王杰

摘 要：為了提高體育產(chǎn)業(yè)數(shù)據(jù)精準(zhǔn)挖掘和量化分析能力，本文提出基于時間序列的體育產(chǎn)業(yè)數(shù)據(jù)精準(zhǔn)挖掘模型構(gòu)建方法。采用全局穩(wěn)態(tài)特征融合方法實現(xiàn)對體育產(chǎn)業(yè)數(shù)據(jù)分布式時間序列模型構(gòu)建，采用統(tǒng)計量化融合分析方法實現(xiàn)體育產(chǎn)業(yè)數(shù)據(jù)特征量化空間轉(zhuǎn)換，通過模糊解析控制方法，挖掘體育產(chǎn)業(yè)數(shù)據(jù)的關(guān)聯(lián)分布熵。采用輸出增益穩(wěn)態(tài)分析方法，構(gòu)建體育產(chǎn)業(yè)數(shù)據(jù)挖掘的線性解析參數(shù)分析模型，采用二乘規(guī)劃和線性融合方法，實現(xiàn)對體育產(chǎn)業(yè)數(shù)據(jù)挖掘的內(nèi)源融合和參數(shù)控制，結(jié)合模糊聚類實現(xiàn)對體育產(chǎn)業(yè)數(shù)據(jù)的統(tǒng)計特征線性聚類處理。結(jié)合稀疏性的特征匹配調(diào)度模型，構(gòu)建體育產(chǎn)業(yè)數(shù)據(jù)挖掘的時間融合序列，通過時間序列重構(gòu)，實現(xiàn)對體育產(chǎn)業(yè)數(shù)據(jù)的精準(zhǔn)挖掘。仿真結(jié)果表明，采用該方法進(jìn)行體育產(chǎn)業(yè)數(shù)據(jù)挖掘的精準(zhǔn)度較高，特征匹配度較高，降低了體育產(chǎn)業(yè)數(shù)據(jù)挖掘的擾動誤差。

關(guān)鍵詞：時間序列;體育產(chǎn)業(yè);數(shù)據(jù);精準(zhǔn)挖掘;數(shù)據(jù)聚類

中圖分類號：TP391 ?文獻(xiàn)標(biāo)識碼：A ?文章編號：1673-260X（2021）04-0029-04

0 引言

隨著體育產(chǎn)業(yè)融合式發(fā)展，在信息化環(huán)境下實現(xiàn)對體育產(chǎn)業(yè)的進(jìn)一步結(jié)構(gòu)化融合調(diào)度，構(gòu)建體育產(chǎn)業(yè)的大數(shù)據(jù)融合和特征性挖掘模型，根據(jù)體育產(chǎn)業(yè)的信息分布，結(jié)合統(tǒng)計分析和融合調(diào)度方法，建立體育產(chǎn)業(yè)數(shù)據(jù)精準(zhǔn)挖掘模型，提高體育產(chǎn)業(yè)的大數(shù)據(jù)共享和信息調(diào)度能力，從而提升體育產(chǎn)業(yè)的結(jié)構(gòu)化融合發(fā)展能力，相關(guān)的體育產(chǎn)業(yè)數(shù)據(jù)精準(zhǔn)挖掘模型研究在體育產(chǎn)業(yè)的優(yōu)化升級和融合方面具有重要意義[1]。

對體育產(chǎn)業(yè)數(shù)據(jù)精準(zhǔn)挖掘模型研究是建立在對體育產(chǎn)業(yè)大數(shù)據(jù)鏈特征分析基礎(chǔ)上，通過大數(shù)據(jù)鏈分析和特征優(yōu)化重組，建立體育產(chǎn)業(yè)數(shù)據(jù)的特征鏈結(jié)構(gòu)分析模型，通過空間信息融合和量化特征解析控制，建立符合體育產(chǎn)業(yè)發(fā)展需求的綠色產(chǎn)業(yè)鏈[2]，在大數(shù)據(jù)和云平臺分析環(huán)境下，實現(xiàn)體育產(chǎn)業(yè)數(shù)據(jù)精準(zhǔn)挖掘模型設(shè)計，提高體育產(chǎn)業(yè)數(shù)據(jù)精準(zhǔn)挖掘能力。在傳統(tǒng)方法中，對體育產(chǎn)業(yè)數(shù)據(jù)精準(zhǔn)挖掘模型設(shè)計方法主要有向量回歸分析方法、空間信息融合方法、統(tǒng)計分析方法和模糊度檢測方法等，構(gòu)建體育產(chǎn)業(yè)數(shù)據(jù)挖掘的統(tǒng)計分析模型，結(jié)合回歸分析，實現(xiàn)對體育產(chǎn)業(yè)數(shù)據(jù)精準(zhǔn)挖掘，但傳統(tǒng)方法進(jìn)行體育產(chǎn)業(yè)數(shù)據(jù)挖掘的精準(zhǔn)度不高[3-5]。針對傳統(tǒng)方法存在的弊端，本文提出基于時間序列的體育產(chǎn)業(yè)數(shù)據(jù)精準(zhǔn)挖掘模型構(gòu)建方法。首先采用全局穩(wěn)態(tài)特征融合方法實現(xiàn)對體育產(chǎn)業(yè)數(shù)據(jù)分布式時間序列模型構(gòu)建，采用統(tǒng)計量化融合分析方法實現(xiàn)體育產(chǎn)業(yè)數(shù)據(jù)特征量化空間轉(zhuǎn)換，通過模糊解析控制方法，挖掘體育產(chǎn)業(yè)數(shù)據(jù)的關(guān)聯(lián)分布熵。采用輸出增益穩(wěn)態(tài)分析方法，然后構(gòu)建體育產(chǎn)業(yè)數(shù)據(jù)挖掘的線性解析參數(shù)分析模型，采用二乘規(guī)劃和線性融合方法，實現(xiàn)對體育產(chǎn)業(yè)數(shù)據(jù)挖掘的內(nèi)源融合和參數(shù)控制，結(jié)合模糊聚類實現(xiàn)對體育產(chǎn)業(yè)數(shù)據(jù)的統(tǒng)計特征線性聚類處理。結(jié)合稀疏性的特征匹配調(diào)度模型，構(gòu)建體育產(chǎn)業(yè)數(shù)據(jù)挖掘的時間融合序列，通過時間序列重構(gòu)，實現(xiàn)對體育產(chǎn)業(yè)數(shù)據(jù)的精準(zhǔn)挖掘。最后進(jìn)行仿真測試分析，展示了本文方法在提高體育產(chǎn)業(yè)數(shù)據(jù)精準(zhǔn)挖掘能力方面的優(yōu)越性能。

1 體育產(chǎn)業(yè)數(shù)據(jù)空間分布結(jié)構(gòu)和統(tǒng)計量化融合分析

1.1 體育產(chǎn)業(yè)數(shù)據(jù)空間分布結(jié)構(gòu)

為了實現(xiàn)基于時間序列的體育產(chǎn)業(yè)數(shù)據(jù)精準(zhǔn)挖掘模型構(gòu)建，采用全局穩(wěn)態(tài)特征融合方法實現(xiàn)對體育產(chǎn)業(yè)數(shù)據(jù)分布式時間序列模型構(gòu)建，結(jié)合兩個體育產(chǎn)業(yè)數(shù)據(jù)存儲中心節(jié)點引出的屬性組，構(gòu)建體育產(chǎn)業(yè)數(shù)據(jù)的底層數(shù)據(jù)模塊，結(jié)合語義本體融合[6]，構(gòu)建體育產(chǎn)業(yè)數(shù)據(jù)空間分布結(jié)構(gòu)模型，如圖1所示。

在圖1所示的體育產(chǎn)業(yè)數(shù)據(jù)空間分布結(jié)構(gòu)模型中，采用空間分布結(jié)構(gòu)特征匹配方法[7]，得到體育產(chǎn)業(yè)數(shù)據(jù)空間分布的兼容性特征分布概念集為：

根據(jù)上述分析，得到體育產(chǎn)業(yè)數(shù)據(jù)空間分布結(jié)構(gòu)模型，結(jié)合大數(shù)據(jù)融合，實現(xiàn)對體育產(chǎn)業(yè)數(shù)據(jù)空間分布結(jié)構(gòu)重組和數(shù)據(jù)挖掘。

1.2 體育產(chǎn)業(yè)數(shù)據(jù)的統(tǒng)計量化融合分析

采用統(tǒng)計量化融合分析方法實現(xiàn)體育產(chǎn)業(yè)數(shù)據(jù)特征量化空間轉(zhuǎn)換，通過模糊解析控制方法，挖掘體育產(chǎn)業(yè)數(shù)據(jù)的關(guān)聯(lián)分布熵？啄，得到體育產(chǎn)業(yè)數(shù)據(jù)的關(guān)聯(lián)評價的深度學(xué)習(xí)模型為：

2 體育產(chǎn)業(yè)數(shù)據(jù)精準(zhǔn)挖掘模型優(yōu)化

2.1 體育產(chǎn)業(yè)數(shù)據(jù)挖掘的線性解析

采用輸出增益穩(wěn)態(tài)分析方法，構(gòu)建體育產(chǎn)業(yè)數(shù)據(jù)挖掘的線性解析參數(shù)分析模型，采用二乘規(guī)劃和線性融合方法，得出概念圖CR的中心參數(shù)，通過聯(lián)合參數(shù)識別，實現(xiàn)對體育產(chǎn)業(yè)數(shù)據(jù)挖掘的內(nèi)源融合和參數(shù)控制[10]，得到體育產(chǎn)業(yè)數(shù)據(jù)挖掘的相似度計算公式可定義如下：

提取體育產(chǎn)業(yè)數(shù)據(jù)的語義本體特征量，構(gòu)建體育產(chǎn)業(yè)數(shù)據(jù)挖掘的線性規(guī)劃模型，得到體育產(chǎn)業(yè)數(shù)據(jù)挖掘的模糊閾值控制參數(shù)。根據(jù)兩個概念與的語義相似度分布，得到節(jié)點i，從頂級概念類別中，利用最大擴充相容分布，根據(jù)內(nèi)源融合控制，實現(xiàn)體育產(chǎn)業(yè)數(shù)據(jù)挖掘的線性解析[12]。

2.2 體育產(chǎn)業(yè)數(shù)據(jù)挖掘優(yōu)化輸出

結(jié)合模糊聚類實現(xiàn)對體育產(chǎn)業(yè)數(shù)據(jù)的統(tǒng)計特征線性聚類處理。結(jié)合稀疏性的特征匹配調(diào)度模型，構(gòu)建體育產(chǎn)業(yè)數(shù)據(jù)挖掘的時間融合序列，建立體育產(chǎn)業(yè)數(shù)據(jù)回歸分析模型，結(jié)合模糊信息融合特征提取的方法，得到體育產(chǎn)業(yè)數(shù)據(jù)挖掘的最短路徑尋優(yōu)控制模型為：

綜上分析，結(jié)合稀疏性的特征匹配調(diào)度模型，構(gòu)建體育產(chǎn)業(yè)數(shù)據(jù)挖掘的時間融合序列，通過時間序列重構(gòu)，實現(xiàn)對體育產(chǎn)業(yè)數(shù)據(jù)的精準(zhǔn)挖掘，實現(xiàn)流程如圖2所示。

3 實驗測試分析

為了驗證本文方法在實現(xiàn)體育產(chǎn)業(yè)數(shù)據(jù)挖掘精準(zhǔn)挖掘中的應(yīng)用性能，采用SPSS和Visual C++ 進(jìn)行仿真測試分析，設(shè)定遞歸分析的迭代次數(shù)為240，相似度分布系數(shù)為0.18，語義相似度為0.89，樣本數(shù)為7，各組樣本的體育產(chǎn)業(yè)數(shù)據(jù)測試集和訓(xùn)練集的匹配系數(shù)見表1。

根據(jù)上述參數(shù)設(shè)定，設(shè)定測試指標(biāo)，實現(xiàn)體育產(chǎn)業(yè)數(shù)據(jù)的精準(zhǔn)挖掘的性能分析，測試指標(biāo)分為體育產(chǎn)業(yè)數(shù)據(jù)挖掘的可靠度百分差為：

其中，N表示數(shù)據(jù)挖掘輸出長度。根據(jù)上述參數(shù)設(shè)定，對比本文方法]結(jié)合時間加權(quán)和LDA聚類的混合推薦算法[7]、云計算中基于群體智能算法的大數(shù)據(jù)聚類挖掘方法[8]，得到體育產(chǎn)業(yè)數(shù)據(jù)挖掘輸出的收斂曲線如圖3所示。

分析圖3得知，本文方法進(jìn)行體育產(chǎn)業(yè)數(shù)據(jù)挖掘的收斂性較好，測試不同方法進(jìn)行體育產(chǎn)業(yè)數(shù)據(jù)挖掘的誤差，得到對比結(jié)果如圖4所示。

分析圖4得知，本文方法進(jìn)行體育產(chǎn)業(yè)數(shù)據(jù)挖掘誤差較小，振蕩性較小，提高了體育產(chǎn)業(yè)數(shù)據(jù)挖掘的可靠性水平。

4 結(jié)語

建立體育產(chǎn)業(yè)數(shù)據(jù)精準(zhǔn)挖掘模型，提高體育產(chǎn)業(yè)的大數(shù)據(jù)共享和信息調(diào)度能力，從而提升體育產(chǎn)業(yè)的結(jié)構(gòu)化融合發(fā)展能力。本文提出基于時間序列的體育產(chǎn)業(yè)數(shù)據(jù)精準(zhǔn)挖掘模型構(gòu)建方法。構(gòu)建體育產(chǎn)業(yè)數(shù)據(jù)的底層數(shù)據(jù)模塊，結(jié)合語義本體融合，實現(xiàn)對體育產(chǎn)業(yè)數(shù)據(jù)空間分布結(jié)構(gòu)重組和數(shù)據(jù)挖掘。采用二乘規(guī)劃和線性融合方法，根據(jù)內(nèi)源融合控制，實現(xiàn)體育產(chǎn)業(yè)數(shù)據(jù)挖掘的線性解析。通過時間序列重構(gòu)，實現(xiàn)對體育產(chǎn)業(yè)數(shù)據(jù)的精準(zhǔn)挖掘。研究得知，本文方法對體育產(chǎn)業(yè)數(shù)據(jù)挖掘的誤差較低，性能較好。

參考文獻(xiàn)：

〔1〕胡甜甜，但雅波，胡杰，等.基于注意力機制的Bi-LSTM結(jié)合CRF的新聞命名實體識別及其情感分類[J].計算機應(yīng)用，2020，40（07）：1879-1883.

〔2〕劉璟.中文命名實體識別方法研究[J].電腦知識與技術(shù)，2019，15（09）：179-180.

〔3〕馮貴蘭，李正楠，周文剛.大數(shù)據(jù)分析技術(shù)在網(wǎng)絡(luò)領(lǐng)域中的研究綜述[J].計算機科學(xué)，2019，46（06）：1-20.

〔4〕田保軍，劉爽，房建東.融合主題信息和卷積神經(jīng)網(wǎng)絡(luò)的混合推薦算法[J].計算機應(yīng)用，2020，40（07）：1901-1907.

〔5〕SHU J， SHEN X， LIU H，et al. A content-based recommendation algorithm for learning resources[J]. Multimedia Systems，2018， 24（02）：163-173.

〔6〕KARABADJI N E I，BELDJOUDI S，SERIDI H，et al. Improving memory-based user collaborative filtering with evolutionary multi-objective optimization[J]. Expert Systems with Applications，2018， 98：153-165.

〔7〕程磊，高茂庭.結(jié)合時間加權(quán)和LDA聚類的混合推薦算法[J].計算機工程與應(yīng)用，2019，55（11）：160-166.

〔8〕唐新宇，張新政，趙月愛.云計算中基于群體智能算法的大數(shù)據(jù)聚類挖掘[J].重慶理工大學(xué)學(xué)報（自然科學(xué)），2019，33（04）：128-133+167.

〔9〕劉久彪.空間數(shù)據(jù)庫反向最近鄰聚類方法[J].吉林大學(xué)學(xué)報（理學(xué)版），2019，57（02）：387-392.

〔10〕王亮，冶繼民.整合DBSCAN和改進(jìn)SMOTE的過采樣算法[J].計算機工程與應(yīng)用，2020，56（18）：111-118.

〔11〕于超，王璐，程道文.基于本體的教育資源語義檢索系統(tǒng)研究[J].吉林大學(xué)學(xué)報（信息科學(xué)版），2018，36（02）：207-212.

〔12〕楊志明，王來奇，王泳.深度學(xué)習(xí)算法在問句意圖分類中的應(yīng)用研究[J].計算機工程與應(yīng)用，2019，55（10）：154-160.