当前位置 —论文—政治— 范文

电子政务相关论文范文例文,与Web挖掘在电子政务中的应用相关论文下载

本论文是一篇电子政务相关论文下载,关于Web挖掘在电子政务中的应用相关毕业论文的格式范文。免费优秀的关于电子政务及数据库及网络信息方面论文范文资料,适合电子政务论文写作的大学硕士及本科毕业论文开题报告范文和学术职称论文参考文献下载。

欺诈倾向的因素；而利用Web挖掘可以收集相关申报数据,通过数据挖掘分离出导致欺诈和滥用行为的因素,制定规则来标识出最有可能具有欺骗性的记录和经费申请单据,这样有助于审核人员核查欺骗性,而且最大空间地调整经费申请.

另外,政府各部门自动化的实现产生了大量的数据,Web挖掘通过对这些数据进行收集和分析,可获得影响政府部门工作的关键因素,从而为政府部门的决策提供依据,帮助政府部门提高政府信息化的水平,促进整个社会的信息化.

总之,电子政务WEB挖掘是把数据挖掘技术折射到政府部门,使政府部门的内部信息与外部信息进行有效的整合,从而政府部门可以更好、更有效地服务公众.

四、电子政务中Web挖掘应用的主要领域

Web挖掘技术应用在电子政务后,可以为政府重大政策出台提供决策支持,并有助于政府门户网站的优化设计,还可根据挖掘出的用户访问模式对网站的搜索引擎、网站导航和网站地图进行重新规划.具体来讲,其主要应用领域包括以下几个方面[9]：

⒈数据分析和决策支持

电子政务数据挖掘对政务系统中的海量数据进行开采、挖掘和分析,从中识别和抽取隐含的信息,并利用这些信息为政府部门重大政策、法规的制定提供决策依据.如上文所说,通过对网络各种经济资源的挖掘,可以预测未来经济发展的走势,进而制定出相应的宏观经济调控政策；又如通过对政府网站、社会公众网站数据进行收集,然后用数据挖掘方法对其进行挖掘,从中得到对提高政府工作效率有益的知识,进而为政府部门工作人员提供科学、实用的辅助决策支持.

⒉政府门户网站的设计

Web挖掘技术对政府网站内容的设计,主要通过对文本内容的挖掘,来有效地组织网站信息,如采用自动归类技术实现网站信息的层次性组织；利用聚类技术对网站文本的内容进行自动划分类别,以便于文本内容的分类浏览与检索；同时,还可以结合对用户访问记录的挖掘,把握用户的兴趣,从而有助于开展网站信息服务及个人信息的定制,以吸引更多的用户.

⒊信息检索功能的优化

WEB数据挖掘是目前网络信息检索发展的一个关键,如通过对网页内容挖掘,可以实现对网页的聚类、分类,实现网络信息的分类浏览与检索.同时,WEB数据挖掘通过对用户所使用的提问式历史记录的分析,可以有效地进行提问扩展,提高用户的检索效果.另外,运用网络内容挖掘技术改进关键词加权算法,提高网络信息的标引准确度,可以改善检索效果.

另外,电子政务WEB数据挖掘还能增强政府应对突发事件的快速响应能力,可以提高政府工作的创新能力和人员素质.例如,在灾害预警系统中使用WEB挖掘的关联分析和回归预测技术对历史数据进行分析,可以预测与灾害相关的因素、灾害发生发展的趋势,并制定急救措施及财政支出.

五、电子政务中Web挖掘应用的实例分析

Web挖掘的方法很多,如分类、聚类、决策树、神经网络、统计、粗糙集、关联规则、孤立点检测和分析、机器学习等.其中,挖掘关联规则在分析两个或者多个相关量之间关联性方面应用广泛,是Web挖掘中的常用手段.

Web挖掘在电子政务中的应用参考属性评定
有关论文范文主题研究:	关于电子政务的文章	大学生适用:	专科论文、学术论文
相关参考文献下载数量:	92	写作解决问题:	怎么写
毕业论文开题报告:	文献综述、论文总结	职称论文适用:	刊物发表、初级职称
所属大学生专业类别:	怎么写	论文题目推荐度:	免费选题

为了研究Web挖掘在电子政务中的应用,本文利用布尔的运算方式改进了传统的分层关联规则算法――Multiple-level算法扫描多次数据库及内存空间的问题,优化选取了一种多层次、适用于电子政务环境下的关联规则挖掘算法――E-GMB,并选择了笔者正在研究的“省级政府门户网站规划与建设”项目作为对象,对目前已经存在的一些省级门户网站的结构数据、用法数据和用户数据进行了Web数据挖掘分析.

⒈算法描述

下面的算法1给出了E-GMB算法的简要描述.

算法1：E-GMB算法―电子政务环境下多层次的关联规则挖掘算法(部分)

Input:adatabaseandauserdefinedminimumsupport

Output:E-GMBwhichcontainsallfrequentitemsets

（1）foriform0to|ITk-1|

（2）C[i]:等于k:等于1

（3）E-GMB:等于（4）readdatabaseinitialIT[i,j],TT[i,j],TTC[i,j]

（5）whileITkandTTCk1（6）countC[i]

（7）ifC[i]（8）eliminaterowIT[i],TT[i]andC[i]

（9）generateoffrequentitemsets

（10）x:等于i+1

（11）forifrom0to|ITk-1|

（12）forjfrom1to|ITk|

（13）ITk[i,j]:等于ITk[i,j]ORITk[x,j]

（14）TTk[i,j]:等于TTk[i,j]ANDTTk[x,j]

（15）countC[i]

（16）ifC[i]（17）eliminaterowIT[i],TT[i]andC[i]

（18）k:等于k+1

（19）generateoffrequentitemaets

⒉实验数据

实验环境采用VISUALC++设计,考虑通用性,硬件平台使用Celeron850MHZ、内存512MB,仿真数据库采用IBMAlmadenResearchCenter的syntheticdatabases,共产生4个仿真数据库T20I4D100K、T20I8D100K、T40I2D100K、T20I4D100K.

在实验中设定参数值为N等于1000,L等于2000,I等于4、8,T等于20、40,D等于100K.

（其中：D代表原始数据交易纪录；T代表平均交易纪录；I代表平均可能频繁项目集合之项目个数；L代表可能频繁项目集合之项目个数；N代表数据库所包含的项目个数.）

实验结果数据如图2所示.从图2结果可以看出,Multiple-level算法在交易数据库变大时,其所花费的时间也会跟着快速增长,但E-GMB算法并不会随着交易数据库的成长而有太大的影响.

因此,从实验数据中可以得知E-GMB算法的效能比Multiple-level算法还要快.

⒊应用效果

笔者应用该算法对我国中部某省会城市的门户网站的Web行为数据进行了综合挖掘,并结合政府门户网站建设的实际发展需要,对其进行了重新优化设计.

该门户网站优化后,其应用效果得到了很大的提高,用户反映良好.在2006年一家权威部门对我国36家直辖市、省会城市、计划单列市的政府门户网站评比中,该城市的政府门户网站排名与2005年相比,一下子上升了多个名次.