专利交易市场

一种围绕主题建模的改进型K‑means服务聚类方法，包括以下步骤：第一步、对所有需要特征表示的Mashup服务数据进行预处理；第二步、基于预处理后的Mashup服务数据，进行功能名词提取操作；第三步、对于每条Mashup服务的功能名词集合FS，利用主题模型进行Mashup特征向量的表示；第四步、对于所有参与聚类的Mashup特征向量，进行密度信息的计算；第五步、基于第五步计算的密度信息，从所有Mashup特征向量中，筛选出聚类中心的候选点；第六步、对第五步所得的聚类中心候选点，进一步筛选出最为合适的K个初始聚类中心，进行K‑means聚类。本发明改善Mahsup服务聚类的最终效果。

本发明请求保护一种基于K‑means聚类与XGBoost算法的心理预判方法及系统，该方法包括：1)利用机器学习的方法，基于已知样本中的决定性特征，建立和训练基于样本决定性特征的心理预判模型；2)获取新个体的决定性特征数据，根据所述的基于样本决定性特征的心理预判模型得到该新个体的心理健康状况，根据结果来预判学生心理健康。本发明所达到的有益效果：本模型利用机器学习中的XGBoost算法提取关键的决定性特征，有助于更加准确地进行心理健康状态评估。在适当调参后，在测试集上进行测试集测试，准确率能够达到98％～100％，说明效果明显，模型普适性高。本发明可提供精确的心理预判模型，给学校的学生管理工作提供便利。

本发明一种具有差分隐私的安全多方k‑means聚类方法公开了计算机技术领域的一种存在m个参与方U1,U2,…,Um，各个参与方Ui有输入数据集Di，其中Di＝di,1,…,di,l,i∈{1,…,m}，添加噪声采用的两个差分隐私预算分别为ε1,ε2，首先此方案初始化聚类中心，每个参与者Ui接收添加噪声之后的聚类中心{C1,1,…,C1,k}，如果相邻两次聚类中心之间的距离和η大于阈值则继续迭代，本发明首次将差分隐私和安全多方计算进行有效的结合并应用于k‑means聚类的隐私保护，保证了输入数据、中间参数和输出结果的隐私，并且保证了数据的可用性。