機械工程博士論文
前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇機械工程博士論文范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。
機械工程博士論文范文第1篇
關鍵詞：大立柱，鑄件對接，坡口型式，裝焊工藝
660MN多功能壓機立柱為清華大學機械工程系設計的大型壓機的大型鑄件，屬鑄造箱型結構，重量約252噸，外形尺寸分別為2100×2100×13000mm，由于噸位過大，無法實現整體鑄造，分頂部、下部兩段鑄造，然后周邊焊接，對接成一體的鑄焊件，材質為GS20Mn5N，碳當量CE=0.46~0.6%，可焊性一般。該壓機國內少見，由太原重工股份有限公司軋鍛分公司承擔制造。博士論文，鑄件對接。。如下是對該立柱的對接焊方面做相應的研究。
首先，焊接方法采用Ar+CO2氣體保護焊和埋弧自動焊兩種，焊材分別選用φ1.2ER50-6及φ4.0 H10Mn2，焊劑選用SJ101。由于對接坡口深且截面較復雜，焊縫質量要求高，為全熔透焊縫，技術標準依據JB/T 5000.3-1998，焊后消應力。博士論文，鑄件對接。。生產過程中焊接區域需進行預熱、層間錘擊、焊后緩冷等多項措施。博士論文，鑄件對接。。由于焊后立柱整體的平面度、直線度、垂直度均要求控制在±5mm之內，所以特別強調裝焊過程的尺寸控制，嚴格按照工藝執行，具體如下：
一、裝配及準備工作
（1）用角磨機清理坡口表面，再次確認坡口表面無缺陷，檢查坡口鈍邊是否符合要求，及時進行修理。；
（2）檢查坡口根部的錯邊量≤2mm，并進行必要調整，根部裝δ=20mm
寬度200mm的內襯圈，預留坡口間隙3mm，裝配門字形固定板，預熱后焊接；
（3）由金工在兩段鑄件上劃出兩個方向的中心線并打標記，以便裝配時找正。按設計圖將兩段鑄件分別用方鋼墊平放置，立柱四個面分別用水平儀測量平面度，用鋼絲測量直線度，用吊線的方法測量垂直度，均要求控制在能加工起來的尺寸公差范圍內。
（4）斷焊點固，隔300mm焊150mm，焊角20mm，焊前需對斷焊區域局部預熱，預熱溫度200℃～250℃；
（5）立柱裝配完成后（安裝翻身起吊用的卡箍），經檢驗人員復檢后方可施焊，兩側焊縫可同時進行；
（6）焊前立柱外側用遠紅外線履帶加熱片配熱電耦控溫對焊縫區域進行加熱，加熱溫度200℃~250℃，由于部件對接處較厚，需反復加熱，用硅酸鋁纖維、石棉布扎緊保溫，封底前需對坡口根部進行火焰加熱，焊接過程丙烷加熱立柱內腔，焊后保溫緩冷。
圖3 立柱截面圖
二、焊接及順序
（1）首先對稱左右兩側立焊封底，采用氣體保護焊，同時填充至40mm左右，；
（2）平焊封底，采用氣體保護焊填充至40mm左右，彎角處、爬坡處封底焊填充40mm左右；
（3）翻身180°平焊封底并填充50mm左右，采用氣體保護焊；
（4）封底后采用埋弧自動焊填充，彎角處仍采用氣體保護焊；
（5）隨后每次翻身90°，埋弧自動焊填充，填充量據實際變形情況定，每翻一周逐漸增加；
（6）焊完進行后熱處理，溫度控制在250℃-300℃之間，保溫6小時以上，之后緩冷至室溫；
（7）探傷要求應不低于母材超聲波探傷標準。探傷合格后，進爐退火消應力。
注意：焊接過程中要隨時測量立柱的整體形狀尺寸，隨時翻身，嚴格控制焊接工藝參數，使各條焊縫的熱輸入基本達到均衡，有效控制變形，層間需用風鏟逐層、道錘擊清渣，必要時可采用振動均衡應力，焊接過程用煤氣火焰邊焊邊加熱，隨時檢測焊縫區域的層間溫度，應控制在200℃-250℃之間。焊劑烘干溫度350℃，保溫2小時隨用隨取。焊接過程中翻身要特別注意安全，操作者要嚴格按照安全操作規程執行。鑄件腔體內部火焰預熱應注意氣體使用安全。
機械工程博士論文范文第2篇
美國第一個獲得心理學博士的婦女，被稱為“管理學的第一夫人”。
莉蓮•吉爾布雷思是美國管理心理學家，人因工程學的先軀，也是是美國第一個獲得心理學博士學位的婦女。她出生于美國加利福尼亞州奧克蘭市，逝于美國亞利桑那州菲尼克斯。
莉蓮的《管理心理學》對管理發展史進行了整體概括。她將歷史上管理方式分為三種：傳統方式、過渡方式、科學方式。所謂傳統管理方式，被她形象地喻為“驅趕式”或“昆斯伯里侯爵式”。昆斯伯里侯爵是一位英國貴族，由他制定的拳擊規則在1891年得 到世界公認，拳擊比賽由此實現了規范化。傳統方式的管理，一般采取單一的直線指揮，特點是中央集權，管理的宗旨就同職業拳擊類似，以競爭取勝。“昆斯伯里侯爵式”管理，象征著管理者與工人雙方“根據比賽規則”展開體力和智力的競賽，本身暗含著“對抗”的意味。所謂過渡管理方式，是指在工業化之后、泰羅制誕生之前的管理，這種方式差異較大，包羅萬象，沒有形成統一的范式。新的探索已經出現，但不成體系；舊的方式依然沿用，但多有改良。所謂科學管理方式，就是以泰羅制為代表的工業化管理的整體變化，是建立在人際合作基礎上的、追求社會整體提高福祉的管理方式。
管理心理學
莉蓮出生于加利福尼亞奧克蘭的一個顯赫的家庭，她的父親是一位德國裔的糖廠主。莉蓮是家中九個孩子中的老大，她的母親身體一直不好，所以莉蓮很早就承擔起有關家務以及照管幼兒的責任，幫助體弱多病的母親照顧年幼的弟弟妹妹。她從小性格靦腆、內向，一直由父母和家庭教師在家中教授知識，直到九歲才正式入學，她的父母不僅僅教她學習課本知識，還教她學習法語、德語和鋼琴。她后來一直鐘愛文學和音樂，這與她早年所受到的全面教育是分不開的。
1900年，莉蓮在加利福尼亞大學伯克利分校取得了文學學士學位。稍后，又以關于本•約翰遜(Ben Johnson，與莎士比亞同時的著名劇作家兼詩人)的論文取得文學碩士學位。在她去歐洲旅行途經波士頓時，與后來成為她丈夫的弗蘭克•吉爾布雷斯邂逅，據說兩人一見傾心。弗蘭克年長莉蓮十歲，年輕、英俊而且富有，創新精神十足，17歲時就創辦了自己的建筑公司。三周以后，莉蓮接受了弗蘭克的求婚，兩人于1904年結婚。管理思想史學者雷恩這樣評價這對夫婦的相識：“弗蘭克和莉蓮結婚這件事是現代管理學的運氣，因為他們二人可以互相補充，他們各自思想上的興趣以及掌握的知識的結合使管理學進入了一個新的領域。”
吉爾布雷思1914年的博士論文是《管理心理學》，1928年在《和我們的孩子們生活在一起》一文中發表了她在兒童管理方面的經驗，有關雜志也發表過她在動作研究方面的成果。1944年L.吉爾布雷思和F.吉爾布雷思被授予美國機械工程協會獎章。她還在世界各地講學，甚至在90歲以后，她的講演對眾人仍有著極大的吸引力。
管理史階段劃分
與同時代的其他從事管理研究的心理學家相比，莉蓮的長處在于把自己的理論建立在對管理學的宏觀認識基礎之上。她有著深厚的文學功底，有著來自家庭生活的豐富經驗，有著特別細膩的女性感覺和悟性，尤為可貴的是，她具備常人所缺少的堅韌毅力和奮斗精神。這些鋪墊，使她的管理心理學研究不囿于對某個特殊管理問題的心理學解釋，而要比其他人看得更為廣闊，更為深遠。莉蓮對管理學的貢獻，在她的博士論文《管理心理學：精神在判斷、指導和實施最少浪費方法中的作用》中已經有了比較全面的反映。
莉蓮的管理史研究，在當時具有重大意義，它能夠使人們跳出解決某一管理具體問題的狹隘視野，更好地把握科學管理的時代價值。這種管理史階段的劃分，對后來的學術研究也產生了相當廣泛的影響。
在對管理進行了三種歷史類型的劃分以后，莉蓮根據這三種管理方式，對管理領域的關鍵環節進行了深入的比較研究，并圍繞這些關鍵環節提出自己的管理見解。所涉及的內容，包括個人、職能化、衡量、分析綜合、標準化、記錄和計劃、傳授知識、刺激以及福利等。尤其是關于“個人”的研究，揭示了莉蓮管理思想的本質和她的興趣所在。她認為，當時的心理學主要關心“群體心理學”，而對個體的心理研究卻比較少。在傳統管理下，個人受到中心人物的權力壓抑，事實上處于一種受“脅迫”的地位；而在科學管理下，個人則是一切活動的出發點和中心，挑選人員、激勵工人、考慮工人的福利等活動，都得圍繞“個人”進行。尊重“個人”是科學管理的基本內涵。在這個尊重“個人”的前提下，莉蓮對全面考慮工人的“福利”提出了新的、更加完善的觀點。科學管理提倡有系統的工作，鼓勵良好的個人習慣，而且關心個人在物質上、精神上和經濟上的發展，即要把“福利”理解為“總的幸福” ――它包括精神、物質、道德和經濟等各方面的發展。在莉蓮看來，昆斯伯里侯爵式的管理，關注的核心問題是如何使用和剝削工人。科學管理的目的，則是通過培養人的品德、特殊的能力和技巧，從而使每一個人都能發揮其最大的潛力；所關注的核心問題是為了相互共同的利益，管理部門如何才能使個人得到發展，重在強調“有效”前提下的勞資合作。
以人為本
莉蓮指出，傳統管理會使人缺乏安全感，而在科學管理的視域下，工人是“泰然自若和安全的”，因為傳統管理完全依靠報酬和懲罰，而科學管理則努力爭取工人的合作。
從提高安全感出發，莉蓮對科學管理的積極作用進行了多方面論證。例如，立足于專業化的職能化管理，不僅僅是提高效率的措施，而且能夠通過提高工人的產出，進而提高工資，給工人帶來自豪感；這種自豪感又能使技術得以改進，從而能提高工人的福利； 而對工作的自豪感以及福利的提高，會進一步促進工人身心的健全發展。這種連鎖反應式的變化，與其說是技術性的，不如說是心理性的。通過這樣的研究，莉蓮為科學管理與心理學的融合做出了自己的貢獻。
在莉蓮的管理思想中，“人”一直被置于中心的位置，她認為成功的管理“在于人而不是工作”，而她和丈夫弗蘭克一直努力推廣的科學管理，實際上就是為人們提供能最大限度地利用人的努力的方法。從人出發，她們夫婦提出了管理上的三個設想：一是吸引愿意參加本組織的人的必要性，二是保持并恰當安排和提升本組織已有成員的必要性，三是前兩種必要性的相互依存。在這一方面，他們的思想已經向以人為本的方向跨進。
機械工程博士論文范文第3篇
英國蘇格蘭皇家銀行是英國本土最大的銀行，以市值而論在全球排名第五，它在海外的分支機構遍布世界各地。李權博士現任蘇格蘭皇家銀行中國業務董事和北京代表處首席代表, 負責該行在華業務發展與策劃。
在各種知識的學習中成長發展
李權博士大學時的專業是機械工程，后來改學管理。他的第一個工作是記者，而目前在銀行就職。這些看起來似乎是跳躍性的變化卻有著本質性的聯系，那就是他對學業的鉆研和對機遇的把握。談到李權博士從事銀行業的經歷，他開玩笑地用“陰錯陽差”來形容自己學業和事業所取得的穩步發展。
大學時，李權在北京工業學院學機械工程，看似與金融無關，但專業的學習鍛煉了他的邏輯思維能力，也使他打下了良好的數學基礎。大學畢業時，教委開始從應屆畢業生里選拔公派出國研究生。1985年李權以優異的成績獲得英國駐華使領館文化教育處與國家教委共同設立的“技術合作獎學金”，去英國伯明翰大學學習計算機輔助生產和制造。這個專業較多地涉及生產過程的管理。出于自己的興趣和對未來人才市場發展前景的考慮，李權很快改學工業管理，這門課程后來演變成許多商學院里的管理課程。獲得管理學碩士學位后，他進入阿斯頓商學院繼續攻讀博士學位,研究經濟轉型國家的產業政策和戰略管理領域。在撰寫博士論文的同時,他因自己的亞洲背景和學術專長加入英國廣播公司（BBC）任節目制作/新聞記者，主要負責亞太區和中國金融及市場方面的分析評論。這段過程使他的事業轉為向金融業發展。
1993年下半年，隨著中國經濟的起飛，倫敦很多大的金融機構都希望進入中國市場。倫敦的大型投資銀行和商業銀行紛紛招聘了一批年輕人準備派到亞太區。李權就在這時加入英國四大銀行之一英國國民西敏銀行（National Westminster Bank）的經濟研究部，負責亞太區的經濟研究。不久后他被調任到香港，出任首席經濟師并參與該行在亞太地區的戰略決策。1998年夏，他回到中國，負責拓展國內的市場。李權博士對英國大銀行做事的方式、程序以及監管當局的要求都有相當的了解，這對他在分行或者代表處的管理工作有很大的幫助。他相信，代表處作為整個銀行的一部分，必須以同樣的嚴格要求來保證同樣高的服務標準。
海外留學經歷讓人體驗完全不同的異國文化
從80年代初到90年代初，李權博士在英國前后學習、生活、工作了近10年。在英國讀書多年的經歷，令李權對中西方的教育方法和體制有著深入的了解。他說:“在國內，各門課程都有一本主教材，把這本書吃透，考試就基本能過，考高分也有可能。但到了國外，每一門課程都不是單一內容的，它有可能涵蓋其他很多領域的內容，要求學生博覽群書。”他還有另外一個心得：只要有機會就盡可能在課堂上進行小組討論，每個人即使對所討論的問題了解不深也可以盡量參與，因為這同時也是對語言表述能力的最好鍛煉。讀書時所積累的知識和所掌握的研究方法,有很多應用到了他以后的工作中，包括英文的口頭表達能力和寫作能力。銀行工作特別要求嚴謹性和認真性，對人的邏輯思維能力和文字表述能力有很高的要求。另外，“在公共場合表達自己的能力也很重要。要很有條理、很清晰地把你所想的用讓人信服的方式說出來。”今天回過頭去看那段留學的收獲時，李權認為，不管去哪個國家，一定要把那個國家的語言學好。因為“在很多大型跨國公司里，日常工作常常是以中文以外的語言作媒介，對語言能力的要求在外企里是比較高的。出國留學除了學好專業以外，一定要盡量地提高自己的語言表達能力。”
此外，李權覺得除了在課堂上的學習，從生活中去學習也是大有裨益的。課余時，他會和英國同學結伴去校園附近的酒吧，大家在非常放松的氣氛中聊天、辯論。李權借此機會提高了自己的英語表達水平，也從周圍人的身上了解了更多英國文化和社會底蘊。他認為和英國人交往完全不像一些人想象的那么難。英國人彬彬有禮，常與人保持距離的印象實際只是表面的。他抱著開放和欣賞的態度去主動地接觸當地的文化，并從這個過程中學到了很多東西，這也成為他專業知識以外的另一個優勢，對他事業的發展具有重要的意義。李權舉了一個例子：“在任何一個企業里，工作的關系就是人和人的關系，如果你對這個企業所屬國家的文化和歷史有一定程度的了解，那么你就會和它的管理者或外籍雇員在溝通方面有很大的優勢。”
李權不但樂于接受不同的文化，更希望讓別人對中國文化有所了解。很多外國人對中國的認識是從中餐館開始的，認識非常有限，李權則會在與朋友交往的過程中不失時機地介紹中國的風土人情和中國人看問題的方式。他覺得，“在人和人的交往中，雙方互有給予，這種交往才會深入、長久。”
李權博士幾乎走遍了整個英國，他去過的地方甚至比很多英國人都多。說起英國各地的風土人情，他如數家珍。倫敦是英國的政治和文化中心，也是很重要的國際金融中心。它是非常國際化的大都市，在這里你幾乎可以找到任何你想要的東西，要找到和自己文化背景相似的東西更不是問題。對于生活在大城市的李權來說，英國鄉村飄動著的那種空曠、自由更令他心神俱醉。英格蘭中部和西南部有令人心馳神往的綠野，蘇格蘭多見蒼茫的山林和羊群……各地的風光各有特色，各地的人也有不同的個性。比如;蘇格蘭、威爾士的小城鎮的人們和藹友善，甚至比生活在緊張的大都市中的人們更樂于接受新鮮的事物。求學期間，他還曾背著背包，買了鐵路通票，在歐洲大陸游歷了一個月。許多當時覺得有些艱苦的經歷,現在回想起來很有意義。歐洲大陸擁有巨大的文化財富，而且具有很強的地域特點。幾百公里以外就可能是一個完全不同的國度，可以讓人體驗到完全不同的文化色彩，那里有著真正意義上的多元文化。
本科學歷+實際工作經驗+深造才能成為優秀的管理人才
機械工程博士論文范文第4篇
關鍵詞：資源型城市；產業；升級；路徑
中圖分類號：F260 文獻標志碼：A 文章編號：1673-291X（2013）33-0048-02
收稿日期：2013-07-18
基金項目：2012年度黑龍江省哲學社會科學青年項目的階段性成果（12C061）
作者簡介：路欣（1984-），女，黑龍江大慶人，副科，講師，碩士研究生，從事行政管理研究；赫明剛（1982-），男，黑龍江伊春人，中級經濟師，從事行政管理研究。
一、黑龍江省資源型城市產業升級的難度分析
（一）轉型的普遍性
資源型城市的形成發展大多是因資源而興，隨著資源保有量的變化，有其形成、發展、興盛和衰退過程，這是社會經濟發展的普遍現象。城市繁榮和工業經濟的發展是同步的，工業發展需要消耗大量的礦產資源，資源開發帶來資本的積累和城市建設投資不斷增長，資源型產業就會成為整個城市發展的主導。隨著資源的不斷開發，儲量將不斷消耗，資源型城市最終將面臨資源枯竭、環境污染、產業單一等問題，這是完全符合資源開發規律、經濟發展規律和城市發展規律的客觀現象。
（二）轉型的復雜性
資源型城市的轉型升級之所以成為世界性難題，就在于其問題本身的復雜性和問題解決方案的不成熟性。資源型城市的轉型升級不只是延伸產業鏈、培育創新創業主體、調整產業布局等經濟的轉型，還有及時解決民生問題、提升社會保障水平、擴大公共產品供給等社會的轉型，更有資源開發補償機制、接續產業振興機制、科技創新驅動機制等制度的轉型。
（三）轉型的綜合性
在資源型城市的轉型升級過程中，政策要素、環境要素、市場要素、產業及空間要素、人力要素、資金要素各種城市要素相互交叉、相互影響、相互制約，每一個領域、部分、方面問題的解決都受到其他相關領域、部分、方面問題的制約和影響。例如，實施產業結構調整，就會涉及到發展和改革委員會、工業和信息化委員、財政局、國資委等經濟部門，人力資源和社會保障局、審計局、環保局、安監局等服務和監管部門，局、公安局等維穩部門，實現多種要素、多部門的統籌協調，就需要能夠駕馭復雜局面和富于改革創新的地方官員來掌舵。
（四）轉型的風險性
資源型城市轉型升級任務艱巨、過程艱辛、局面復雜、時間漫長，少則十幾年，多則幾十年，其間，充滿了各種變數、不確定性及可以預見或不可預見的風險。很難對金融危機背景下的動態經濟發展進程進行相對準確的預測，并據以作出配套決策。如果在轉型的方向、途徑、道路等重大經濟決策中發生失誤，就會導致轉型失敗，將有造成巨大政治、經濟、社會損失的風險，事關幾代人的長遠生計，歷屆地方政府不得不高度重視，慎之又慎。
（五）條件的不利性
目前，黑龍江省資源型城市普遍存在資源不足、產業結構單一、人才外流嚴重、創新創業不足等不利條件，建立在資源型產業服務的結構之上的技術結構、制度結構、文化結構都對經濟轉型形成剛性制約。
綜合上述幾點，概括資源型城市的轉型升級難就難在：一是缺乏成熟的轉型經驗。迄今為止，少數城市的轉型雖為破解轉型難題提供了先行先試和寶貴啟示，但總體上說，實踐答卷尚不夠充分。二是資源型城市經濟轉型還缺乏建立在實踐之上的完整、系統的科學理論的指導，缺乏一套“一管幾十年”的頂層設計和符合資源型城市社會經濟發展規律的政策體系。
二、黑龍江省資源型城市產業升級的一般路徑選擇
（一）強化轉型升級的頂層設計，增強政策的穩定性和連續性
制定《黑龍江省資源型城市轉型升級中長期發展規劃》，就是要對資源型城市未來發展進行超前研究和規劃，不因地方主政領導的更迭而改變，以保證地方政府在路徑選擇和政策施行的長期跟進。首先，要明確《規劃》的地域范圍、轉型目標和任務，戰略重點和實施階段，配套措施及中央和地方政府責任等；明確接續產業、環境恢復、勞動力就業等問題，結合原有主導產業特點和發展階段，實施差異化轉型戰略。其次，明確劃分轉型任務的前后次序，做好財政預算資金配置。例如伊春市是優先發展工業，還是第三產業（旅游業）；優先推進市政建設，還是民生發展。最后，做好《規劃》階段性成果的考核。由GDP至上轉向社會穩定、生態建設、接續產業發展等指標，并將其一起納入組織部地方干部政績考核的評價體系，增強地方政府落實規劃的積極性。
（二）實施創新驅動發展戰略，培育新興產業增長極
首先，加強對關鍵技術和共性技術的聯合攻關研究。目前，我省現有高校及科研院所的科研實力難以滿足資源型城市轉型升級的技術需求。建議將黑龍江省資源型城市全部納入東北老工業基地政策扶持范疇，將資源綜合開發和生態環境建設的關鍵技術納入國家重大科技攻關研究計劃。其次，大力推進區域性產學研戰略聯盟建設。學習南方先進省市對現有科研資源進行整合，組建行業工業技術研究院勢在必行。例如組建黑龍江省農業機械化科學院。將黑龍江省農業機械工程研究院、黑龍江省農機修理研究所、黑龍江省農機運用研究所、黑龍江省農副產品加工機械化研究所、黑龍江省水田機械化研究所、黑龍江省畜牧機械化研究所職責任務整合劃入黑龍江省農業機械化科學院。
（三）加快政策性擔保體系建設，優化小微企業發展環境
政策性擔保機構是憑借政府注入資本及公共信用，提升申請企業（或個人）信用級別，化解融資風險的非銀行性融資機構。它是公共財政在市場經濟體制下產生的新生事物，是資源型城市優化中小企業融資環境、撬動銀行貸款、提升小微企業信用等級的重要載體。
（四）加強產業結構的調整，發展現代農業和服務業
產業結構是衡量資源型城市三大產業的構成及各產業之間的比例關系的重要指標。目前我省資源型城市普遍存在著第一產業、第三產業比例較小，第二產業比例較大的問題，非資源型產業比例小，資源型產業比例較大的問題。一是大力發展棚室經濟，實現農民增產增收。現代農業是相對于傳統農業而言，是廣泛應用現代科學技術、現代工業提供的生產資料和科學管理方法進行的社會化農業。二是大力發展現代物流業，打牢產業轉型基礎。經過三十多年的發展，中國已經成為物流大國，物流業已經成為區域經濟的支柱產業和重要的現代服務業。資源型城市轉型過程中必然帶來原有大宗資源、能源及副產品的大規模運輸和流動的需求。
（五）完善人才引進機制，營造良好的選人用人環境
首先，建立一套完善的人才引進機制。針對大慶、雞西、伊春等資源型城市大多數從業人員受教育程度低、技能單一、適應能力差、轉移就業難度大等實際狀況，應當建立與本地區轉型模式相匹配的人才引進政策，服務于當地的產業轉型。加大對專業技術人才的引進和定向培養，加大對優秀職業經理人和財政金融人才的引進。其次，營造良好的選人用人環境。一是機制留。市人才辦公室負責制定實施公開、平等、競爭、擇優的用人機制和“能上能下”的激勵約束機制，營造良好的創新創業環境。二是待遇留。對于引進的高層次人才，市委組織部及人才辦公室要在編制、職務、職稱、報酬、住房等方面依據轉型升級需要視個人能力、貢獻大小給予特殊的優惠政策，對其隨遷親屬就業，子女教育等方面從優安置。三是高薪留。地方財政局應當設立人才專項資金，改變原來以檔案工資作為報酬支付標準，對碩士研究生以上學歷的人才每月給予生活補貼500元、創業人員提供三年全額貼息貸款、科研人員提供項目啟動資金，對于做出突出貢獻的人才給予轉型城市特殊貢獻獎每年10萬元（近似于黑龍江省院士補貼標準）。
（六）加快新型城鎮化建設進程，建設宜居宜業城市
重點解決好資源型城市縣域、鄉鎮經濟發育不夠、規模小、市場化程度低、人口不足等問題，建設一批工業重鎮、商貿大鎮、邊貿強鎮和旅游名鎮。一是著眼建設“對俄邊貿合作區”，重點推進邊貿強鎮。充分發揮伊春的嘉蔭縣邊貿口岸的優勢，進一步擴大對俄口岸貿易，彌補資源減少帶來的經濟損失。加大對俄羅斯木材進口和勞務輸出，彌補木材產業頹勢；加大對煤炭進口和蔬菜、糧食有機食品輸出彌補煤炭價格下跌損失；加大管道石油和天然氣的進口和輕工紡織產品的出口，減輕大慶石油穩產高產壓力。二是著眼建設“城郊功能提升帶”，重點做強旅游名鎮。城郊可以充分毗鄰市區的優勢，走綠色采摘游、休閑度假游、特色飲食游、草原風情游等品牌路線，建設一批農業與旅游互動的鄉鎮。三是著眼建設“城鎮發展廊道”，重點建好示范新村。這些鄉鎮大多為產糧大鎮或商貿大鎮，臨近省道國道、交通樞紐和鐵路周轉站，地理位置優越。例如大慶肇源縣的新站鎮、大同區的太陽升鎮，兩者都為我省重要的糧食集散地和物流港，糧食貿易異常活躍，要充分發揮這些特色經濟重鎮對縣域經濟的多元支撐和城鎮化的多點帶動作用。有序推進資源城市附屬鄉鎮在就業方式、人居環境、功能配套、社會保障等方面實現由鄉到城的戰略轉變。
參考文獻：
[1] 鄭鑫.大慶市政府招商引資全過程項目化管理研究[D].大慶：東北石油大學碩士論文，2011：6.
[2] 王艷芳，張昕，徐忠惠，劉方正.資源型城市產業轉型模式研究———以黑龍江省雞西市為例[J].經濟師，2011，（12）.
[3] 董鋒，譚清美，周德群，龍如銀，朱佳翔.資源型城市可持續發展水平評價——以黑龍江省大慶市為例[J].資源科學，2010，（8）.
[4] 曹彩杰.中國森林生態旅游業發展的SWOT分析[J].硅谷，2010，（2） ：121-122.
機械工程博士論文范文第5篇
關鍵詞：推薦系統；云計算；數據挖掘；個性化
中圖分類號：TP393 文獻標識碼：A DOI：10，3969/J.issn.1003-6970.2013.03.001
本文著錄格式：[1]郭平，劉波，沈岳，農業云大數據自組織推送關鍵技術綜述[J].軟件，2013，34（3）：1-6
0 引言
隨著物聯網、云計算、下一代互聯網等新一代信息技術的快速發展和信息內容的日益增長，“信息過載”問題愈來愈嚴重，推薦系統（recommender systems）被認為可以有效的緩解此難題，幫助用戶從海量數據中發現感興趣信息，滿足個性化需求。
近年來，我國在農業個性化知識服務服務領域從本體論、語義網、知識工程角度開展了廣泛的研究，成果主要體現在三個方面：以搜索引擎為代表的知識檢索系統，需回答大量預設問題進行知識推理的專家系統，特定領域應用系統，它們在各自的場合都發揮了積極作用。然而知識檢索系統不能滿足用戶個性化需求，專家系統的應用很難普及，特定領域應用開發成本高和重用難度大。物聯網與數據挖掘云服務提供知識服務云實現物理世界的“感知控”，知識服務云的研究主要集中在制造和圖書情報領域，云環境下的農業個性化知識服務的研究尚處于起步階段，主要集中在服務模式的構建與展望。
本文是對科技部科技支撐課題“農村農業信息化關鍵技術集成與示范”（2011BAD21803）與“農村物聯網綜合信息服務科技工程”（2012BAD35800）研究成果的總結，也是對農業云推薦系統研究的升華。
1 農業云大數據自組織區域推送的提出
1.1 農業信息資源特點
我國自“十一五”時期以來，農業農村信息化發展取得了顯著成效，主要表現在農業農村信息化基礎設施不斷完善、業務應用深入發展、物聯網技術在農業中逐步推廣應用等方面。從中央到省，市、縣建立了“三農”綜合信息服務平臺，涉農企業、組織和科研院所也積極搭建了各具特色的農業信息服務平臺，目前正向鄉鎮村發展。農村信息員隊伍及以農業綜合信息服務站和農業合作社為代表的農村信息服務機構發展迅速，“三電合一”、“農民信箱”、“農村熱線”等信息服務模式應用深入。云計算利用海量的存儲能力把農業信息資源形成高度集成和虛擬化的計算資源一“農業知識聚合云”，支持用戶在任意位置、使用各種終端方便獲取信息，但由于農業領域生態區域性和過程復雜性及農業區域發展不平衡和農民文化的多層次性也帶來了“信息過載”、“資源隱晦”“資源迷向”等問題。
1.2 農業云環境下大數據自組織區域推送
物聯網和云計算背后是大數據，在云計算模式下，用戶不確定的、智能的交互，個性化需求更加多元化，信息交互行為更加頻繁；在大量用戶通過社會標注達成共識的過程中，逐漸形成不同社區，涌現出群體智能，形成“農業用戶興趣社交云”。利用云的海量存儲、群體涌現智能、強大的計算能力和物聯網感知控優勢，可以提供面向用戶復雜分析計算，實現業務重點由面向應用和資源的傳統信息服務，轉變為基于對海量農業知識進行動態劃分，有目的、主動、定制、自組織推送給有需求的農業用戶，為農業用戶提供實時性、個性化知識服務，指導農業生產過程。
首先以Hadoop+MapReduce+HBaSe分布式框架為處理平臺，對“農業用戶興趣社交云”，融合用戶興趣偏好和社交網絡進行建模，將這些多元用戶信息充分融入推送系統會更好產生推薦結果；將推薦對象“農業知識聚合云”按農業知識高維性、多樣性、多層次性特征分類聚類為各種知識塊靜態和動態元數據；通過智能算法推薦和社會網絡推薦為用戶發現個性化內容；根據用戶的地理位置、用戶服務的評價以及云基礎服務提供商信息將預測值最高的服務推送給用戶實現與物理世界的互動（如圖1）。
從以上分析可知，農業云大數據自組織區域推送的關鍵技術有用戶興趣模型、推薦對象模型，推薦算法、數據挖掘四個部分，以下分別對這幾項技術進行論述。
1.2.1 用戶興趣模型
用戶興趣建模是個性化服務技術的基礎和核心，包括數據收集、模型表示、模型學習與模型更新。用戶興趣建模的方法有很多，常用的有向量空間模型、神經網絡、遺傳算法、用戶一項目評價矩陣、基于案例的表示、基于本體論的表示、基于加權關鍵詞的表示，基于社會網絡的表示等。幾乎每種表示形式都是以一種私有形式進行知識表示，此外一些表示技術還依賴于模型學習，如廣泛使用的基于向量空間模型的表示與TF-IDF學習技術聯系在一起。表示形式的私有性和對學習技術的依賴性阻礙了用戶模型在系統間的共享，這種共享對于減少用戶建模工作量，提高推薦算法啟動效率具有重要意義。因此開發獨立于模型學習技術的通用用戶模型表示技術是目前研究中熱點，基于語義網和社交網絡的用戶模型在這方面表現了優勢。
用戶的興趣或需求會隨時間、情景發生變化，結合長期和短期興趣及興趣的變化用戶興趣建模的重點，目前的更新機制很難及時跟蹤用戶興趣的變化，有更好的學習效率和動態變化適應能力的建模是未來的重要研究方向，國內外大量的文獻對此展開了研究，遺忘函數、時間窗、用戶興趣的漂移特性等被提出。
在湖南農業云中，基于呼叫中心、互聯網，手機報、手機短信，電視廣播等用戶在多應用系統中形成的興趣偏好和社交網絡特征，提出“農業用戶興趣社交云”建模思路：以圖論模型表示用戶“興趣圖”數據和“社交圖”數據，根據經典的局域世界演化理論，綜合考慮實際情況中用戶之間的多重關系和關系的強弱程度，以用戶之間相似度為節點連接概率因素，生成動態多維網絡，進行用戶數據的挖掘和更新；結合農業本體，在多維社交網絡的基礎上，將基于農業本體的區域用戶興趣融合在云計算平臺上進行處理。
1.2.2 推薦對象模型
推薦本質上是將推薦對象的特征與用戶的興趣偏好進行推薦計算，所以推薦對象的描述和用戶的描述密切相關。推薦系統應用不同領域，它推薦的對象也就各不相同，目前，湖南農業云主要是文本性數據；不同的對象，特征也不相同，目前沒有一個統一的標準來進行統一描述，主要有基于內容、分類、聚類的方法。
基于內容的方法是從對象本身抽取信息表示對象，常見的是向量空間模型，使用最廣泛的是加權關鍵詞矢量方法進行特征選取，使用TFIDF計算每個特征的權值。向量空間模型對模型中的特征詞進行權重估計（TF-IDF）過程中不考慮特征詞之間的相關性，直接用特征詞作為維度構建文檔向量，降低了文檔向量對文檔概念表達的準確性以及對不同類型文檔的區分能力。
基于分類的方法是把推薦對象放入不同類別，把同類文檔推薦給對該類文檔感興趣的用戶。主要有兩種，一種是基于知識工程的方法，使專家的類別知識直接編碼為分類規則，正確率和召回率高，但工作量大；近期研究最多的是另一種一機器學習，根據訓練樣本集建立分類器，方法有很多，常見的有概率分類、貝葉斯回歸分析、決策樹分類器、決策規則分類器、Rocchio分類器、神經網絡分類器、支持向量機（SVM）、分類器融合、Boosting分類器、k最近鄰方法（KNN）等。
研究文本聚類的最初目的是為了提高信息檢索的查全率和查準率，近年來，文本聚類用于自動產生文本的多層次的類，并利用這些新生成的類對新文本進行效率較好的歸類，已經提出了大量的文本聚類算法。傳統的聚類算法在處理高維和海量文本時效率不很理想。針對這樣的問題，將聚類分析與計算智能理論，并行計算、云計算等相結合，設計出高效的并行聚類算法，己經成為一個比較流行的研究思路。
在湖南農業知識云數據模型中，將能更好反映特征詞相關性的超圖模型引入，將文檔中提取的特征項表示為圖中節點，特征詞條之間的關系構成圖中邊，用邊上權值表示相關聯特征項之間共現程度。通過對文本圖模型K最近鄰劃分實現降維降噪的粗粒度數據切片；對切片后數據反映用戶興趣如地域、時間、訴求等多維度特征的智能聚類，實現細粒度的聚合與分割。
“農業知識聚合云”模型算法建立在基于MapReduce處理的大規模圖上，得到各種知識塊靜態和動態元數據。
1.2.3 推薦算法
推薦算法是整個推薦系統中核心部分，大量的論文和著作都關注了這個方面。目前，基本包括以下幾種：基于內容過濾推薦、協同過濾推薦、基于關聯推薦、基于知識推薦、基于效用推薦、基于網絡結構推薦、基于聚類推薦、基于社會網絡分析推薦、混合型推薦等。通過對眾多推薦算法進行比較分析，各種算法都有優缺點（如表1）：
各種推薦方法都有各自的優缺點，在實際問題中采用多種策略進行混合推薦，主要有兩種混合思路：推薦結果混合和推薦算法混合。目前大部分的推薦算法都是混合推薦算法，主要還是以協同理論為核心，再配合其他算法的優點或交叉學科的理論來改善推薦的質量。另外基于社會網絡個性化推薦算法研究是一個趨勢，基于社會網絡的推薦是協同過濾的延伸，通過考察結點之間（用戶和用戶之間或產品之間）的相關性和結點之間的信任度可以獲得比一般協同推薦更高推薦效果，如文獻提出將社會網絡關系結合到推薦算法中。縱觀國內外在推薦算法上的研究，主要集中在基于用戶顯性評分數據的協同過濾算法上，對基于非顯性評分行為數據場景下的研究卻顯得有點不足。目前在擴展性問題上學術研究不是很具有針對性，主要集中在通過各種交叉學科中的方法來對用戶進行聚類或對行為數據進行降維、壓縮等縮短推薦的項目集或減少計算量，從而提升算法的性能；有關基于云平臺上的推薦算法研究目前主要集中于協同過濾算法MapReduce化。而實際應用中，己出現利用分布式集群解決算法擴展性方法，如Google News的推薦算法就是部署在分布式環境下，從而滿足海量數據下的推薦服務。
根據農業云大數據自組織區域推送實際情況將推薦結果和推薦算法混合，提出“三層推薦”策略：在豐富的知識塊云元數據基礎上，將知識塊屬性和用戶興趣行為基于頻繁模式的知識關聯撮合推薦；通過復雜網絡聚類算法識別一個用戶多個社區興趣，融合“興趣圖”和“社交圖”協同過濾推薦，突破算法推薦的局限性，讓用戶信任的朋友圈子為其發現和推薦內容，取得社交推薦的時效性和算法推薦的長尾性之間的互補，從而針對每個社區成員提供精準個性化推薦；根據基礎設施服務供應商、用戶所在的地理位置以及用戶對服務可用性評價值的相似性等，將大量用戶云終端聚類為一定數量的社區，提高云端推送服務的有效性，最終形成通過大眾參與，支持云間變換，集電信網、廣播電視網、互聯網合一的自組織區域推送，較有效地處理一般推薦算法中存在的稀疏性、冷啟動以及大規模實時計算的問題。
1.2.4 云計算下個性化數據挖掘
數據挖掘采用了多種領域中的思想，包括來自統計學的抽樣、估計、假設檢驗以及人工智能、模式識別和機器學習的搜索算法、建模技術和學習理論。隨著數據挖掘的不斷發展，也采用了包括最優化、進化計算、信息論、信號處理、可視化、信息檢索、云計算、并行計算等技術。與傳統的數據挖掘相比，云計算下的個性化數據挖掘的目標，就是通過云計算中心，向用戶提供針對其即時演化需求的數據挖掘SaaS（Software as aService，軟件即服務）服務，其基礎問題主要為：對于用戶不同的數據挖掘需求以及針對用戶特點進行個性推薦的建模和表征；數據挖掘算法適應云計算的并行分布式化；使數據挖掘的結果和算法能夠支持云間變換并形成一種面向用戶、即時組合的、變粒度的云服務，其中數據挖掘的云服務化是研究的難點。
（1）云計算下個性推薦的建模和表征
云下的個性推薦建模和表征與傳統上個性化推薦明顯的不同在于海量異構大數據和用戶間群體涌現的社交網絡，它們本質上形成了多個頂點的大規模圖。云計算可以為大規模個性化提供技術支撐，云服務本身也有大規模個性化定制應用需求，目前研究兩者結合的文獻還很少，張澤華從計算資源的角度基于復雜系統理論對云計算聯盟體系結構進行建模，并基于蟻群優化算法和復雜系統理論進行了負載均衡研究；郭昱就有效處理客戶需求信息該如何選擇與分布云計算平臺中的關鍵節點問題，提出了基于云計算的大規模定制客戶需求模型。趙東杰對復雜網絡、數據挖掘與群體智能有效結合進行了探索研究。農業云大數據自組織推送通過“農業知識聚合云”分解的靜態、動態知識元數據和“農業用戶興趣社交云”形成的興趣圖、社交圖基于用戶行為和知識元數據的關聯撮合，通過人工智能和社交圈子幫助用戶發現內容，實現搜索和推薦的無縫結合，為智能個性化推薦實現“內容找人”愿景。
（2）算法并行分布式與高性能計算
對于大規模數據的處理，典型系統結構大致分為三類：基于MapReduce模型的分布式并行處理系統、基于BSP模型的分布式并行處理系統和分布式圖數據庫系統。數據挖掘算法現在的發展趨勢是基于云計算的并行數據挖掘，它的同一個算法可以分布在多個節點上，多個算法之間是并行的，多個資源實行按需分配，而且分布式計算模型采用云計算模式，數據用DFS或者HBASE，編程模式采用MapReduce這種方式。Bhaduri等整理了一個十分詳盡的并行數據挖掘算法文獻目錄，包含了關聯規則學習、分類、聚類、流數據挖掘四大類分布式數據挖掘算法，同時還包括分布式系統、隱私保護等相關的研究工作。
2 基于云計算推薦系統研究的重點、難點與熱點
2.1 云環境下用戶偏好獲取安全與可信問題
推薦系統中，用戶數據集的數量和質量問題，影響用戶模型的精確度、可用性，導致問題的根本原因在于用戶對隱私和安全的考慮。而云環境下，數據的安全與隱私是用戶非常關心的問題。既能得到準確用戶信息而提高推薦系統性能，又能有效保護用戶信息同時檢測并能預防推薦攻擊（一些不法的用戶為了提高或降低某些對象的推薦概率，惡意捏造用戶評分數據而達到目的）將是未來推薦系統的一個重要研究方向。
2.2 模型過擬合問題
過擬合現象是指系統推薦給用戶的對象與用戶剛剛看過的不是太相似或者太不相關。過擬合（過學習）的問題本質上來自于數據的不完備性，這在實際應用中是無法完全避免的。在于興趣偏好獲取方式或隱私等原因使用戶沒有對足夠多類別的對象進行評價。目前解決的主要方法是引入隨機性，使推薦算法收斂到全局最優或者逼近全局最優，關于既要保證推薦的多樣性，又不能與用戶看過的對象重復或毫不相關這一問題的研究是推薦系統研究的一個難點和重點。
2.3 稀疏性與冷啟動問題
稀疏性和冷啟動問題困擾推薦系統很長時間了，前者的解決辦法主要過濾和降維。目前針對冷啟動問題提出了一些解決方法，主要分為兩大方面，一是直接利用傳統協同過濾的評分數據結合特定的方法進行解決，二是新用戶或新項目的內容屬性信息與傳統的協同過濾評分數據相結合的方法進行改善冷啟動問題。稀疏性與冷啟動問題一直是推薦系統研究的一個難點和重點。
2.4 數據挖掘的結果和算法智能服務化
將數據挖掘算法融入針對海量用戶的使用記錄和計算資源間協作進行優化組合，利用這些特性通過大眾參與的交互作用，提高云間服務的智能性、有效性將是大數據時代推薦系統研究的一個制高點。將數據挖掘任務及其實現算法服務化，通過SaaS方式向云計算中心索取所需的相應的數據挖掘，這可能是目前突破數據挖掘專用軟件使用門檻過高、普通大眾難以觸及、企業用戶使用成本太大、挖掘算法和結果難以實時得到評價和相應修改等問題的最有希望的解決方案之一，也是數據挖掘走向互聯網大眾、走向實用化的重要的一步。
2.5 大數據處理與增量計算問題
目前對大數據的研究仍處于一個非常初步的階段，半結構化和非結構化數據給傳統的數據分析帶來巨大挑戰，尤其算法如何快速高效地處理推薦系統海量和稀疏的數據成為迫在眉睫的問題。當產生新的數據時，算法的結果不需要在整個數據集上重新進行計算，而只需考慮增量部分，對原有的結果進行微調，快速得到準確的新結果，是增量計算的理想狀態。但一般而言，隨著信息量的增多，算法的誤差會累積變大，最終每過一段時間還是需要利用全局數據重新進行計算。一個特別困難的挑戰是如何設計一種能夠保證其誤差不會累積的算法，也就是說其結果與利用全部數據重新計算的結果之間的差異不會單調上升，要達到這種程度，還有很長的路要走。
結束語：
隨著新一代信息技術的快速發展和信息內容的日益增長，搭載在云計算平臺的自組織區域推送具有它天然的優勢：云的海量存儲使得推薦系統能有效獲取訓練數據；云的分布式計算能力提供了較高的響應能力；海量用戶的使用記錄和計算資源問大眾參與的交互涌現，最終形成自組織優化組合的智能個性化云推送。因此，農業云自組織區域推送具有重要的研究意義和廣闊的應用前景，對云環境下其他領域的個性化推送應用具有借鑒意義，但目前存在大量問題需要進行深入細致的研究。
參考文獻
[1]孟祥武，胡勛，王立才，張玉潔，移動推薦系統及其應用[J]，軟件學報，2013，24（1）：91-108
[2]楊濤，基于本體的農業領域知識服務若干關鍵技術研究[D]，上海：復旦大學計算機科學技術學院博士論文，2011，1-50
[3]楊曉蓉，分布式農業科技信息共享關鍵技術研究與應用[D]，北京：中國農業科學院博士學位論文，2011，3-35
[4]趙春江，農業智能系統[M]，北京：科學出版社，2009，1-210，
[5]何清，物聯網與數據挖掘云服務[J]，智能系統學報，2012，7（3）：1-5，
[6]黃衛東，于瑞強，共享學習模式下知識服務云平臺的構建研究[J]，電信科學，2011，12：6-11
[7]丁靜，楊善林，羅賀，丁帥，云計算環境下的數據挖掘服務模式[J]，計算機科學，2012，39（6）：217-219，237
[8]鄧仲華，錢劍紅，陸穎雋，國內圖書情報領域云計算研究分析[J]，信息資源管理學報，2012，2：10-16
[9]胡安瑞，張霖，陶飛，羅永亮，基于知識的云制造資源服務管理[J]同濟大學學報（自然科學版），2012，40（7）：1093-1101
[10]程功勛，劉麗蘭，林智奇，俞濤，面向用戶偏好的智能云服務平臺研究[J]，中國機械工程，2012，23（11）：1318-1323，1336
[11]劉波，方逵，沈岳，可重構的農業知識服務模式研究[J]農機化研究，2011，36（11）：66-70
[12]趙星，廖桂平，史曉慧，陳誠，李文圃，物聯網與云計算環境下的農業信息服務模式構建[J]，農機化研究，2012，4：142-147
[13]郭永田，中國農業農村信息化發展成效與展望[J]，電子政務，2012，02-03：99-106
[14]李道亮，中國農業農村信息化發展報告（2011）[M]，北京：電子工業出版，2012，87-150
[15]錢平，鄭業魯，農業木體論研究與應用[M]，北京：中國農業科學技術出版社，2006，1-100
[16]吳麗花，劉魯，個性化推薦系統用戶建模技術綜述[J]，情報學報，2006，25（2）：55-62
[17]李珊，個性化服務中用戶興趣建模與更新研究[J]，情報學報，2010，29（1）：67-71
[18]王國霞，劉賀平，個性化推薦系統綜述[J]，計算機工程與應用，2012，48（7）：66-76
[19]王巧容，趙海燕，曹健，個性化服務中的用戶建模技術[J]，小型微型計算機系統，2011，32（1）：39-46
軟件雜志歡迎推薦投稿：http：///
[20]張華清，動態多維社會網絡中個性化推薦方法研究[D]，濟南：山東師范大學碩士學位論文，2012，16-31
[21]丹，面向跨系統個性化服務的用戶建模方法研究[J]_情報雜志，2012，31（6）：156-161
[22]鄧夏瑋，基于社交網絡的用戶行為研究[D]，北京：北京交通大學碩士學位論文，2012，4-43
[23]馬堯，基于多維用戶特征建模的個性化社交搜索引擎的設計與實現[D]，廣州：華南理工大學碩士學位論文，2012，12-55
[24]陳恩紅，徐童，田繼雷，楊禹，移動情景感知的個性化推薦技術[J]，中國計算機學會通訊，2013，9（3）：19-24
[25]Jong Hwa Kima，b，，Hyun JoonLeeb，Extraction of user profile based on workflow and information flow[J]，Expert Systems with Applications，2012，39（5）：5478-5487
[26]南智敏，錢松榮，引入漂移特性的用戶興趣模型優化研究[J]，微型電腦應用，2012，28（3）：30-32
[27]郭新明，弋改珍，混合模型的用戶興趣漂移算法[J]，智能系統學報，2010，5（2）：181-184
[28]程顯毅，朱倩，文本挖掘原理[M]，北京：科學出版社，2010，9-45 [29]李濤，推薦系統中若干關鍵問題研究[D]，南京：南京航空航天大學博士學位論文，2009，31-80
[30]姜倫，模糊聚類算法及其在中文文本聚類中的研究與實現[D]，哈爾濱：哈爾濱理工大學碩士學位論文，2010，18-48
[31]馮汝偉，謝強，丁秋林，基于文本聚類與分布式Lucene的知識檢索[J]，計算機應用，2013，33（1）：186-188
[32]陶紅，周永梅，高尚，一種基于語義相似度的群智能文本聚類的新方法[J]計算機應用研究，2012，29（2）：482-532
[33]孟海東，劉小榮，基于聚類分析的圖模型文檔分類[J]計算機應用與軟件，2012，29（1）：117-174，229
[34]饒君，張仁波，東呈曉，吳斌，基于MapReduce的大規模圖挖掘并行計算模型[J]，應用科技，2012，39（3）：56-60
[35]于戈，谷峪，鮑玉斌，王志剛，云計算環境下的大規模圖數據處理技術[J]，計算機學報，2011，34（10）：1753-1767
[36]呂善國，吳效葵，曹義親，基于網絡結構的推薦算法[J]_實驗室研究與探索，2012，31（7）：278-280，368
[37]周佳，羅鐵堅，一種基于內容關聯的學術資源協同推薦算法[J]，中國科學院研究生院學報，2013，30（1）：117-123
[38]唐曉波，張昭，基于混合圖的在線社交網絡個性化推薦系統研究[J]情報理論與實踐，2013，36（2）：91-95
[39]王立才，孟祥武，張玉潔，上下文感知推薦系統[J]，軟件學報，2012，23（1）：1-20
[40]劉建國，周濤，汪秉宏，個性化推薦系統的研究進展[J]，自然科學通報，2009，19（1）：1-15
[41]許海玲，吳瀟，李曉東，閻保平，互聯網推薦系統比較研究[J]軟件學報，2009，20（2）：350-362
[42]孫冬婷，何濤，張福海，推薦系統中的冷啟動問題研究綜述[J]，計算機與現代化，2012，5：59-63
[43]張亮，基于聚類技術的推薦算法研究[D]，成都：電子科技大學碩士學位論文，2012，7-18
[44]Liu， F.，Lee， H.J. Use of social network information to enhance collaborative filterinperformance.Expert[J] Systems with Applications. 2010， 37（7）：4772-4778.
[45]Jiang， J.， Lu， J.， Zhang， G.， Long， G. Scaling- Up Item-Based CollaborativeFiltering Recommendation Algorithm Based on Hadoop[C].2011 IEEE World Congress onServices.IEEE[A]. 2011， 490-497.
[46]周源，基于云計算的推薦算法研究[D]，成都：電子科技大學碩士學位論文，2012，26-64
[47]呂雪驥，基于云計算平臺的智能推薦系統研究[D]，合肥：安徽大學碩士學位論文，2012，25-43
[48]劉晨，改進的聚類挖掘算法對網絡自助出版“長尾”文本的推薦應用[D]，上海：復旦大學碩士學位論文，2011，10-19
[49]陳桂生，張海粟，劉玉超，云計算下的個性化數據挖掘服務[EB/OL]，[2011-2-28]中國人工智能學會通訊，http：//www，/contents/50/119，html
[50]張澤華，云計算聯盟建模及實現的關鍵技術研究[D]，昆明：云南大學博士學位論文，2012，26-114
[51]郭昱，吳清烈，基于云計算的大規模定制客戶需求響應模型及其節點的選擇與分布[J]，系統工程理論與實踐，2011，31（增刊2）：1-6
[52]趙東杰，張海粟，韓言妮，楊海濤，何宇，基于網絡化數據挖掘的群體智能研究方法[C]，Proceedings of 2010 The 3rdInternational Conference on Computational Intelligence andIndustrial Application（Volume 9）.IEEE[A].2010，239-243.
[53]AnandRajaraman，Jeffrey David Ullman著，王斌譯，互聯網大規模數據挖掘與分布式處理[M]，北京：人民郵電出版社，2012，1-253
[54]Bhaduri K， Das K， Liu Kun， et al. Distributed data mining bibliography[EB/OL]. [2011-01-03]. http：// cs. umbc. edu/～hillol/DDMBIB/
[55]楊健，汪海航，王劍，俞定國，云計算安全問題研究綜述[J]，小型微型計算機系統，2012，33（3）：472-479
