Reverse Top-k查询处理及其应用技术研究

来源 :中国人民大学 | 被引量 : 0次 | 上传用户:dacong966963
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
定位有竞争力产品在微观经济学中有广泛的理论意义。微观经济学的一个中心思想就是如何优化配置资源,实现自身利益最大化。通过定位有竞争力产品,可以指导生产者利用有限的资源获得最大的利润,指导消费者利用有限的收入分配获得最大的满足。  定位有竞争力产品在现实生活中也有广泛的现实意义。对于生产者来说,通过定位有竞争力产品,可以给生产部门提供一些决策支持,从而避免失败,这样才能长久地在市场上立足。对于消费者来说,通过定位有竞争力产品,可以给消费者的购买行为提供一些借鉴。  定位有竞争力产品在学术界也受到广泛的关注,诸如Top-k,Skyline,NearestNeighbor,控制关系分析等查询,都是站在用户的角度,通过用户对产品的喜好,找到市场上最有竞争力的产品。  本文主要站在生产商的角度,提出了两种类型的Reverse Top-k查询:一个数据集上的Reverse Top-k查询和两个数据集上的Reverse Top-k查询,并在此基础上解决了基于两个数据集的Reverse Top-k查询的产品定位问题。当用户对同一产品不同属性偏好的权重未知时,通过Reverse Top-k查询,可以得到可能购买某产品的用户的分布和这些用户的比重,然后分析出投资生产该产品是否有市场价值,这是一个数据集上的Reverse Top-k查询的意义;当产品投入市场之后,若用户对同一产品不同属性偏好的权重是已知的,定义一个线性函数表示用户对产品的喜好程度,通过Reverse Top-k查询可以得到可能购买该产品的用户,生产商可以选择合适的用户有针对性地对产品进行推广,这是两个数据集上的Reverse Top-k查询的意义。通过两个数据集上的ReverseTop-k查询,可以得到有可能购买某产品的用户,购买产品用户越多,产品的影响力越大,该产品在市场上越有竞争力,所以通过Reverse Top-k查询可以帮助生产商定位有竞争力的产品。这就是Reverse Top-k查询在产品定位问题上的应用。  本文首先根据点和线的转换,设计了在Dual平面中一个数据集上的ReverseTop-k问题的在线算法;然后针对在线算法的缺陷,提出了一种类似倒排表的实体化框架RIL,并给出了RIL的构建办法。在构建完RIL后,设计了用RIL来解决一个数据集和两个数据集上的Reverse Top-k问题的算法;最后根据不同层级Skyline点的控制关系,提出了m-level-skyband的概念,设计了一个基于m-level-skyband的SLB算法,解决了基于Reverse Top-k查询的产品定位问题。
其他文献
互联网技术的迅速发展与普及,极大地方便了世界各地人们的交流和信息的获取。但语言使用的不同却给人与人之间的交流和信息的获取带来极大的障碍。目前,全世界的语言多达数千种
  针对目前我国高速公路监控视频利用率较低以及高速公路管理仍然采用人工查看监控视频的现状,本文对基于监控视频的高速公路交通状态判别技术进行了研究,并在此基础上设计
伴随着无线传感器网络技术的兴起和发展,传感器的应用场景也在不断的延伸,从最初的军事侦查,消防检测等走向了近来的对海洋和空间的感知,即从二维平面走向了三维空间。在三维空间
自从1993年,数据库专家E.F.Codd提出联机分析处理(On-Line AnalyticalProcessing,OLAP)的概念以来,OLAP获得学术界和产业界的广泛关注,并取得了大量研究成果,创造了一个每年几十亿
电子技术的飞速发展催生了大批新型应用,如嵌入式系统、航空航天等,和传统的基于磁盘存储设备的应用相比,这些应用领域对数据存储提出了更高的要求。在这种背景下,闪存技术应运而
由于软件的灵活性、复杂性不断提高,软件安全漏洞问题日益加剧。一旦被利用进而实施系统攻击,可能带来不可估量的损失。软件漏洞检测是保障软件安全性的有效手段之一。因此,本文
随着无线通信技术和传感器技术的高速发展,一种新的计算模式——普适计算渐渐出现在人们视野中。它致力于将信息空间和物理空间进行融合,实现一种无处不在却处处不可见的信息处
调试是软件开发中比较复杂和困难的任务。基于频谱的缺陷定位方法通过插桩程序获得覆盖信息来推荐语句检查集,能帮助程序员更快地在规模庞大的软件中找出错误语句,从而降低了程
近几十年来,随着现代经济的发展和计算机技术的进步,数据生成的速度越来越快,数据具有的主观色彩也越来越浓,数据的存储量也越来越大,如何从这些海量的信息中挖掘出用户最感兴趣的
给定一条查询,近似查询返回数据集中与该查询相似的所有实体。在关系数据中,每个实体被表示为一个单一的记录,因此,使用基于记录级别的相似度评价方法即可用来评价关系数据中实体