基于改进深度学习算法的大数据交互式查询技术研究

刘文春

基于改进深度学习算法的大数据交互式查询技术研究

刘文春

（安徽工贸职业技术学院，安徽 淮南 232007）

传统大数据交互式查询技术忽略了对大数据融合步骤，导致该技术的交互查询效果不理想，且准确度偏低。为此，提出基于改进深度学习算法的大数据交互式查询技术。以教务系统为研究对象，构建教务系统交互大数据的粗糙量化特征分析模型，基于联合自相似性特征解析控制方法实现对教务系统交互大数据信息融合和特征匹配，从而提取教务系统交互大数据的关联匹配特征量。通过目标样本集相似性特征的重构，实现大数据深度学习训练。利用深度学习模型深度融合教务系统交互大数据，实现对大数据的交互式查询。仿真结果表明，该方法教务系统交互大数据查询的查准率较高，且数据训练过程的收敛速率和传输速率较好，有效提高了大数据交互式查询能力。

改进深度学习算法；大数据；交互式查询；教务系统

随着教务信息管理技术的发展，出现越来越多的智慧化的教务信息化管理系统。通常在B/S交互构架协议下实现对教务系统智能化的开发设计，其核心是教务系统中的数据采集和查询分析[1]。由于教务系统交互大数据分布的规模性较大，特征聚类性不好，导致教务系统的交互大数据查询准确度不高。因此优化教务系统交互大数据查询技术在提高教务系统管理能力方面具有重要意义[2-3]。

传统教务系统交互大数据查询方法主要有基于粗糙集特征匹配的教务系统交互大数据查询方法[4]、基于相似度特征分析的教务系统交互大数据查询方法[5]等。以上传统方法均是通过建立教务系统交互大数据的特征提取和聚类分析模型，根据对教务系统交互大数据的特征分布式融合和聚类结果，实现教务系统交互大数据的优化查询，但传统教务系统交互大数据查询技术的数据查准率偏低，其精度无法满足该领域的应用要求。

针对上述问题，本文提出基于改进深度学习算法的教务系统大数据交互式查询技术。通过仿真实验测试可知，本文所提技术在提高大数据交互式查询能力方面具有优越性能。

1 教务系统交互大数据融合

1.1 数据分布范围检测

为实现数据分布范围的检测，采用联合时间序列分析[6]，得到教务系统数据的时间戳校对式为：

根据上述数据的范围检测结果，提取教务系统数据的特征分布点。

1.2 数据特征提取

为实现对教务系统交互大数据信息特征提取，依据教务系统各组数据之间的经典等价关系[8]，得到教务系统交互大数据的特征分类属性判别函数为

基于稳态识别技术，得到教务系统数据采样的模糊度函数为

根据上述分析完成了教务系统数据的关联匹配特征的提取。根据教务系统数据的目标样本相似性特征对其进行重构，实现对教务系统交互大数据的深度学习训练。

2 教务系统交互大数据查询优化

2.1 教务系统大数据交互查询网络模型

2.2 数据查询深度学习

在查询系统网络模型中采用规定的融合规则[11-12]进行教务系统交互大数据融合，以此实现对大数据交互式查询。教务系统交互大数据查询的收敛性控制函数为

根据上述算法改进设计，实现对大数据交互式查询，实现流程如图1所示。

图1 大数据交互式查询实现流程图

3 仿真测试分析

为验证本文方法在实现大数据交互式查询中的应用性能，进行仿真测试分析，设定深度学习模型学习不同数据的学习效率为0.83，特征匹配系数为0.712，数据库分布的规模为2500，深度学习训练的时间采样间隔为0.37s，数据库交互的训练数据集和测试数据集如表1, 2所示。

表1 数据库交互的训练数据集

表2 数据库交互的测试数据集

根据上述仿真条件和参数设定，利用文献[4]提出的基于粗糙集特征匹配的教务系统交互大数据查询技术和所设计技术进行教务系统交互大数据查询，得到数据库访问的吞吐量对比测试结果如图2所示。根据数据库访问吞吐性能对比检测，与文献[4]技术相比，证明本文方法的吞吐量较大。此实验结果说明本研究所设计技术应用下，系统的响应时间较快，服务器配置较高。基于此，利用文献[4]技术与所设计技术完成数据库访问效率测试，得到数据库访问的传输速率如图3所示。

分析图3得知，在实验期间文献[4]方法的磁盘传输速率波动区间为0～1100kB/s，所提方法的磁盘传输速率波动区间为0～3500kB/s，与文献[4]技术相比，采用本文技术进行教务系统交互大数据查询的传输速率较高。

图2 数据库访问的吞吐量

图3 数据访问的传输速率测试

测试不同方法中系统交互大数据查询的查准率，得到对比结构如图4所示。

图4 查准率测试结果

分析图4得知，本文方法进行教务系统交互大数据查询的查准率较高，最高达到了95%以上，输出平衡性较好，提高了教务系统交互大数据访问查询性能。文献[4]为了解决大数据查询距离结果不精确且耗时长的问题，建立了一种新颖的犹豫模糊聚类算法，运用核函数将样本空间中的数据映射到一个高维特征空间，但是该技术忽略了对大数据融合步骤，导致该技术的交互查询效果不理想，查准率达不到大数据深度处理要求。本文提出的技术通过基于联合自相似性特征解析控制方法实现对教务系统交互大数据信息融合和特征匹配，取得了理想的应用效果，解决了查准率偏低的问题。

4 结束语

本文提出基于改进深度学习算法的教务系统大数据交互式查询技术。在TCP协议模式下，建立教务系统交互大数据查询的组网和通信结构模型。基于联合自相似性特征解析控制方法实现对大数据特征匹配，基于深度学习算法实现对教务系统交互大数据的模糊融合处理。通过目标样本集相似性特征重构的方法，实现对教务系统交互大数据的交互式查询。研究得知，本文方法对教务系统交互大数据查询的传输速率较高，查准率较好，提高查询性能。

虽然实验结果验证了所提方法具有理想的应用效果，但是，本文是通过提取教务系统交互大数据的关联匹配特征量，实现目标样本集相似性特征的重构。由于大数据的特征量较大，其特征关联匹配的难度较大，导致本文技术的实现不具有较好的简便性。因此，在日后的研究中，会针对该问题深入谈论和分析，为相关领域提供更可靠的依据。

[1] 于爽，李淑梅. 图书电子资源信息分布式多模块检索仿真[J]. 计算机仿真，2020, 37(06): 439-442.

[2] 王薇. 信息可视化检索在高校图书馆的应用[J]. 信息系统工程，2019(08): 90.

[3] 高海英. 针对计算机网络发展关系数据库技术[J]. 微型电脑应用，2020, 36(08): 31-33.

[4] 邓小燕. 犹豫模糊核C-均值聚类用于数据库系统选择[J]. 控制工程，2020, 27(01): 182-187.

[5] 王俊红，闫家荣. 基于欠采样和代价敏感的不平衡数据分类算法[J]. 计算机应用，2021, 41(01): 48-52.

[6] 李艳霞，柴毅，胡友强，等. 不平衡数据分类方法综述[J]. 控制与决策，2019, 34(04): 673-688.

[7] CISNEROS-CABRERA S, MICHAILIDOU A V, SAMPAIO S, et al. Experimenting with big data computing for scaling data quality-aware query processing[J]. Expert Systems with Applications, 2021, 178(1): 114858.

[8] ZENG Y, ZHOU Y, ZHENG F. Data skyline query protocol based on parallel genetic improvement decision tree[J]. Journal of supercomputing, 2020, 76(2): 1116-1127.

[9] 周淳，李贤慧. 一种实时数据库的分布式存储方法[J]. 计算机系统应用，2019, 28(04): 125-130.

[10] 钱志友，符海月，史晓云. 基于ArcEngine的不动产登记信息管理系统设计[J]. 地理空间信息，2019, 17(08): 95-97, 118, 12.

[11] 王鑫，徐强，柴乐乐，等. 大规模RDF图数据上高效率分布式查询处理[J]. 软件学报, 2019, 30(03): 8-24.

[12] 罗俊，陈黎飞. 基于BERT的不完全数据情感分类[J]. 计算机应用，2021, 41(01): 139-144.

[13] KIM T, LI W, BEHM A, et al. Similarity query support in big data management systems[J]. Information Systems, 2019, 88: 101455.

Research on big data interactive query technology based on improved deep learning algorithm

LIU Wen-chun

(Anhui Vocactional & Technical College of Industry & Trade, Anhui Huainan 232007, China)

The traditional big data interactive query technology ignores the big data fusion steps, which leads to the unsatisfactory interactive query effect and low accuracy. Therefore, an interactive big data query technology based on improved deep learning algorithm is proposed. Taking the educational administration system as the research object, the rough quantitative feature analysis model of interactive big data of educational administration system is constructed. Based on the joint self similarity feature analysis control method, the information fusion and feature matching of interactive big data of educational administration system are realized, and the associated matching feature quantity of interactive big data of educational administration system is extracted. Through the reconstruction of the similarity features of the target sample set, the big data deep learning training is realized. The deep learning model is used to deeply integrate the interactive big data of educational administration system to realize the interactive query of big data. The simulation results show that the precision of interactive big data query in educational administration system is high, and the convergence rate and transmission rate of data training process are good, which effectively improves the ability of interactive big data query.

improving deep learning algorithm；big data；interactive query；educational administration system

2021-10-29

2020年度安徽高校人文社会科学研究项目“基于顾客让渡价值的O2O外卖配送服务质量分析及优化——以淮南市为例”（SK2020A0710）

刘文春（1982-），男，安徽淮南人，讲师，硕士，主要从事计算机应用研究，jacobgu@163.com。

TP18;TP311.13

A

1007-984X(2022)03-0011-05