旅游英语人才的分类方法基于特征挖掘和信息融合技术

文摘

互联网的快速发展,文本数据已经成为大数据旅游业的主要格式,提高质量和促进旅游英语人才的优化和升级。模型提出了一种基于数据挖掘技术的旅游英语人才资源使用大数据框架。特征分布结构模型是建立识别和融合的特点,旅游英语人才资源。连接功能挖掘和信息融合相结合,在人才培养过程中共享数据资源和进度。最初,该研究工作使用云存储系统发展跨文化交际能力的旅游英语人才。其次,旅游英语人才培养的最优调度设计资源的大数据。最后,模糊聚类的自适应聚类方法处理旅游英语人才资源分布大数据。仿真结果表明,该方法具有较高的精度和大数据计算效率。此外,它能够成功的导师的发展旅游英语人才培养的新框架。

1。介绍

旅游英语人才的培养目标位于旅游业的技术应用和复合管理人才培养水平的导游行业,酒店业和中间水平,管理人才高于中间水平。因此,高职旅游英语人才的培养目标的技术性人才类型、专业知识的能力,研究生的方向1]。目前,很多旅行社和酒店企业迫切需要强大的英语听力,口语,阅读,写作,翻译综合能力,熟悉旅游行业相关政策,政策,良好的旅游、酒店管理等专业知识和技能,跨文化的复合型人才。旅游英语专业必须紧密地融入市场,因为学生的专业方向是适合当前社会的需要;它高度依赖的方向是否专业和课程的安排是合理的,他们是否有当前旅行社和酒店所需的知识结构。直接与许多国家和地区建立了贸易关系。五百强跨国公司的数量一直在增加。同时,跨国公司的数量和出境旅游的数量在世界上排名在增加(2]。因此,有很强的英语表达能力,经理熟悉旅游和导游业务知识,导游和市场需求。提高旅游英语人才的质量需要优化旅游英语人才的培养模式,促进质量的提高旅游英语人才(3]。

鉴于强大实用旅游英语专业的特点,最有效的方法培养的人才只能生产和学习的结合。因此,除了加强培训室的建设,实习,学校外面,和培训基地,大数据调度和集成的旅游英语人才资源也应根据质量的要求,进行知识和能力的社会职务。数据挖掘方法对旅游英语人才主要包括盲卷积算法、特征提取方法,时频分析方法和统计分析方法。这些方法无法消除的卷积效应挖掘通道奇异特性。有几个数据挖掘工具,企业可以将原始数据转化为可操作的见解。这些包括统计,人工智能,隐马尔科夫模型,metalearning,遗传算法、机器学习、决策树。它影响大数据特征挖掘的准确性大旅游英语人才资源的分布。在[4),一个新的信息挖掘和调度算法对旅游英语人才资源开采提出了基于微分的函数功能。改善的信息收集能力和特性分析旅游英语人才资源,旅游英语人才资源的分布式资源信息融合和处理大数据环境下。然而,该算法具有较高的计算复杂度和实现成本很大5- - - - - -7]。

在本研究工作中,提出了一个有效的和智能计算模型。针对上述问题,提出了一种新的旅游英语人才培养模式基于大数据,构造一个大数据挖掘模型的旅游英语人才。数据挖掘领域的广泛应用人工智能(AI)、市场营销、政府情报(GI),服务和广告。有一些其他犯罪等行业机构、零售医疗、电子商务、电信、生物数据分析和信息检索等通信系统。数据挖掘用于检查或探索数据使用的查询。这些查询可以向数据仓库。在云存储系统中,旅游英语人才培养的最优调度设计资源进行大数据和模糊聚类方法用于处理旅游英语人才资源的自适应聚类分布大数据。本研究采用属性分布结构模型分类和保险丝旅游英语人才资源的特点,并结合关联特征挖掘的方法和信息融合共享数据和进度资源人才培养的过程。最后,通过仿真实验进行性能测试,显示了这种方法的性能优越的大数据分析能力的提高旅游英语人才培养。

剩下的纸是组织如下:旅游英语人才资源分布模型是解释第二节;在讨论大数据特征提取第三节,在第四节、实验结果和讨论进行了讨论。最后,我们将演示一个结论和未来的工作第五节。

2。旅游英语人才资源分布模型

在本节中,我们精心设计的新的跨文化交际能力模型,提出了在书中名为“语境中的跨文化交际和跨文化交际能力的元素的旅游英语人才。

2.1。跨文化交际能力的形成元素

跨文化交际能力的形成包括四个元素,也就是说,知识因素、情感因素、心理活动特点,和情境特征。旅游英语人才的跨文化交际元素在图所示1。跨文化交际的知识技能提到的图是指目标的理解程度的党内文化交流,和跨文化交际能力成正比的理解。其中,知识因素包括文化价值观、信念和行为,语言和非语言的脚本,简化和僵化的认知,和种族中心主义。这些因素可以产生积极或消极影响的沟通者。情感因素是指传播者所采用的态度在处理来自不同文化群体的交际对象,也就是说,接近或疏远。在跨文化交际活动,不可避免地会有恐惧或焦虑。因此,如果他们愿意沟通,交流的动机是一个跨文化交际更重要的情感因素。应对压力和宽容的能力是正相关的跨文化交际能力,以及知识和情感因素在跨文化交际能力相互作用、相互支持。更多的知识,更少的焦虑,和更多的跨文化,多个参数。交际动机越强,交际动机越强,获得相关经验的更多的机会,更多的跨文化沟通的知识越来越丰富。

同样,心理活动因素是知识和情感因素的综合表现,包括语言和非语言交流和角色扮演。有更多的机会练习使用目标语言是一个重要因素来提高自己的能力,还应该注意一系列辅助nonlanguage符号如肢体语言、空间语言、时间语言交流伙伴的沟通。角色扮演是上下文相关的。它是使用语言和非语言符号在目标文化中根据自己的角色身份。此外,情境特征、环境有很大的影响两岸的交流。情境特征意味着真正的跨文化交际语境。情境特征影响他们的交际能力是环境背景下,接触之前,地位差异,和第三方的干扰。因此,增加个人的知识和经验在跨文化交际中,而且,因此,他们的动机增加了他们积极参与交际活动,反之亦然,形成良好的学习循环成功。

2.2。跨文化交际能力的元素的旅游英语人才

跨文化交际能力的元素构成的国内第一个元素研究的跨文化交际能力和总结成四个交际能力系统:基本交际能力系统、情感和关系的能力系统,绘制能力系统,系统和战略能力。旅游跨文化交际能力的英语人才的元素在图所示2。

从图2,基本的交际能力系统指的是交际能力,一个人需要为了达到交际目的,包括语言能力,希望与社会文化规范。包括语言能力、语言能力、文化能力、人际交往能力、和认知能力,旅游英语人才培养模式认为,情感能力指的是沟通者的识别和理解对方。移情需要承认个体之间的差异和文化充分理解自我,暂停自我,消除自己从环境中分离,为别人怀孕,最后准备移情经历这六个阶段。关系能力是指通信双方使用的传播策略的过程中沟通。例如,需要相互之间的通信双方应该建立关系的基础。代的共识是沟通的前提,也是相关的文化取向和价值。

同样,情节能力系统涉及到情节的能力;通常指的是固定在一个特定的文化环境的交互序列。有独特的语言和非语言的规则在每一个情节。它提出了四个方面的能力,也就是说,在沟通常识,也指一个脚本的能力沟通指导行为,努力实现交际目的。遵守规则的沟通的能力在一个特定的上下文适当处理社交场景的反应。此外,战略能力系统提出的旅游英语人才培养模式不同于一般的沟通策略,但它是采取的补救措施的传播者面对语言障碍和语言能力,清楚地表明,战略能力是交际能力的一个重要组成部分。

3所示。大数据特征提取

在本节中,我们精心制作的大型数据库模型的旅游英语人才资源分布和大数据挖掘的原理对大型旅游英语人才资源分布。特征融合的旅游英语人才资源优化大数据融合具有良好的信息挖掘能力。

3.1。大的旅游英语人才资源分布的数据库模型

旅游英语人才的大数据特征信息资源分布通常表示为一组宽带非平稳的时间序列。大型旅游英语人才数据库大数据资源信息挖掘和调度是实现通过使用时间序列的方法检测(8]。首先,一个大数据库构建旅游英语人才资源分配模型。建设大数据流模型的旅游英语人才资源分配、任务代码分发给一些数据节点利用分布式代码执行模式,和执行后的结果返回给客户端。它可以有效地避免在大型数据库中缓存数据的传输和移动旅游英语人才资源分布和使用单个计算机或网络计算机访问的数据量大,实现旅游资源的评价和预测信息。旅游英语人才资源分布的大型数据库使用I / O, USB和磁盘和其他设备实现高效读写访问(9]。因此,旅游英语人才资源的访问和管理模式分布数据库如图3。

据图分析2,假设数据库大数据集的旅游英语人才资源分布是大数据集的数量 旅游英语人才资源分布的联合分布特征向量都是N维向量X包含大数据类的资源分布。大数据类的聚类中心 资源分配是大数据。如果联合分布函数的非平稳的时间采样 和联合分布函数 在大型数据库中自相关的旅游英语人才资源分布、旅游英语人才资源分布的大数据特征表达如下:

大型数据库的光谱特性分析了旅游英语人才资源分布通过使用光谱混叠模糊度函数,函数和响应变量和预测变量之间的关系 是确定的。 和 是两个特征向量集的闭环。因为旅游英语人才资源分布的大数据特征数据库结合概率分布函数的映射 ,对于任何 ,大数据信息特征提取可以获得旅游英语人才资源分布方程如下: 在哪里 , ,和表示大数据的初始频率在大旅游英语人才资源分布的数据库,表示大数据训练集旅游英语人才资源分布,表示解向量问在人才资源的空间分布变量中,复杂信号的瞬时幅度大的旅游英语人才资源分布数据库,和代表了统计特征在大旅游英语人才数据库(10]。

3.2。大数据挖掘的原则

基于分布式数据结构模型的构建旅游英语人才培养资源,大数据挖掘流程执行和旅游业的大数据分布式结构模型时间序列算法提供了回归算法,用于优化和连续值的预测销售,加班,和温度。该算法可以预测的趋势仅基于原始数据集,用于创建一个模型。英语人才资源分布的设计。计算机数据集源分布条件下的大数据融合和分析(11]。大数据挖掘的原理框图为大型旅游英语人才资源分布如图4。

快速的数据和资源信息挖掘和调度在大型数据库中进行旅游英语人才资源分布实现的集成资源分布大数据(12]。让与四元数的信任关系 大数据特性数据的大型旅游英语人才资源分布。数据分类属性的信息状态方程 和大数据的信息状态方程特性数据集成的大型旅游英语人才资源分布得到如下:

大型数据库信号的时频特征的旅游英语人才资源分布计算,和人才培养的大数据结构模型信息基础资源分布构造(13]。获得的资源分布的大数据模型如下:

旅游英语人才的大数据特征数据资源分布采样序列和更新,和非平稳的宽带信号的频谱在旅游英语人才的大型数据库资源分布。此外,时频分析是用来进行瞬态分析14]。根据估计的时间频率、概率密度函数表达式的大数据的准确性特征数据的分布大旅游英语人才资源如下:

大旅游英语人才资源分布大数据样本集组成的样本。有索引在每个大数据样本的旅游英语人才资源分布;然后该指数的特征向量样品 ,旅游英语。大数据的后验概率估计 :

根据大数据挖掘的结果,数据共享和资源调度过程中人才培养相结合进行关联特征挖掘和信息融合方法。

3.3。优化跨文化交际能力

建设旅游大数据背景下英语并不完全等同于基础英语内容。它有其独特性,除了听、说、阅读、写作和翻译的基础英语培训。除了他们的能力,他们还必须发展自己的专业英语能力,相关跨文化思维能力,和沟通能力。因此,在旅游英语课程中,应该培养学生的跨文化交际技能满足当前社会的需求,学科,学生本身。从跨文化交际能力的研究国内外不同学者,跨文化交际能力是一个全面、多维系统等知识体系,关系系统,和行为系统。基于这些研究跨文化沟通的要素,并结合课程的特点大数据环境下的旅游英语,旅游英语教学的跨文化交际能力框架的背景下,大数据。英语旅游人才的跨文化交际能力框架如图5。

从图5,我们可以观察到,旅游管理专业的学生,英语沟通能力已经成为一个核心技能。与其他专业学生相比,英语沟通能力是一个类别的专业能力要求。因此,高校高度重视旅游英语教学的背景下,大数据。然而,在实践中,学生们发现他们有一个高水平的热情学习专业英语,但结果并不明显。更大的原因是旅游专业英语是不同的。基本的英语需要全球意识和产业意识,发展跨文化交际技能的基础。这里提到的全球意识包括跨文化意识和跨文化思维。跨文化意识也可以称为文化意识(15]。同样,在跨文化交际过程中,文化冲突发生无处不在。为了缩短冲突时期,有必要适应快速复苏时期。这是一个进入一个稳定状态的过程通过一系列的调整从相对不稳定状态16]。适应跨文化适应过程的理论可以概括为一个模型曲线(17]。的适应能力在交流过程中扮演着重要的角色。这是一个转折点的不确定性决定而不是接受。适应能力包括两个元素:心理适应性和文化适应性18,19]。

此外,在外语课堂教学的改革,培养学生的交际应用能力是近年来外语界关注的焦点。大学英语课堂需求与目标意义也强调了语言知识和应用能力。为目的的旅游英语、语言知识和文化知识是老师的课的基本教学内容。此外,前三个媒体沟通的能力练习。交际实践能力是跨文化沟通能力的最高水平。它包括交际能力、非语言沟通和沟通技巧。交际实践能力强调使用语言、非语言、和相关策略的实际情况来解决实际的跨文化交际问题。大的能力沟通策略是旅游服务的核心竞争力。

3.4。功能分类和信息融合的旅游英语人才资源

使用模糊聚类方法来处理旅游英语人才资源分布的自适应聚类,属性分布结构模型用于分类的特点和信息融合旅游英语人才资源,采用时频分析方法。通过提取出大数据资源分布的特点,大数据的信息状态函数特性数据的旅游英语人才资源分布呈现如下: 在哪里 ,和大数据特性的状态向量数据代表旅游英语人才资源的分布。基于上述分析,特征提取的资源分布数据库大数据在大旅游英语人才资源分布是意识到,和大规模提取。旅游英语人才的大数据训练样本数据库中的资源分配,的时频特征提取的旅游英语人才资源分布大数据由滑动时间窗口,重新安排和旅游英语人才数据库大数据进行分布。频域模型的表达式如下:

旅游英语人才的大数据融合算法训练是提高了相位谱补偿,和随机的属性权重线性访问渠道资源大数据模糊决策融合的旅游英语人才培养得到如下:

大数据的矢量模型结构模糊决策融合的旅游英语人才培养表达如下:

结合关联特征挖掘和信息融合方法,数据共享和资源调度进行在培训过程中,所以数据融合能力提高(15,16]。

3.5。大数据融合和优化采矿的英语人才资源分布

在旅游英语人才数据库中,数据包信息的预测可以如下: ,标准 ,之前和密度信息滑动时间窗的大数据重排旅游英语人才资源分布计算表达如下:

可以看出,最近邻匹配使用时频特征向量的方法可以找出潜在的匹配大数据特点的旅游英语人才资源:

模糊功能平衡指标之间的差异和大数据样本类别的旅游英语人才资源分布可以表示如下:

的大数据信号分析旅游英语人才资源分布延伸到干扰的环境。时间序列的旅游英语人才资源 , ,大的快速资源信息数据库建立了旅游英语人才资源分布。采矿和调度模型目标函数,

4所示。结果分析和讨论

在本节中,我们比较该模型的性能和效用。该模型最初的效率测试使用旅游英语人才培养模式的优化实现。为了提高快速资源信息挖掘和调度的能力,之前大数据信息的滑动时间窗口重排的旅游英语人才资源分布在大旅游英语人才数据库。

4.1。实验装置

在这篇文章中,每一个算法均通过实验,和广泛的数据计算方法被使用,也就是说,开源Apache Hadoop和Apache火花的平台。首先,我们创建了一个火花集群使用物理节点,也就是说,80个节点。确定实验的基本软件和硬件规格,所有计算节点被简化了,它们的配置如表所示1。例如,Ubuntu操作系统18日3.01火花,Hadoop 3.2被用于实验配置。在所有80个节点,一个节点被用作主节点或处理节点,剩下的79个节点集群中被当作奴隶。Apache Hadoop软件图书馆是一个工具用于基本的编程模型传播大量收集数据通过计算机集群。对于每个本地服务器的计算和存储,它将多台计算机。Apache火花是一种层次编程引擎对大规模数据处理,提供高级Java api, Python, R, Scala和用作高级地图司机。Apache火花使广泛的高级工具,包括SQL火花结构化数据分析、MLlib学徒,GraphX图形处理。

4.2。仿真实验和结果分析

为了测试该算法实现的应用程序性能的大数据挖掘旅游英语人才资源分布和优化培养模式,进行仿真实验。在实验中,100块大数据样本数据选择旅游英语人才资源分布,天赋属性样本的数量是50,和时频特征状态空间的维数大的数据库的旅游英语人才资源分布是10,这是根据特征数据采样。根据上面的模拟实验环境设计和参数设计,大数据的特征提取和资源信息挖掘旅游英语人才进行资源分配,和数据挖掘。一些参数的影响,也就是说,学习速率和激活功能,精度是总结表1,性能不同的表型。我们已经优化的参数设置的所有学习算法基于精度分析。结果如图6。

图的分析结果6表明,旅游英语人才培养资源分布的数据挖掘使用这种方法精度高。大数据的快速资源信息挖掘旅游英语人才资源分布可以实现。SQL Server数据挖掘提供了Office 2007数据挖掘添加剂的检测数据模式和关系。这也有助于改善分析。插件称为Excel数据挖掘客户端使用第一个计划,编译、分析、处理和预测数据。为了比较调度的性能,不同的方法用于我的旅游英语人才的大数据资源分布、和记忆测试结果如图7。

在图的结果分析7表明,该方法具有良好的精度和大数据聚类能力对旅游英语人才资源数据挖掘,可有效指导建设的旅游英语人才培养的新模式。

5。结论

在这篇文章中,旅游英语人才培养新模式提出了基于大数据,大数据挖掘模型的旅游英语人才。传统方法使用基本算法来预测未来。然而,它并不提供可靠的研究结果相比,数据挖掘。在云存储系统中,旅游英语人才培养的最优调度设计资源进行大数据和模糊聚类方法用于处理旅游英语人才资源的自适应聚类分布大数据。

此外,属性分布结构模型构造的分类和旅游英语人才资源的特点,融合和关联特征挖掘的方法和信息融合共享数据和进度资源人才培养的过程。时频特性的旅游英语人才资源分布实现快速挖掘大数据提取和定位数据。仿真结果表明,该方法具有良好的精度和大数据聚类能力,可有效指导新建设的旅游英语人才培养模式。这个模型有很好的应用价值在促进旅游英语人才培养模式的推广。在未来,大数据研究需要处理数据和理论之间的关系。数据驱动和理论的结合推动有利于相互促进的良性发展的理论和数据。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

纸是由安徽省海外研究来访的大学优秀人才培养项目(批准号2017年GXFX2017237);基于互联网的教学管理模式创新研究,安徽职业与成人教育协会教育科研规划项目(批准号AZJXH17156);省级质量工程实用英语优秀的安徽省教育部门公开课(批准号2017 kfk136);公共英语教师的专业发展研究从高等职业教育创新发展的角度来看,高校人文社会科学重点项目安徽省(批准号SK2018A0832);建设和发展研究的“2 + 2 + 2”实用英语混合教学在高职院校课程体系(批准号SK2018A1170); Provincial Quality Engineering Teaching Research Project of Anhui Provincial Department of Education: Higher Vocational English Teaching Research Based on EOP + PE Ability Cultivation from NA Perspective (Grant no. 2019JYXM0613); and Provincial Quality Engineering Teaching Research Project of Anhui Provincial Education Department in 2020: Study on Practical English Course Ideological and Political Construction from the Perspective of “Taoism” (Grant no. 2020KCSZYJXM228).

引用

1. T.-z。温,A.-q。徐,g . Chneg”故障诊断方法基于改进ENN2聚类算法,构成“控制与决策,30卷,不。6,1021 - 1026年,2015页。视图:出版商的网站|谷歌学术搜索
2. a·库马尔·r·Pooja, g·k·辛格“封闭形式的设计和性能的方法使用不同的窗函数,余弦调制滤波器组”国际语音识别技术杂志》上,17卷,不。4、427 - 441年,2014页。视图:出版商的网站|谷歌学术搜索
3. n . Rajapaksha a Madanayake, l·t·布鲁顿”二维时空wave-digital multi-fan滤波器由多个平面组成的信号波,“多维系统和信号处理,25卷,不。1,17-39,2014页。视图:出版商的网站|谷歌学术搜索
4. 江y, f·l·钟s . Wang z邓,j . Wang和p .钱,“协作从多个加权模糊聚类视图,”IEEE控制论,45卷,不。4、688 - 701年,2015页。视图:出版商的网站|谷歌学术搜索
5. a Bi和王,“转移亲和力传播聚类算法基于kullback-leiber距离,”JEIT,38卷,不。8,2076 - 2084年,2016页。视图:出版商的网站|谷歌学术搜索
6. b . n . Alahmad Gopalakrishnan,“节能任务划分和实时调度具有QoS需求的异构多处理器平台上,“可持续的计算:信息和系统,1卷,不。4、314 - 328年,2011页。视图:出版商的网站|谷歌学术搜索
7. h . h . Wang Jin, j . Wang和w·江”优化方法对遥感图像的多尺度分割在k - means聚类算法的指导下,“Geodaetica et Cartographica学报,44卷,不。5,526 - 532年,2015页。视图:出版商的网站|谷歌学术搜索
8. 高o . Shi-feng y, z肖惠,“自适应组合算法及其对盲源分离的修改方案,“电子与信息技术杂志》上,33卷,不。5,1243 - 1247年,2011页。视图:出版商的网站|谷歌学术搜索
9. 王g .田h·e·Ke-qing j . et al .,“面向领域和tag-aided web服务聚类的方法,”中国电子杂志,43卷,不。7,1266 - 1274年,2015页。视图:出版商的网站|谷歌学术搜索
10. w t、c . Lifei和g功德”高维数据聚类算法和子空间优化,“《计算机应用,34卷,不。8,2279 - 2284年,2014页。视图:谷歌学术搜索
11. 柳明桓x, y Lei s曰et al .,“PSO-based直觉模糊核聚类算法的研究”,《通信,4卷,不。5、文章ID 2015099, 2015。视图:出版商的网站|谷歌学术搜索
12. 张,h·杰·g·马et al .,“概率典型相关分析的混合物,计算机研究与发展》杂志上,52卷,不。7,1463 - 1476年,2015页。视图:出版商的网站|谷歌学术搜索
13. c .太阳,c·杨,美国球迷et al .,“节能分布式集群一致滤波算法对无线传感器网络来说,“信息和控制,44卷,不。3、379 - 384年,2015页。视图:出版商的网站|谷歌学术搜索
14. X。郭- y”,模拟和分析水声信号的衰减属性不确定油田管道,”计算机模拟没有,卷。31日。3、118 - 121年,2014页。视图:谷歌学术搜索
15. w·张问:陈,“网络入侵检测遗传性出血性毛细血管扩张症算法基于分级控制转变,”计算机科学第41卷。。12日,第111 - 107页,2014年。视图:谷歌学术搜索
16. h·罗,y, y,“二阶的振动标准与正负系数中立型延迟emden-fowler方程,”Acta Mathematicae Applicatae中央研究院,40卷,不。5,667 - 675年,2017页。视图:出版商的网站|谷歌学术搜索
17. z这双g .徐、陈x和k元,“理性的等级制量子态共享协议,”电脑,材料和连续,卷。58岁的没有。2、335 - 347年,2019页。视图:谷歌学术搜索
18. 问:他,s . Yu徐h . et al .,“加权门限秘密共享方案基于中国剩余定理的遥感图像”电脑,材料和连续,卷。58岁的没有。2、349 - 361年,2019页。视图:出版商的网站|谷歌学术搜索
19. w·f·郭,p . Liu任et al .,”年轻大蒜和大蒜拍之间的关系研究基于大数据,”电脑,材料和连续,卷。58岁的没有。2、363 - 378年,2019页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021新魏。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。