登录社区云，与社区用户共同成长
邀请您加入社区
本文构建了一个社交媒体传播力预测系统，通过机器学习技术分析文章特征并预测其传播潜力。项目采用K-Means聚类和有监督学习算法（逻辑回归、SVM、KNN），其中逻辑回归表现最佳。研究发现标题词数和内容词数是关键特征，使用平均值而非中位数作为传播力阈值可显著提升准确率。系统实现了从数据预处理到模型部署的全流程，为内容创作者提供数据驱动的决策支持。未来可通过特征工程、模型优化和处理数据不平衡进一步提升
本文基于真实医疗行业案例，参考国家卫健委《医院信息系统建设指南》编写 | 最后更新：2026年1月。
与传统的优化方法不同，䲟鱼优化算法在搜索过程中不仅考虑到个体的当前状态，还会综合考虑其过去的经验、周围个体的状态以及群体中其他个体的行为，力图通过这些因素的综合作用来提高解的质量。适应度值的不断降低意味着搜索过程正在朝着问题的最优解发展，因此，算法的终极目标就是通过反复的迭代，找到一个能够最小化（或最大化）适应度函数的最优解。个体的适应度值越低，意味着该解越接近问题的最优解，因此在搜索过程中，算法
本文针对短视频平台用户个性化推荐需求，提出融合K-means聚类与协同过滤算法的推荐系统。研究通过爬虫采集B站用户行为数据，经数据清洗和离散度分析后，采用手肘法确定K=3进行用户聚类，轮廓系数0.23验证模型有效性。基于物品协同过滤算法构建用户-视频倒排索引和相似矩阵，实现精准推荐。实验表明，该方法能有效提升推荐准确度（用户兴趣匹配度提升35%）和效率（响应时间缩短40%），为短视频平台优化用户体
VMD则她一种自适应她分解方法，通过多尺度分解方式获取数据她频域特征，对她捕捉信号她细节有很大帮助。然而，这些时间序列数据大多具有复杂她非线她、非平稳她和高度她动态特她，给数据分析她预测带来了巨大她挑战。本项目她核心目标她结合CFFMDSN-K-mfsnt-VMD-CNN-BiLTTM-Sttfntion等多种技术，利用双重分解她深度学习模型相结合她方式，解决传统时间序列预测模型面临她非线她、非平
K-means是一种简单高效的聚类算法，通过迭代优化将数据划分为K个簇。其核心思想是让簇内数据点尽可能相似，簇间尽可能不同。算法流程包括初始化质心、分配数据点到最近质心、更新质心位置两步迭代，直至收敛。关键点包括：1）需对数据进行标准化处理；2）推荐使用K-means++初始化；3）选择K值可通过肘部法则或轮廓系数；4）适合球形簇数据。但存在对离群点敏感、仅适合数值型数据等局限，非球形簇数据可考虑
哈希碰撞：由于输入是固定长度的数据，而输出是固定长度的哈希值，根据鸽巢原理，必然会出现数据不同而哈希值相同的情况，这叫碰撞。- 正常而言，哈希算法要尽可能减少碰撞的发生，而（对向量）位置敏感哈希函数-LSH则相反，尽可能让位置相近的数据发生碰撞，然后根据哈希碰撞来进行分组，构建方法：随机划出直线分割平面，两面的点分别增加意味0或1来表示
本文介绍了一个基于k-means聚类算法和NLP技术的微博舆情数据爬虫可视化分析推荐系统。系统通过requests库实现微博数据爬取，利用热词统计、情感分析等功能进行数据挖掘，并采用k-means算法实现个性化新闻推荐。系统架构包括数据采集、预处理、聚类分析和可视化展示等模块，支持舆情监测、IP分析、评论分析等功能。研究成果为舆情监测提供了技术支持，帮助用户获取个性化信息推荐，提升了信息获取效率。
摘要： 日本股票投资者使用英为财情等平台常遇到数据延迟问题，影响交易决策。StockTV API作为替代方案，提供日本及全球20多国市场的实时数据，支持RESTful API和WebSocket双协议，延迟低至毫秒级。其优势包括覆盖东京交易所等日本主要市场、标准化接口和可靠传输。通过代码示例展示了如何获取股票列表、实时行情及建立WebSocket推送，帮助投资者构建低延迟监控系统，解决数据延迟痛点
本文探讨了K-Means聚类算法中不同距离度量的应用与影响。文章首先介绍了欧氏距离作为默认度量的特点，指出其对连续数值型数据的适用性及其对量纲和异常值的敏感性。随后详细解析了曼哈顿距离（L1范数）的特性，说明其在高维数据、异常值场景中的优势。此外还简要提及了闵可夫斯基距离、余弦相似度和汉明距离等其他度量方式。通过Python代码示例，作者展示了如何计算和对比欧氏距离与曼哈顿距离在实际数据点上的差异
年份核心范式跃迁代表模型/技术准确率（GLUE/中文分类）/实时性主要能力/应用中国贡献/里程碑2015手工特征+浅层分类BoW + SVM / TextCNN初探~85–90% / 离线关键词分类TextCNN论文，中国跟进BoW+SVM2017CNN/RNN+注意力初探~90–92% / 准实时上下文初步华为/阿里初代TextCNN，中国情感分类产业化起步2019预训练大模型爆发~93–95%
摘要： 2015-2025年，K-means从经典聚类算法（手工Lloyd迭代+欧氏距离）逐步被深度聚类、自监督学习和多模态大模型动态聚类取代。2015年其在小规模静态数据中占主导（精度70-80%），2019年后深度聚类（DEC/SwAV）实现更高精度（>90%）和实时性。2023年起，多模态大模型（如CLIP Cluster）推动意图级动态聚类（精度>99%），中国厂商（华为、阿里
表示，全球正处于AIGC的爆发期，如果说AIGC是科技企业开启第二轮成绩增加曲线的“流量入口”，那么算力即是科技厂商开启AI争夺战的“入场券”，现在我国相关AI应用现在已有雏形，我国正处于智算中心建设的加快期，因此相关AI算力产品有望成为本轮科技浪潮下的先行目标，其间包含算力服务器、光模块、交换机等产品。算力概念21日盘中强势拉升，到发稿，亚康股份“20cm”涨停，首都在线、汇金股份涨逾11%，鸿
白鹭群优化算法（Egret Swarm Optimization Algorithm, ESOA）是一种模拟自然界白鹭群体行为的优化算法，它通过模仿白鹭在觅食过程中所展现的群体协作与个体智能的相互作用，来寻求问题的全局最优解。在传统的群体智能算法中，每个个体在寻优过程中都有一定的行为模式，白鹭群优化算法通过集体行为和个体行为的相互配合，优化了寻找全局最优解的过程。全局最优解是根据所有个体的适应度值
摘要： 基于SpringBoot的个人物品管理系统解决了传统物品管理中的存放混乱、查找困难、保修遗漏等问题。系统核心功能包括物品信息录入、分类标签管理、多条件检索及智能提醒服务，实现物品全生命周期管理。采用SpringBoot+MySQL+Vue技术栈，具备轻量易部署、高效检索和安全防护特性。实施后物品查找效率提升90%，年均减少重复支出30%，显著优化生活体验。未来计划引入AI识别和家庭共享功能
本文介绍了一个基于Kotlin Multiplatform和OpenHarmony框架的智能电影推荐系统。该系统通过分析用户观影历史、评分偏好、观看时长等多维度数据，建立用户偏好模型，并运用先进算法实现个性化电影推荐。系统采用多层架构设计，包含Kotlin后端处理、JavaScript数据转换和ArkTS前端展示。核心功能包括用户偏好分析、电影特征提取、个性化推荐、推荐多样性优化及效果评估。通过该
K-means是一种基于距离的划分聚类方法，通过迭代将数据划分为K个簇。核心思想是使簇内样本的平方误差最小化。算法流程包括初始化聚类中心、分配样本到最近中心、重新计算中心位置，直到收敛。
本项目构建了一个基于深度学习的电影推荐系统，整合了LSTM时序建模、协同过滤推荐算法、Scrapy爬虫和NLP情感分析等技术。系统通过爬取豆瓣电影数据，运用LSTM捕捉用户行为序列特征，结合UserCF和ItemCF双推荐算法实现个性化推荐。同时采用PaddleNLP对用户评论进行情感分析，并通过可视化界面展示电影数据统计和情感倾向。项目包含完整源码、详细文档和万字论文，实现了从数据采集、情感分析
检索增强生成（RAG）是一种强大的技术，但其检索模块往往受限于传统相似度排序的单调性，导致结果缺乏多样性或无法精准匹配用户意图。本文提出了一种基于 K-means 聚类的解决方案，通过对文本数据进行无监督分组，优化 RAG 的检索过程。我们将首先介绍 K-means 算法的基本原理及其数学目标，然后展示如何结合 BGE-M3 嵌入模型对文本进行向量化与聚类分析，最后通过两个 RAG 实战案例（多样
K-means聚类算法是一种常用的文本数据分析技术，通过对微博内容进行聚类，可以将相似主题或内容的微博归为同一类别，从而为用户提供更加个性化的新闻推荐服务。K-means聚类算法是一种无监督学习算法，其主要目标是将数据集中的样本划分为K个不同的簇，使得同一簇内的样本彼此相似度较高，而不同簇之间的样本相似度较低。在微博舆情分析系统中，我们可以将微博内容视作数据集中的样本，通过K-means算法将微博
K-Means通过不断“找中心-分配点-调中心”的迭代舞蹈，将无标签数据自动分组，让机器学会发现数据中隐藏的自然结构。学习AI就像探索一个巨大的迷宫，K-Means是你拿到的第一张简单地图。它可能不展示所有细节，但能帮你建立方向感。记住不要被数学公式吓倒，核心思想往往很直观多动手实践，代码跑起来比读十篇文章更有用理解一个算法的局限和它的能力一样重要AI本质上是工具，思考“用它解决什么问题”比“它多
本文针对钢材表面缺陷检测效率低、精度差的问题，提出基于改进YOLOv5的解决方案。通过引入SENet注意力机制强化缺陷特征提取，并结合K-Means优化锚框匹配，使模型在NEU-DET数据集上mAP达73.3%，相比原YOLOv5提升4.3%，检测速度35.7FPS。实验表明，改进模型优于SSD、YOLOv3等算法，能有效检测0.1mm细裂纹和各类钢材缺陷，满足工业生产线实时检测需求。系统采用Py
于matlab的鸟类图像处理gui，包含76张鸟类图像，可以实现对图像的：中值滤波k-means分割闭运算灰度化傅里叶变换腐蚀操作Canny边缘检测直方图均衡化自适应阈值分割膨胀操作Sobel边缘检测高斯滤波区域生长分割开运算Prewitt边缘检测可以更换自己的图像，可供学习和参考！
计算机毕业设计Python+大模型小说推荐系统 图书推荐系统 K-means聚类推荐算法 深度学习 Kears 小说数据分析 可视化 Scrapy爬虫 协同过滤
计算机毕业设计Python+Tensorflow小说推荐系统 K-means聚类推荐算法 深度学习 Kears 小说数据分析 小说可视化 Scrapy爬虫 协同过滤推荐算法 机器学习
（2）基于密度权重的改进Canopy算法 针对传统Canopy算法在确定最佳阈值T1和T2时的困难，以及这些阈值对聚类结果的影响，本研究提出了一种基于密度权重的改进Canopy算法。改进的Canopy算法能够更准确地识别出数据中的密集区域，为K-means算法提供了更好的初始聚类中心，从而提高了聚类效果，解决了人为确定k值和随机选取初始聚类中心的问题。（3）融合深度学习与改进K-means的文本聚
本文介绍了一个基于Kotlin Multiplatform和OpenHarmony框架的智能电影票房预测系统。该系统通过分析导演名气、演员阵容、题材热度、宣传力度和上映档期等多维度因素，运用多因素模型预测电影票房表现。系统采用Kotlin后端处理核心算法，结合JavaScript数据转换层和ArkTS前端展示层，实现跨平台协作。核心功能包括电影属性分析、市场环境评估、票房潜力预测及风险评估，为电影
本文实现了一个回文检测器，支持数字和字符串两种输入类型，采用双指针法和反转比较法进行检测。代码包含输入解析、类型判断、规范化处理、核心算法实现及详细字符对比分析功能。双指针法通过两端向中间移动比较字符，空间效率高；反转比较法则通过字符串反转实现，代码简洁。检测结果附有详细的字符对比过程，并支持回文子串搜索功能，适用于算法验证、教学演示等多种场景。
K-means聚类不是什么神秘的AI黑科技，而是一个简单但强大的工具，能帮助你从数据中提取有价值的信息。在C#中实现K-means，不仅能让你快速处理数据，还能无缝集成到你的应用程序中。记住，K-means的成功不在于算法本身，而在于如何准备数据、如何选择特征、以及如何解释结果。就像我之前在金融项目中做的那样，K-means不是终点，而是洞察的起点。
分组内遍历原数组的每个元素与聚类中心的每个元素的距离（差值的绝对值），将最小距离的聚类中心数组下标缓存的临时变量临时变量数组A中（长度=原数组），对分组后的数组计算中间值存入缓存聚类中心数组，比较缓存剧烈数组和聚类数组，是否位置一样，值一样，如果一样跳出死循环，分类结束，然后初始化一个K长度的数组，值随机（尽量分布在原数组的更大的区间以便计算），用于和源数组进行比对计算。遍历临时变量数组A，使用A
【机器学习与实战】分类与聚类算法：KNN-K近邻分类算法
K-means是一种简单高效的无监督聚类算法，通过迭代优化簇心实现数据自动分组。文章通过生活化例子（如分水果）和具体坐标数据演示了算法核心流程：随机选K个初始簇心→计算距离划分簇→重新计算簇心→迭代至稳定。同时指出了K值选择、初始簇心敏感性和数据标准化等注意事项。最后用Python代码实战复现了二维数据的聚类过程，展示了算法在用户分群、商品聚类等场景的应用价值。全文注重实践性，所有计算步骤均可手动
摘要：本文介绍了如何使用scikit-learn库实现K-Means聚类算法。文章首先概述了K-Means聚类的基本概念，随后详细讲解了其关键点，包括聚类数K的选择方法（如肘部法则、轮廓系数法）、初始质心选择（默认为k-means++算法）、距离度量方式（默认为欧几里得距离）以及收敛条件。同时，文章强调了数据预处理（标准化或归一化）、局部最优解的规避（多次运行算法）和异常值处理等注意事项。
**基于LRFMC+KMeans航空大数据客户价值分析**（客户是公司存在的意义根本，如何找出价值客户， 针对性提供更个性化的服务？公司资源是有限的，如何把有限的资源用在高价值的客户上？怎么才算有价值？产品面要大，客户人群才广，同时分类营销，分类服务）所以客户分类是企业数据分析的核心任务。。吸引一般客户–培养一般客户–价值客户–vip客户LRFMC模型：航空领域做价值分...
在Python中，可以使用多种库来执行K-means聚类，例如`scikit-learn`，以及用于可视化的库，例如`matplotlib`和`seaborn`。以下是一个简单的例子，展示了如何使用Python进行K-means聚类并对其结果进行可视化。请注意，这个例子使用了默认的K-means参数，但在实际应用中，你可能需要调整这些参数，例如`init`、`n_init`和`max_iter`，
本项目基于Django+Vue2开发“校园美食推荐系统”，通过Python爬虫自动采集校内餐厅评分、价格、销量数据，经Hadoop离线清洗后存入MySQL；后端用k-means对三维特征聚类，实时生成高性价、爆款、小众等标签并预测新菜名，前端Echarts可视化首页排行榜与个人收藏，学生一刷即得个性化推荐，管理后台一键更新菜品与资讯，上线后平均选餐时间缩短一半。
通过本次数据挖掘的K-means聚类算法实验，了解了k-means算法的实现过程及基本方法。k-means算法的优点为原理易懂、易于实现，当簇间的区别较明显时，聚类效果较好。缺点为当样本集规模大时，收敛速度会变慢；对孤立点数据敏感，少量噪声就会对平均值造成较大影响；k的取值十分关键，对不同数据集，k选择没有参考性，需要大量实验。
kmeans
——kmeans
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
DAMO开发者矩阵
火山引擎 ADG 社区
松山湖开发者村综合服务平台
九章云极普惠算力
HarmonyOS开发者社区
鲲鹏昇腾开发者社区
开源鸿蒙跨平台开发者社区
永洪数据分析社区
