基于增量贝叶斯分类的自适应访问大数据的统计方法

摘要：

在线网站的访问量大、访问数据类型繁杂,导致访问数据统计结果存在严重的丢包问题,为此提出基于增量贝叶斯分类模型的自适应访问大数据统计方法.首先分析用户 自适应访问行为.根据分析结果挖掘对应的访问初始数据.建立增量贝叶斯分类模型,利用该模型补全初始访问数据中的缺失部分,并实现对访问数据的分类处理.按照访问大数据的类别设置统计指标,以挖掘并处理完成的初始数据为基础,实现自适应访问大数据的统计.通过与现有访问数据统计方法在不同网络环境下的对比,发现所设计的访问大数据统计方法丢包率降低了 0.34％.

关键词：增量贝叶斯、分类模型、自适应、访问大数据、数据统计

所属期刊栏目：37

分类号：TP391(计算技术、计算机技术)

资助基金：2018年重庆市科委民生项目cstc2018jscx

在线出版日期：2021-04-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：39-43