摘要：随着大数据、云计算等技术的发展和普及,人们已经进入到共享信息的"互联网+"时代,智能化、自动化系统运行积累了海量的数据资源,比如数以亿计的文该文档,这些资源充斥着整个网络,无处不在,给人们的搜索带来了极大的不便。该文为了解决网络文本挖掘速度慢、准确度低的问题,提出了一种基于K均值的网络文本信息挖掘算法,实验结果表明,与传统的遗传算法、支持向量机、BP神经网络相比,该文算法的准确度可以显著提高10.3%,并且不需要先验知识,更加适用于当前互联网搜索引擎、专家系统等,具有重要的作用和意义。

摘要：空调售后服务文本信息中蕴含着极为丰富的反映其现场可靠性的现场失效数据。为解决目前基于人力的数据挖掘存在的效率低下和质量无法保证的问题,提出基于深度学习的智能挖掘方法。该方法遵循基于空调失效判据的现场失效数据挖掘流程,将门控循环单元(gated recurrent unit,GRU)和胶囊网络(capsule neural network,CAP)两种各具特点的提取特征信息的深度学习技术并行集成,构建现场失效数据的智能挖掘模型,设计基于GRU、CAP两种算法的损失函数值的动态融合机制。某空调企业三款家用空调现场失效数据的挖掘应用结果表明,数据挖掘的准确率和调和平均数的最小值分别为97.78%和97.69%,能够满足现场可靠性评估的要求。