摘要。如今,在线评论和推荐系统在维护各种领域任何产品的质量方面发挥着重要作用。客户必须评估产品并根据自己的兴趣提供正面和负面评论。教育领域有各种评估阶段,即与员工相关、与学生相关和与组织相关等。通常,由于他们自己的协议和系统,评论仅限于特定的学院或大学。提出的框架是根据各自的配置实现通用评论系统。引入了各种模板以获得准确的评论和良好的评估结果。该框架使用抽象层建模。用户界面层为使用定制设计系统的用户提供完整支持。审查层通过检索和存储凭证以进行进一步审查处理来处理不同的所有数据。应用程序配置层用于提供模板,用于分配凭证和授权,并完成系统配置。最终报告用于评估过程,以采取纠正措施进一步改进。对评论进行分类是为了实现高水平的准确性。该框架的主要目标是使用 KNN(K 最近邻)算法对学生评论进行高效分类。
摘要。季节性对年间气候预测对社会,商业,农业以及人类生活几乎所有方面的影响,迫使科学家对此事进行适当关注。最近几年在这一领域显示了巨大的成就。到目前为止,所有系统和技术都开发了,将海面温度(SST)用作主要因素,以及其他季节性的属性属性。然后将统计和数学模型用于进一步的气候预测。在本文中,我们开发了一个使用区域历史天气数据(降雨,风速,露点,温度等)的系统。),并将数据挖掘算法“ k-nearest邻居(KNN)”应用于这些历史数据的分类中。k最近跨度(K最近的邻居)进行预测天气。我们的实验表明,该系统会在合理的时间内提前几个月内产生准确的结果。