计算机研究与发展

作者：郭虎升,刘艳杰,王文剑,

关键词：流数据, 概念漂移, 特征融合, 注意力机制, 样本特征, 时序特征,

大数据时代，越来越多的数据以数据流的形式产生，由于其具有快速、无限、不稳定及动态变化等特性，使得概念漂移成为流数据挖掘中一个重要但困难的问题.目前多数概念漂移处理方法存在信息提取能力有限且未充分考虑流数据的时序特性等问题.针对这些问题，提出一种基于混合特征提取的流数据概念漂移处理方法（conceptdriftprocessingmethodofstreamingdatabasedonmixedfeatureextraction，MFECD）.该方法首先采用不同尺度的卷积核对数据进行建模以构建拼接特征，采用门控机制将浅层输入和拼接特征融合，作为不同网络层次输入进行自适应集成，以获得能够兼顾细节信息和语义信息的数据特性.在此基础上，采用注意力机制和相似度计算评估流数据不同时刻的重要性，以增强数据流关键位点的时序特性.实验结果表明，该方法能有效提取流数据中包含的复杂数据特征和时序特征，提高了数据流中概念漂移的处理能力.

来源：2024年第6期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2024年第6期