论文部分内容阅读
摘 要：本课题是基于为社会主义现代化建设服务的教育理念，遵循为社会培养应用型、创新型高级技术人才的目标，运用云计算和Web mining（网络数据挖掘）技术，实时追踪各行业高级技术岗位对高职人才知识结构的需求变化趋势，并能实现自我改进的动态的人才培养模式研究系统。该系统力求为高职院校的人才培养模式改进提供及时的、科学的、具有前瞻性的参考依据。
关键词：高职;人才培养;动态研究系统;云计算;Web mining
中图分类号：C961 文献标志码：A 文章编号：2096-000X（2021）29-0156-04
Abstract： The INTERNET PLUS Dynamic Model of Advanced Vocational Talents Cultivation（hereinafter referred to as the "dynamic model"）， is a dynamic personnel cultivation model and management system for self improvement， which applies the technology of Web Mining & Cloud Computing. It is based on the education philosophy to serve socialist modernization， and to follow the goal of cultivation applied and innovative senior technical personnel for society. The system strives to provide timely， scientific and prospective reference for the improvement of talent training mode in Advanced Vocational colleges.
Keywords： advanced vocational; talents cultivation; dynamic model; cloud computing; Web Mining
一、课题研究的背景和意义
目前，“互联网+”为我国各个行业的发展插上了科
技的翅膀，企业业态和岗位技术人才需求结构方面都发生了较大的变化，并有许多新的应用型高级技术岗位产生。面对这些变化，以此类人才为己任的高职院校，再也无法沉迷于相对滞后的人才培养模式。而且，我们对高职院校人才培养模式的研究成果相对于社会经济和科技的发展也显得捉襟见肘。这就要求有一种基于互联网技术的、持续改进的、动态的高职院校人才培养模式研究系统诞生，以便满足社会新的岗位和工种对高级技術人才的需求。
二、高职院校人才培养模式研究的现状和问题
（一）国外高职院校人才培养模式研究现状
欧美经济发达国家对高等职业教育的人才培养模式研究，已经有了一百多年的历史。在经济发展的过程中，发达国家对其人才培养模式进行不断地改革和创新，取得了丰硕的成果。目前，世界各国都非常重视人才培养模式的研究和探索，形成以下五种基本的人才培养模式。
1. CBE（Competency Based Education）模式，意为“以能力培养为基础的教育教学体系”，美国和加拿大是这种人才培养模式的代表。
2. BTEC（the Busyness and Technology Education Council，英国商业与教育委员会）模式：以英国为代表的人才培养模式。英国把通用能力和专业能力相结合作为人才培养的目标。
3. TFE（Technical and Further Education）技术与继续教育模式：以澳大利亚为代表。它以产业为推动力量、客户为中心进行衔接中学和大学的灵活多样的教育体系。
4. “双元制”工学结合模式：以德国为代表的人才培养模式。即由企业和学校共同承担培养人才的任务，按照企业对人才的要求组织教学和岗位培训。
5. CDIO（Conceive-Design-Implement-Operate）工程教育模式。这是一种针对全球工学教育的创新教育模式，它以产品的生命周期（构思-设计-实现-运作）为教育载体，让学生主动地以实践与课程之间有机联系的方式学习工程。
（二）我国高职院校人才培养模式研究现状
截至2021年1月，专家学者们对人才培养模式的“动态”研究成果颇丰，贡献巨大。目前，我国还有部分高校参与了CDIO国际工程教育模式的改革和研究，主要有北京交通大学、成都信息工程大学、清华大学、汕头大学和燕山大学等院校。然而我们还没有解决一个问题：针对社会的人才需求，如何让我们的人才培养模式更加精准、适用、前瞻地“动态”起来。
（三）高职院校人才培养模式研究存在的主要问题
在教育界广大专家学者的不懈努力下，我国高职院校人才培养模式正在改善和发展之中，并且取得了丰硕的成果，为我国的社会主义现代化建设作出了显著的贡献。但是，相对于当今的社会发展和科技进步而言，目前的人才培养模式还存在着以下不足：
1. 人才培养模式的改进速度，落后于社会对人才需求的变动速度，落后于科技进步的速度。
2. 人才培养模式中专业的开发和设置、课程的开发和设置，赶不上新岗位对高级技术人才知识结构的更新要求。
3. 现有的高职院校人才培养模式，绝大多数无法满足社会对“跨专业”“复合型”高级技术人才的要求。 三、“互联网+”高职院校人才培养动态模式研究
（一）基于云计算Web mining的人才培养动态模式系统框架结构
随着互联网、云计算和智能终端的不断发展与普及，海量数据呈现出复杂多样的爆发式增长。高职院校人才培养动态模式所需的数据，也必须从这海量的大数据中“大海捞针”，Web mining和云计算为这种大海捞针提供了坚强的技术基础。Web mining主要是以Web内容、Web结构和Web日志为研究对象，利用数据挖掘技术发现用户行为的潜在规律。将云计算融入Web mining中，可以解决Internet上广域分布的海量数据挖掘问题。基于云计算Web mining的人才培养动态模式系统（以下简称“本系统”），将多种计算、存储模式有机融合在一起，并开发出强大的分析挖掘功能，系统表现为3类节点的结构（见图1）。
主控节点（Master）、计算存储节点（Worker）和服务节点（Service Node）：Master在云中是唯一的，它负责调度和协调计算节点之间的工作进程;Worker负责存储数据挖掘所需的算法;Service Node负责存储分好块的XML文件以及执行由Master分配的任务，并把计算结果返回给Master。相应地，整个系统自内而外分为平台层、功能层、服务层（见图2）。
1. 平台层。平台层以计算移向数据的方式，将其强大的动力注入多源复杂数据的预处理、分析、挖掘等过程，并将数据、硬件、软件等资源提供给外界。平台层包含了主控类的节点。2. 功能层。可依据用户需求与喜好自动地进行智能化分析挖掘。依托云平台高效的存储、计算能力，该平台的分析、挖掘等工具具有较高的可伸缩性和可扩展性，包括Web mining功能配置、Web mining控制引擎、Web mining建模和重构、Web mining通用框架。3. 服务层。服务类节点包含在服务层内，它把计算结果返回给Master。使用者和服务提供者通过客户端与Web mining进行自动地交互认知，并获得可视化的挖掘结果。
上述架构可以简单地描述为这样一个递进的过程：数据-信息-知识-智慧，用一个金字塔图可以表示为图3。
本系统提高了可扩展性。数据挖掘处理流程的灵活性，通过动态配置得以实现;后台多种数据库和数据仓库的灵活性，提供结果可视化和提供统一访问接口来实现。相对于传统的数据挖掘平台，基于云数据Web mining的人才培养动态模式研究系统具有如下优点：良好的可扩展性、Web挖掘结果的可视化、具备良好的开放性。
（二）人才培养动态模式研究系统的数据挖掘过程
本系统发现数据模式和获取新的知识和规律，归功于互联网上广域分布的海量数据和计算资源的环境。传统Web mining分为数据预处理、数据挖掘和模式评价3个过程阶段，本系统的数据挖掘过程与之基本相同，不同点在于数据的处理方式。具体体现在它借助了Hadoop的Map/Reduce的思维。
系统在收集人才培养数据时，将Web上广域分布的海量数据转化为半结构化的XML文件（其间需要经过过滤、清洗、转换和合并），再保存到分布式文件系统中。在传统Web mining中普遍存在存储容量扩展和I/O操作問题。为了解决这一问题、有效地避免因机器故障而带来的数据丢失困扰，系统都会将同一文件复制副本并将其保存在不同的存储节点上。系统的数据挖掘过程和原理如下：
1. 整合计算和存储
系统将云计算与Web mining融合在一起，使得原本稀缺的网络带宽矛盾更加突出，Map/Reduce的Map方法节省了大量的数据传输时间（在5G技术成熟的情况下，带宽仍然有节省的必要）。Map操作没有产生数据传输工作量，但Reduce在操作过程中需向Master传送计算结果而产生工作量。鉴于CPU的计算速度远大于网络传输速度，专家们想通过让输入数据保存在构成集群机器的本地磁盘上的方式来减少网络带宽的开销，提出了以计算来交换通信的编程策略。
2. 运作Map/Reduce
Map/Reduce将大型分布式计算分为Map（映射）和Reduce（化简）两个阶段，表达为一个对数据键/值集合进行串行化分布式的操作。Map将输入数据集合拆分为大量的数据片段，并将每一个数据片段分配给一台计算机处理，以达到分布式运算的效果，是一个分的过程;Reduce则把分开的数据合到一起，最后将汇总结果输出，是一个合的过程。这两个过程是由两个不同类型的节点（主控节点、功能类节点）来负责的。
3. 迁移计算与备份
云计算Web mining系统的设计，在整合数据的计算与存储时考虑到了计算和存储的迁移，以防节点失效，而普通的云计算系统（Hadoop）则难以做到这一点。由系统完成的计算迁移很快，而通过网络进行的信息迁移较慢。因此，为便于计算迁移时重新找到所要处理的数据，数据块必须采用副本策略。在有副本策略的系统中，只需要找到副本所在地，将计算迁移过去就完成了存储和计算的迁移工作，其效能之高是不言而喻的。
4. 改进Apriori算法
2011年，中国科学技术大学程苗在《基于云计算的Web数据挖掘》中提出了对传统Apriori算法的改进设计：将找到频繁项集1和频繁项集2的“工作分配给‘云’中多个计算节点Service Node并行处理，即各个计算节点Service Node分别求出各自局部频繁项集，再由Master统计出各频繁项集的全局支持合计数，并最终确定全局频繁项集，这可以大大提高Apriori算法的挖掘效率”。
（三）实现人才培养动态模式的主要技术工具与平
台商
目前已有很多相对成熟的开源软件工具，如，Hadoop、Map Reduce、Impala、Storm等，可以用来进行Web mining 过程中的各类数据处理：包括复杂的批量数据处理，基于历史数据的交互式查询，基于实时数据流的数据处理。还有各类商业化云计算平台，例如，Active State、AppFog、apprenda等。云计算平台商有：亚马逊网络服务公司（AWS）、微软公司、IBM公司。这些开源工具和商业化平台，为实现高职院校人才培养动态模式研究系统提供了坚实的技术基础。 四、高职院校人才培养动态模式研究系统展望
上述探索论证过程表明，将云计算和Web mining 技术应用到高职院校人才培养模式的动态开发和持续改进方面，在技术理论上是可行的。它可以有效提高人才培养模式的改进速度，使人才培养模式在一定时期内能适合社会需求;它可以高效跟踪新岗位和原有岗位对高级技术人才知识结构的更新，为高职院校专业的开发和改进、课程的开发和设置提供科学的依据，并提出决策参考意见和建议;它还可以为培养“跨专业”“复合型”高级技术人才提供人才培养模式的科学依据和改进建议;更关键的是，它可以实现自身的持续改进，以适应社会对人才的需求变化。
高职院校人才培养动态模式系统，依托云计算和Web mining技术，借助于当今国内外各类产品提供商提供的工具，将在不久的将来面世，并为广大教育研究工作者的研究工作带来极大的便利。与此同时，动态模式本身的性能和研究数据质量亦将得到不断地改善和提高。
但是，动态模式所赖以实现的现有技术和研究成果还有许多有待进一步研究和改善之處。
1. 大数据的处理不注重因果联系，而更关注数据间的关联关系;不注重数据处理的完整性和精确性，较关注实时性（重数据轻模型），其后果是大数据的质量不佳，挖掘结果的准确度及可信度不高。另外，大数据挖掘仍面临下列挑战：实现智能分析挖掘、可视化融合自动挖掘、创建操作简易的人机交互界面、隐私安全、共享等需要解决的问题。
2. 一般的云计算系统（Hadoop）也能实现存储的迁移，但同时迁移计算和存储两项，则做得很勉强。即便采用副本策略，亦需进一步的研究。
3. Web mining用到的Map/Reduce编程模式，采用以计算来转换通信的编程策略，虽然大大减少了网络带宽的开销，但网络带宽本身的稀缺性问题，依然有待进一步研究解决。
为此，针对以上问题，后续的研究工作还需进一步推进与深入，以满足高职院校人才培养动态模式对Web mining智能、可靠、高效、高质量等特性的需求。5G技术的普及，必将使本系统的成果转化提前实现。
参考文献：
[1]曲建武.识读大学——一个老辅导员的心声[M].北京：人民出版社，2006.
[2]任新社，陈静远.关于数据挖掘研究现状及发展趋势的探究[J].信息通信，2016（2）：171-172.
[3]程苗.基于云计算的Web数据挖掘[J].计算机科学，2011（S1）：146-149.
[4]李建中，刘显敏.大数据的一个重要方面：数据可用性[J].计算机研究与发展，2013，50（6）：1147-1162.
[5]LAZERD，KENNDY R，KING G，et al. The parable of google flu： traps in big data analysis[J]. Science，2014，343（6176）：1203-1205.
关键词：高职;人才培养;动态研究系统;云计算;Web mining
中图分类号：C961 文献标志码：A 文章编号：2096-000X（2021）29-0156-04
Abstract： The INTERNET PLUS Dynamic Model of Advanced Vocational Talents Cultivation（hereinafter referred to as the "dynamic model"）， is a dynamic personnel cultivation model and management system for self improvement， which applies the technology of Web Mining & Cloud Computing. It is based on the education philosophy to serve socialist modernization， and to follow the goal of cultivation applied and innovative senior technical personnel for society. The system strives to provide timely， scientific and prospective reference for the improvement of talent training mode in Advanced Vocational colleges.
Keywords： advanced vocational; talents cultivation; dynamic model; cloud computing; Web Mining
一、课题研究的背景和意义
目前，“互联网+”为我国各个行业的发展插上了科
技的翅膀，企业业态和岗位技术人才需求结构方面都发生了较大的变化，并有许多新的应用型高级技术岗位产生。面对这些变化，以此类人才为己任的高职院校，再也无法沉迷于相对滞后的人才培养模式。而且，我们对高职院校人才培养模式的研究成果相对于社会经济和科技的发展也显得捉襟见肘。这就要求有一种基于互联网技术的、持续改进的、动态的高职院校人才培养模式研究系统诞生，以便满足社会新的岗位和工种对高级技術人才的需求。
二、高职院校人才培养模式研究的现状和问题
（一）国外高职院校人才培养模式研究现状
欧美经济发达国家对高等职业教育的人才培养模式研究，已经有了一百多年的历史。在经济发展的过程中，发达国家对其人才培养模式进行不断地改革和创新，取得了丰硕的成果。目前，世界各国都非常重视人才培养模式的研究和探索，形成以下五种基本的人才培养模式。
1. CBE（Competency Based Education）模式，意为“以能力培养为基础的教育教学体系”，美国和加拿大是这种人才培养模式的代表。
2. BTEC（the Busyness and Technology Education Council，英国商业与教育委员会）模式：以英国为代表的人才培养模式。英国把通用能力和专业能力相结合作为人才培养的目标。
3. TFE（Technical and Further Education）技术与继续教育模式：以澳大利亚为代表。它以产业为推动力量、客户为中心进行衔接中学和大学的灵活多样的教育体系。
4. “双元制”工学结合模式：以德国为代表的人才培养模式。即由企业和学校共同承担培养人才的任务，按照企业对人才的要求组织教学和岗位培训。
5. CDIO（Conceive-Design-Implement-Operate）工程教育模式。这是一种针对全球工学教育的创新教育模式，它以产品的生命周期（构思-设计-实现-运作）为教育载体，让学生主动地以实践与课程之间有机联系的方式学习工程。
（二）我国高职院校人才培养模式研究现状
截至2021年1月，专家学者们对人才培养模式的“动态”研究成果颇丰，贡献巨大。目前，我国还有部分高校参与了CDIO国际工程教育模式的改革和研究，主要有北京交通大学、成都信息工程大学、清华大学、汕头大学和燕山大学等院校。然而我们还没有解决一个问题：针对社会的人才需求，如何让我们的人才培养模式更加精准、适用、前瞻地“动态”起来。
（三）高职院校人才培养模式研究存在的主要问题
在教育界广大专家学者的不懈努力下，我国高职院校人才培养模式正在改善和发展之中，并且取得了丰硕的成果，为我国的社会主义现代化建设作出了显著的贡献。但是，相对于当今的社会发展和科技进步而言，目前的人才培养模式还存在着以下不足：
1. 人才培养模式的改进速度，落后于社会对人才需求的变动速度，落后于科技进步的速度。
2. 人才培养模式中专业的开发和设置、课程的开发和设置，赶不上新岗位对高级技术人才知识结构的更新要求。
3. 现有的高职院校人才培养模式，绝大多数无法满足社会对“跨专业”“复合型”高级技术人才的要求。 三、“互联网+”高职院校人才培养动态模式研究
（一）基于云计算Web mining的人才培养动态模式系统框架结构
随着互联网、云计算和智能终端的不断发展与普及，海量数据呈现出复杂多样的爆发式增长。高职院校人才培养动态模式所需的数据，也必须从这海量的大数据中“大海捞针”，Web mining和云计算为这种大海捞针提供了坚强的技术基础。Web mining主要是以Web内容、Web结构和Web日志为研究对象，利用数据挖掘技术发现用户行为的潜在规律。将云计算融入Web mining中，可以解决Internet上广域分布的海量数据挖掘问题。基于云计算Web mining的人才培养动态模式系统（以下简称“本系统”），将多种计算、存储模式有机融合在一起，并开发出强大的分析挖掘功能，系统表现为3类节点的结构（见图1）。
主控节点（Master）、计算存储节点（Worker）和服务节点（Service Node）：Master在云中是唯一的，它负责调度和协调计算节点之间的工作进程;Worker负责存储数据挖掘所需的算法;Service Node负责存储分好块的XML文件以及执行由Master分配的任务，并把计算结果返回给Master。相应地，整个系统自内而外分为平台层、功能层、服务层（见图2）。
1. 平台层。平台层以计算移向数据的方式，将其强大的动力注入多源复杂数据的预处理、分析、挖掘等过程，并将数据、硬件、软件等资源提供给外界。平台层包含了主控类的节点。2. 功能层。可依据用户需求与喜好自动地进行智能化分析挖掘。依托云平台高效的存储、计算能力，该平台的分析、挖掘等工具具有较高的可伸缩性和可扩展性，包括Web mining功能配置、Web mining控制引擎、Web mining建模和重构、Web mining通用框架。3. 服务层。服务类节点包含在服务层内，它把计算结果返回给Master。使用者和服务提供者通过客户端与Web mining进行自动地交互认知，并获得可视化的挖掘结果。
上述架构可以简单地描述为这样一个递进的过程：数据-信息-知识-智慧，用一个金字塔图可以表示为图3。
本系统提高了可扩展性。数据挖掘处理流程的灵活性，通过动态配置得以实现;后台多种数据库和数据仓库的灵活性，提供结果可视化和提供统一访问接口来实现。相对于传统的数据挖掘平台，基于云数据Web mining的人才培养动态模式研究系统具有如下优点：良好的可扩展性、Web挖掘结果的可视化、具备良好的开放性。
（二）人才培养动态模式研究系统的数据挖掘过程
本系统发现数据模式和获取新的知识和规律，归功于互联网上广域分布的海量数据和计算资源的环境。传统Web mining分为数据预处理、数据挖掘和模式评价3个过程阶段，本系统的数据挖掘过程与之基本相同，不同点在于数据的处理方式。具体体现在它借助了Hadoop的Map/Reduce的思维。
系统在收集人才培养数据时，将Web上广域分布的海量数据转化为半结构化的XML文件（其间需要经过过滤、清洗、转换和合并），再保存到分布式文件系统中。在传统Web mining中普遍存在存储容量扩展和I/O操作問题。为了解决这一问题、有效地避免因机器故障而带来的数据丢失困扰，系统都会将同一文件复制副本并将其保存在不同的存储节点上。系统的数据挖掘过程和原理如下：
1. 整合计算和存储
系统将云计算与Web mining融合在一起，使得原本稀缺的网络带宽矛盾更加突出，Map/Reduce的Map方法节省了大量的数据传输时间（在5G技术成熟的情况下，带宽仍然有节省的必要）。Map操作没有产生数据传输工作量，但Reduce在操作过程中需向Master传送计算结果而产生工作量。鉴于CPU的计算速度远大于网络传输速度，专家们想通过让输入数据保存在构成集群机器的本地磁盘上的方式来减少网络带宽的开销，提出了以计算来交换通信的编程策略。
2. 运作Map/Reduce
Map/Reduce将大型分布式计算分为Map（映射）和Reduce（化简）两个阶段，表达为一个对数据键/值集合进行串行化分布式的操作。Map将输入数据集合拆分为大量的数据片段，并将每一个数据片段分配给一台计算机处理，以达到分布式运算的效果，是一个分的过程;Reduce则把分开的数据合到一起，最后将汇总结果输出，是一个合的过程。这两个过程是由两个不同类型的节点（主控节点、功能类节点）来负责的。
3. 迁移计算与备份
云计算Web mining系统的设计，在整合数据的计算与存储时考虑到了计算和存储的迁移，以防节点失效，而普通的云计算系统（Hadoop）则难以做到这一点。由系统完成的计算迁移很快，而通过网络进行的信息迁移较慢。因此，为便于计算迁移时重新找到所要处理的数据，数据块必须采用副本策略。在有副本策略的系统中，只需要找到副本所在地，将计算迁移过去就完成了存储和计算的迁移工作，其效能之高是不言而喻的。
4. 改进Apriori算法
2011年，中国科学技术大学程苗在《基于云计算的Web数据挖掘》中提出了对传统Apriori算法的改进设计：将找到频繁项集1和频繁项集2的“工作分配给‘云’中多个计算节点Service Node并行处理，即各个计算节点Service Node分别求出各自局部频繁项集，再由Master统计出各频繁项集的全局支持合计数，并最终确定全局频繁项集，这可以大大提高Apriori算法的挖掘效率”。
（三）实现人才培养动态模式的主要技术工具与平
台商
目前已有很多相对成熟的开源软件工具，如，Hadoop、Map Reduce、Impala、Storm等，可以用来进行Web mining 过程中的各类数据处理：包括复杂的批量数据处理，基于历史数据的交互式查询，基于实时数据流的数据处理。还有各类商业化云计算平台，例如，Active State、AppFog、apprenda等。云计算平台商有：亚马逊网络服务公司（AWS）、微软公司、IBM公司。这些开源工具和商业化平台，为实现高职院校人才培养动态模式研究系统提供了坚实的技术基础。 四、高职院校人才培养动态模式研究系统展望
上述探索论证过程表明，将云计算和Web mining 技术应用到高职院校人才培养模式的动态开发和持续改进方面，在技术理论上是可行的。它可以有效提高人才培养模式的改进速度，使人才培养模式在一定时期内能适合社会需求;它可以高效跟踪新岗位和原有岗位对高级技术人才知识结构的更新，为高职院校专业的开发和改进、课程的开发和设置提供科学的依据，并提出决策参考意见和建议;它还可以为培养“跨专业”“复合型”高级技术人才提供人才培养模式的科学依据和改进建议;更关键的是，它可以实现自身的持续改进，以适应社会对人才的需求变化。
高职院校人才培养动态模式系统，依托云计算和Web mining技术，借助于当今国内外各类产品提供商提供的工具，将在不久的将来面世，并为广大教育研究工作者的研究工作带来极大的便利。与此同时，动态模式本身的性能和研究数据质量亦将得到不断地改善和提高。
但是，动态模式所赖以实现的现有技术和研究成果还有许多有待进一步研究和改善之處。
1. 大数据的处理不注重因果联系，而更关注数据间的关联关系;不注重数据处理的完整性和精确性，较关注实时性（重数据轻模型），其后果是大数据的质量不佳，挖掘结果的准确度及可信度不高。另外，大数据挖掘仍面临下列挑战：实现智能分析挖掘、可视化融合自动挖掘、创建操作简易的人机交互界面、隐私安全、共享等需要解决的问题。
2. 一般的云计算系统（Hadoop）也能实现存储的迁移，但同时迁移计算和存储两项，则做得很勉强。即便采用副本策略，亦需进一步的研究。
3. Web mining用到的Map/Reduce编程模式，采用以计算来转换通信的编程策略，虽然大大减少了网络带宽的开销，但网络带宽本身的稀缺性问题，依然有待进一步研究解决。
为此，针对以上问题，后续的研究工作还需进一步推进与深入，以满足高职院校人才培养动态模式对Web mining智能、可靠、高效、高质量等特性的需求。5G技术的普及，必将使本系统的成果转化提前实现。
参考文献：
[1]曲建武.识读大学——一个老辅导员的心声[M].北京：人民出版社，2006.
[2]任新社，陈静远.关于数据挖掘研究现状及发展趋势的探究[J].信息通信，2016（2）：171-172.
[3]程苗.基于云计算的Web数据挖掘[J].计算机科学，2011（S1）：146-149.
[4]李建中，刘显敏.大数据的一个重要方面：数据可用性[J].计算机研究与发展，2013，50（6）：1147-1162.
[5]LAZERD，KENNDY R，KING G，et al. The parable of google flu： traps in big data analysis[J]. Science，2014，343（6176）：1203-1205.