基于粗糙集的數(shù)據(jù)及文本挖掘方法研究.pdf

1、本文研究了基于粗糙集的數(shù)據(jù)挖掘和文本挖掘方法，主要包括數(shù)據(jù)挖掘和文本挖掘中的屬性約簡問題、聚類問題；文本挖掘中的分類規(guī)則抽取問題；以及粗糙集同模糊集相結(jié)合的數(shù)據(jù)挖掘方法。所做主要工作內(nèi)容包括： 將粗集和遺傳算法相結(jié)合成功應(yīng)用于文本模糊聚類。在聚類過程中，將權(quán)重參數(shù)的設(shè)定也通過編碼由遺傳算法確定，從而使得權(quán)重參數(shù)的設(shè)定具有科學(xué)性和可操作性。 給出了近似規(guī)則的定義，并對χ2值的意義進(jìn)行了討論。在此基礎(chǔ)上提出了一種將特征選取和

2、粗集方法相結(jié)合的文本分類規(guī)則抽取方法。該方法大大提高了文本規(guī)則抽取的效率，并使其更趨實用化。 對相關(guān)文獻(xiàn)中隸屬函數(shù)的定義進(jìn)行了改進(jìn)，并且利用隸屬函數(shù)的性質(zhì)提出了一種從定量決策表轉(zhuǎn)換為定性決策表的轉(zhuǎn)換規(guī)則，利用此轉(zhuǎn)換規(guī)則可以將原來的定量決策表轉(zhuǎn)換為一個同樣大小的定性決策表，這樣大大減少了后面利用粗集理論進(jìn)行規(guī)則抽取的計算量，而且提取的規(guī)則質(zhì)量也有了很大提高。 將模式聚合理論和潛在語義索引理論相結(jié)合，提出了一種文本降維新方法

3、。它首先用PA理論對文本特征進(jìn)行初步降維，在此基礎(chǔ)上利用LSI方法對文本特征進(jìn)一步降維，抽取隱藏在文本中的主要語義信息。 提出了一種改進(jìn)的基于粗集和Tabu搜索的屬性約簡算法。改進(jìn)后的算法既具有較高的算法效率，又能以較大的概率得到最小屬性約簡。 提出了基于知識簡潔度的粗集聚類方法，它首先計算對象集合在每個屬性下的劃分；然后在對初始劃分進(jìn)行合并時，引進(jìn)了不可分辨度的概念；在形成最終聚類結(jié)果時，引進(jìn)了知識簡潔度作為凝聚的終止