特征匹配系數(shù)為0.712，數(shù)據(jù)庫分布的規(guī)模為2500，深度學(xué)習(xí)訓(xùn)練的時間采樣間隔為0.37s，數(shù)據(jù)庫交互的訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集如表1, 2所示。

表1 數(shù)據(jù)庫交互的訓(xùn)練數(shù)據(jù)集

表2 數(shù)據(jù)庫交互的測試數(shù)據(jù)集

根據(jù)上述仿真條件和參數(shù)設(shè)定，利用文獻[4]提出的基于粗糙集特征匹配的教務(wù)系統(tǒng)交互大數(shù)據(jù)查詢技術(shù)和所設(shè)計技術(shù)進行教務(wù)系統(tǒng)交互大數(shù)據(jù)查詢，得到數(shù)據(jù)庫訪問的吞吐量對比測試結(jié)果如圖2所示。根據(jù)數(shù)據(jù)庫訪問吞吐性能對比檢測，與文獻[4]技術(shù)相比，證明本文方法的吞吐量較大。此實驗結(jié)果說明本研究所設(shè)計技術(shù)應(yīng)用下，系統(tǒng)的響應(yīng)時間較快，服務(wù)器配置較高。基于此，利用文獻[4]技術(shù)與所設(shè)計技術(shù)完成數(shù)據(jù)庫訪問效率測試，得到數(shù)據(jù)庫訪問的傳輸速率如圖3所示。

分析圖3得知，在實驗期間文獻[4]方法的磁盤傳輸速率波動區(qū)間為0～1100kB/s，所提方法的磁盤傳輸速率波動區(qū)間為0～3500kB/s，與文獻[4]技術(shù)相比，采用本文技術(shù)進行教務(wù)系統(tǒng)交互大數(shù)據(jù)查詢的傳輸速率較高。

圖2 數(shù)據(jù)庫訪問的吞吐量

圖3 數(shù)據(jù)訪問的傳輸速率測試

測試不同方法中系統(tǒng)交互大數(shù)據(jù)查詢的查準率，得到對比結(jié)構(gòu)如圖4所示。

圖4 查準率測試結(jié)果

分析圖4得知，本文方法進行教務(wù)系統(tǒng)交互大數(shù)據(jù)查詢的查準率較高，最高達到了95%以上，輸出平衡性較好，提高了教務(wù)系統(tǒng)交互大數(shù)據(jù)訪問查詢性能。文獻[4]為了解決大數(shù)據(jù)查詢距離結(jié)果不精確且耗時長的問題，建立了一種新穎的猶豫模糊聚類算法，運用核函數(shù)將樣本空間中的數(shù)據(jù)映射到一個高維特征空間，但是該技術(shù)忽略了對大數(shù)據(jù)融合步驟，導(dǎo)致該技術(shù)的交互查詢效果不理想，查準率達不到大數(shù)據(jù)深度處理要求。本文提出的技術(shù)通過基于聯(lián)合自相似性特征解析控制方法實現(xiàn)對教務(wù)系統(tǒng)交互大數(shù)據(jù)信息融合和特征匹配，取得了理想的應(yīng)用效果，解決了查準率偏低的問題。

4 結(jié)束語

本文提出基于改進深度學(xué)習(xí)算法的教務(wù)系統(tǒng)大數(shù)據(jù)交互式查詢技術(shù)。在TCP協(xié)議模式下，建立教務(wù)系統(tǒng)交互大數(shù)據(jù)查詢的組網(wǎng)和通信結(jié)構(gòu)模型。基于聯(lián)合自相似性特征解析控制方法實現(xiàn)對大數(shù)據(jù)特征匹配，基于深度學(xué)習(xí)算法實現(xiàn)對教務(wù)系統(tǒng)交互大數(shù)據(jù)的模糊融合處理。通過目標樣本集相似性特征重構(gòu)的方法，實現(xiàn)對教務(wù)系統(tǒng)交互大數(shù)據(jù)的交互式查詢。研究得知，本文方法對教務(wù)系統(tǒng)交互大數(shù)據(jù)查詢的傳輸速率較高，查準率較好，提高查詢性能。

雖然實驗結(jié)果驗證了所提方法具有理想的應(yīng)用效果，但是，本文是通過提取教務(wù)系統(tǒng)交互大數(shù)據(jù)的關(guān)聯(lián)匹配特征量，實現(xiàn)目標樣本集相似性特征的重構(gòu)。由于大數(shù)據(jù)的特征量較大，其特征關(guān)聯(lián)匹配的難度較大，導(dǎo)致本文技術(shù)的實現(xiàn)不具有較好的簡便性。因此，在日后的研究中，會針對該問題深入談?wù)摵头治?，為相關(guān)領(lǐng)域提供更可靠的依據(jù)。

[1] 于爽，李淑梅. 圖書電子資源信息分布式多模塊檢索仿真[J]. 計算機仿真，2020, 37(06): 439-442.

[2] 王薇. 信息可視化檢索在高校圖書館的應(yīng)用[J]. 信息系統(tǒng)工程，2019(08): 90.

[3] 高海英. 針對計算機網(wǎng)絡(luò)發(fā)展關(guān)系數(shù)據(jù)庫技術(shù)[J]. 微型電腦應(yīng)用，2020, 36(08): 31-33.

[4] 鄧小燕. 猶豫模糊核C-均值聚類用于數(shù)據(jù)庫系統(tǒng)選擇[J]. 控制工程，2020, 27(01): 182-187.

[5] 王俊紅，閆家榮. 基于欠采樣和代價敏感的不平衡數(shù)據(jù)分類算法[J]. 計算機應(yīng)用，2021, 41(01): 48-52.

[6] 李艷霞，柴毅，胡友強，等. 不平衡數(shù)據(jù)分類方法綜述[J]. 控制與決策，2019, 34(04): 673-688.

[7] CISNEROS-CABRERA S, MICHAILIDOU A V, SAMPAIO S, et al. Experimenting with big data computing for scaling data quality-aware query processing[J]. Expert Systems with Applications, 2021, 178(1): 114858.

[8] ZENG Y, ZHOU Y, ZHENG F. Data skyline query protocol based on parallel genetic improvement decision tree[J]. Journal of supercomputing, 2020, 76(2): 1116-1127.

[9] 周淳，李賢慧. 一種實時數(shù)據(jù)庫的分布式存儲方法[J]. 計算機系統(tǒng)應(yīng)用，2019, 28(04): 125-130.

[10] 錢志友，符海月，史曉云. 基于ArcEngine的不動產(chǎn)登記信息管理系統(tǒng)設(shè)計[J]. 地理空間信息，2019, 17(08): 95-97, 118, 12.

[11] 王鑫，徐強，柴樂樂，等. 大規(guī)模RDF圖數(shù)據(jù)上高效率分布式查詢處理[J]. 軟件學(xué)報, 2019, 30(03): 8-24.

[12] 羅俊，陳黎飛. 基于BERT的不完全數(shù)據(jù)情感分類[J]. 計算機應(yīng)用，2021, 41(01): 139-144.

[13] KIM T, LI W, BEHM A, et al. Similarity query support in big data management systems[J]. Information Systems, 2019, 88: 101455.

Research on big data interactive query technology based on improved deep learning algorithm

LIU Wen-chun

(Anhui Vocactional & Technical College of Industry & Trade, Anhui Huainan 232007, China)

The traditional big data interactive query technology ignores the big data fusion steps, which leads to the unsatisfactory interactive query effect and low accuracy. Therefore, an interactive big data query technology based on improved deep learning algorithm is proposed. Taking the educational administration system as the research object, the rough quantitative feature analysis model of interactive big data of educational administration system is constructed. Based on the joint self similarity feature analysis control method, the information fusion and feature matching of interactive big data of educational administration system are realized, and the associated matching feature quantity of interactive big data of educational administration system is extracted. Through the reconstruction of the similarity features of the target sample set, the big data deep learning training is realized. The deep learning model is used to deeply integrate the interactive big data of educational administration system to realize the interactive query of big data. The simulation results show that the precision of interactive big data query in educational administration system is high, and the convergence rate and transmission rate of data training process are good, which effectively improves the ability of interactive big data query.

improving deep learning algorithm；big data；interactive query；educational administration system

2021-10-29

2020年度安徽高校人文社會科學(xué)研究項目“基于顧客讓渡價值的O2O外賣配送服務(wù)質(zhì)量分析及優(yōu)化——以淮南市為例”（SK2020A0710）

劉文春（1982-），男，安徽淮南人，講師，碩士，主要從事計算機應(yīng)用研究，jacobgu@163.com。

TP18;TP311.13

A

1007-984X(2022)03-0011-05