基于形式概念分析理論的知識獲取模型研究.pdf

1、形式概念分析作為一種數(shù)學理論于1982年由德國學者Wille首先提出，概念格結(jié)構(gòu)模型是其核心數(shù)據(jù)結(jié)構(gòu)。概念格本質(zhì)上描述對象與屬性之間的聯(lián)系，表明概念之間的泛化、特化關(guān)系，其相應(yīng)的Hasse圖實現(xiàn)了數(shù)據(jù)的可視化。目前形式概念分析已被廣泛研究并應(yīng)用到機器學習、軟件工程和信息檢索等領(lǐng)域。
　　本文緊密跟蹤國際學術(shù)前沿，主要對基于形式概念分析理論的知識獲取模型進行研究，所獲研究成果不僅從理論上豐富和發(fā)展了形式概念分析，而且由于其廣泛的應(yīng)用

2、背景，這些結(jié)果同樣具有重要的應(yīng)用價值。
　　本文的主要創(chuàng)新點和研究內(nèi)容包括:
　　(1)將形式概念分析理論引入到粗糙集中，提出基于形式概念分析的粗糙集模型。該模型首先解決信息系統(tǒng)上的代數(shù)結(jié)構(gòu)問題，即在信息系統(tǒng)上誘導出一個格結(jié)構(gòu)，格中的結(jié)點稱為粗糙概念;然后探討基于粗糙概念的信息系統(tǒng)中的一些常見問題的求解，如核和約簡;最后給出粗糙概念在決策表中的應(yīng)用。另外，決策依賴以其描述性強、便于理解等優(yōu)點已之成為決策表中一種常用的知識表示

3、形式，從而得到了廣泛的應(yīng)用，因此，我們在決策表中應(yīng)用推理規(guī)則得到一個完備且無冗余的決策依賴集。該模型為粗糙集提供一種新的合理化的解釋，有利于人們從形式概念分析的角度加深對粗糙集的理解。
　　(2)將概念格和集成學習技術(shù)引入到多示例學習中，提出基于概念格的多示例集成學習模型。該模型以訓練集中的包而非包中的示例作為研究對象構(gòu)建概念格，一定程度上能有效降低概念格構(gòu)造的時間、空間復雜度。針對唯一特征集合往往只能對訓練集中的部分而非全部正確

4、分類的局限性，該模型引入多個局部目標特征集合而非唯一目標特征集合去近似正確地分類整個訓練集。由于概念格的本質(zhì)是聚類（一個概念即為一類），因此它可以把訓練集聚為多個類，將一個多示例學習問題分解為多個局部多示例學習問題;然后在每個局部多示例學習問題中求解局部目標特征集。通過引入集成學習技術(shù)，集成所有局部目標特征集去預測訓練集之外的包的標記，同時可以將所有被標記為正的包進一步細分為多個類。該模型是形式概念分析應(yīng)用于機器學習領(lǐng)域的一個初步探索，

5、同時也為求解多示例學習問題提供一種新的思路。
　　(3)將概念格和粒度計算引入到本體研究中，提出基于概念格的不同粒度下的領(lǐng)域本體模型。該模型為本體的構(gòu)建、合并和連接提供統(tǒng)一的基于領(lǐng)域本體基的求解方法。該模型為有效緩解復雜領(lǐng)域中海量概念帶來的影響，通過引入粒度計算有助于隱藏一些低層概念，即在更高層次更小范圍內(nèi)去發(fā)現(xiàn)重要概念;另外，該模型還討論不同粒度下的領(lǐng)域概念之間的相似性度量，以及多粒度下相關(guān)領(lǐng)域本體之間的相似性度量，為專家準確判

6、定概念之間、本體之間的關(guān)聯(lián)程度提供參考。該模型在實際應(yīng)用中還存在一些問題，如領(lǐng)域本體的構(gòu)建、合并和連接過程仍離不開領(lǐng)域?qū)＜业母深A，但其為概念格與本體的進一步結(jié)合提供新的思路。如何通過知識挖掘手段并結(jié)合人工智能的方法自動獲取本體，是我們今后的研究重點之一。
　　(4)將粒度計算引入到形式概念分析理論，提出形式概念分析在不同粒度下的知識獲取模型。該模型為概念格構(gòu)建和規(guī)則獲取提供統(tǒng)一的基于模糊?；那蠼夥椒?，粒度計算的引入有效緩減復雜

7、格結(jié)構(gòu)和海量規(guī)則所帶來的影響。該模型重點討論不同粒度下的概念格構(gòu)造和多粒度下的決策規(guī)則提取，鑒于決策規(guī)則集中存在著大量的冗余規(guī)則，通過引入推理規(guī)則可以去掉所有冗余的決策規(guī)則，并最終得到多粒度下的完備且無冗余的規(guī)則集。該模型為構(gòu)造結(jié)構(gòu)較簡單的概念格、降低海量概念和海量規(guī)則提供有益的方法。
　　綜上所述，本文提出四個基于形式概念分析理論的知識獲取模型，即基于形式概念分析的粗糙集模型、基于概念格的多示例集成學習模型、基于概念格的不同粒度