MapReduce环境下基于概念分层的概念格并行构造算法

概念格是形式概念分析中的核心数据结构.对此提出运用划分分治和分层约束的方法研究MapReduce框架下概念格并行生成算法以有效地构造概念格.将形式背景按对象划分成外延独立子背景后并行计算子背景上的临时概念,融合各节点临时概念形成全局概念.全局概念按照各概念外延基数进行分层,通过分层约束计算概念父子节点的搜索范围和并行搜索各层概念的父子节点,进而构建概念格.算法基于MapReduce框架实现并在公共数据集上进行测试,实验结果表明,基于概念分层方法的概念格并行构造算法能够对大数据形式背景有效地进行处理.     

融合概念格约简的中文领域本体学习方法

在基于形式概念分析的中文领域本体学习中, 为提高概念格构建效率, 将概念格约简理论应用于概念格构建中。首先对基于语义依存分析获取的形式背景进行对象和属性约简, 然后基于约简的形式背景采用Godin算法构造概念格, 最后根据修复定理修复约简概念格, 得到完整的概念格。通过有关对萝藦科植物的文本学习, 得到一个萝藦科植物领域本体。实验结果表明, 引入概念格约简理论, 概念格的构建效率提高70%, 进而提高了领域本体构建的效率。     

形式概念分析的粒计算方法及其研究展望

形式概念分析是知识表示与处理的一种实用数学方法,因其核心工具概念格的构造代价涉及指数时间复杂度,它在一定程度上导致其处理数据效率不高,这个问题也一直阻碍着该理论的快速发展与广泛应用。粒计算以粒的形成、粒的转移、粒的合成与分解等手段有效解决问题而著称,它允许问题在各个粒化层面上得到处理,并根据实际需要在解决问题的精度与耗时之间做出权衡。形式概念分析的粒计算方法的主要研究目标是将粒计算的这些优势融入传统形式概念分析中以有效解决数据分析与处理问题。具体地,本文从Galois连接的粒计算模型、对象粒化、属性粒化、关系粒化、关系诱导的概念粒化、粒规则、粒约简、粒概念、粒概念学习、概念粒计算系统等角度展示形式概念分析的粒计算方法的主要研究内容,并针对大数据与认知学习提出若干挑战性问题。有关讨论结果将为形式概念分析的粒计算方法的研究与发展提供借鉴。     

基于概念格的知识发现及其在高校就业数据分析中的应用

形式概念分析是数据分析与知识发现的有效工具,现已被广泛应用于各个研究领域。决策形式背景是形式概念分析中的重要关系数据库之一,其主要研究内容是基于规则提取的知识发现。本文借助于Wille概念格和面向对象概念格对决策形式背景的规则提取问题进行研究,给出了规则提取算法,并通过高校就业数据对算法进行了实证分析。     

多线程并行构建三支概念

针对三支概念分析理论中三支概念数量庞大、构建耗时的问题,提出了一种三支概念的并行构建算法PCbO3C。PCbO3C以提高三支概念的构建效率为目标,在三支概念串行构建算法CbO3C的基础上进行并行化改进,利用多线程技术并行计算给定形式背景的所有核心三支概念。并行化处理借鉴了算法PCbO的思想,通过串行算法CbO3C计算出第L层的所有三支概念,并存放到P个队列中,第L层当前生成的三支概念循环依次放入P个队列中,以使算法达到较高的负载均衡;创建P个线程,利用CbO3C并行处理P个队列中的三支概念,使得CPU资源得到充分利用。由于多线程间没有同步操作,使得PCbO3C算法的整体效率得到了进一步提高。为了验证算法PCbO3C的效率,在8核CPU环境下对多组UCI和随机数据进行实验,实验结果表明:PCbO3C速度上明显优于CbO3C,当线程数不超过8时,线程数每增加1倍,并行算法的速度可以提高约67%。     

大数据时代下概念格的多粒度构造研究

概念格被认为是数据分析的有力工具,在诸多领域得到了研究和应用。随着大数据时代的发展需要,要求概念格的完整性,概念格的节点大小随着形式背景大小的增加呈指数增长。鉴于大数据时代构思概念格所面临的挑战,该文将粒计算融于概念格的研究中,在概念格的多粒度计算模型的基础上,通过概念格多粒度构造的渐进式算法,对概念格的概念进行分层次构造。同时,分析概念格多粒度构造与存储模型的验证及应用,来分析概念格构造的问题。     

形式概念内涵的一种快速求法

形式概念分析理论对于知识发现、信息检索、机器学习、软件工程等领域是一种很有效的研究工具。在它的应用中,概念的快速求法具有举足轻重的作用,研究人员已经提出了许多求概念的算法,这些算法都离不开形式背景并不可避免地对形式背景进行多次访问,对于大的形式背景来说,会大大降低算法的效率。提出用属性树方法求概念的内涵,只对形式背景进行一次扫描,就可以求出全部概念的内涵,从而可求出所有的概念。实验表明,该算法的效率要高于Ganter算法的效率,并且可以进行并行计算。     

一种新颖的概念格构造算法

高效的概念格生成算法对于形式概念分析的应用研究是一个主要问题,文章从基于属性的基本概念出发,首先给出并证明了任意概念可表示为基本概念的定理,并提出了一种基于属性基本概念的渐进式概念格生成算法,实例表明该算法是可行和有效的。     

基于矩阵列秩属性优先的概念格算法

基于矩阵列秩的理论以及概念对并运算封闭的特征,提出了一种基于矩阵列秩属性优先的概念格的生成算法.首先,将形式概念分析中数据的形式背景看成一个0-1矩阵,利用矩阵的秩定义出概念的秩.其次,通过概念的秩的定义和概念对并运算封闭的特征,对概念按秩进行分层提取.通过对形式概念分析中数据的形式背景与矩阵的某些性质之间的联系的探索以及实例的验证,表明该算法行之有效.     

基于概念提升的概念格更新构造算法

概念格因其结构生动简洁地表明概念之间的泛化-例化关系,成为一种有效的数据挖掘工具.然而直接从形式背景中直接构造概念格的效率较低,为了提高概念格的构造效率,针对形式背景中的多个属性合并,给出了一种基于概念提升的概念格更新构造算法UCP.该算法充分利用了属性合并之前的概念格,仅对部分概念结点进行更新处理,从而提高了概念格的构造效率.最后,以恒星光谱数据作为形式背景,采用VC++6.0和Oracle9i为开发工具,实验验证了该算法的有效性.     

Godin算法扩展研究

通过对概念格渐进式构造过程的分析,探讨了影响Godin算法效率的因素并给出解决办法,认为在形式背景中对象的属性分布均匀的情况下,一个最佳的对象输入序列是按照它们所包含属性的从多到少的顺序,并根据实验数据验证这一结论.     

偏序集的完备化与形式概念分析

借用形式概念分析中构造粗糙概念的方法,给出偏序集的几种完备化构造.然后由偏序集诱导一个形式背景,讨论该形式背景下的粗糙概念与完备化的关系.最后得到本文给出的完备化与经典的Dedekind-MacNeille完备化同构的结论.     

一种面向形式概念分析的语义相似度计算框架

为了计算形式概念分析的形式概念或概念格的语义相似度,利用描述逻辑概念作为形式背景的特征属性对形式概念分析的形式背景进行语义扩展,即利用领域本体(描述逻辑知识库)提出了形式背景的一种语义表示方法．在此基础上,基于形式背景的语义表示,利用描述逻辑推理(即本体推理)给出了一种面向形式概念分析的形式概念或概念格语义相似度计算框架,并且证明了实例化该架构所得到的语义相似度计算方法满足对称性和等价不变性等基本性质．     

区间集概念格的构造理论研究

区间集概念格是对形式概念分析理论的扩展,也是形式概念分析与区间集理论相结合的产物。区间集概念所反映的是人类认知的动态描述,它比形式概念更复杂,而在此基础上形成的区间集概念格也更为复杂。文中在研究区间集概念格与概念格之间关系的基础上,提出了一种构造区间集概念格的方法,其主要思想是将概念格中的形式概念在某种合适规则下融合成区间集概念。最后给出了该方法相应的算法。     

一种改进的基于Newman快速算法的文本聚类方法

针对文本聚类计算量大的特点,提出了一种将概念格和Newman快速算法两种理论相结合的聚类方法。首先将文本表示为特征词语集,用统计方法抽取特征向量,同时,用IDF权重计算公式来计算词语的权重并将词语权值离散化;然后,用形式背景表达关键词,通过相似度公式,计算出形式概念相似度大小;最后,构造Newman网络,根据Newman网络算法规则对待聚类文本进行聚类。实例表明,该算法不仅得到了正确的分类结果,而且大大降低了算法的复杂度,Newman快速算法仅为 。     

基于形式概念分析构建本体的方法研究

本体作为语义网的基础是共享概念模型的明确的形式化规范说明,用于表达数据源的语义、识别和建立概念间的语义关联等。有效地构建本体成为本体应用的关键问题,本文采用形式概念分析构造本体,并利用多值背景的转换算法对词语-文档的二元关系表进行转换导出单值背景,从而更大程度上保留关系表带有的信息。     

一种面向形式概念分析的语义相似度计算框架（英文）

为了计算形式概念分析的形式概念或概念格的语义相似度,利用描述逻辑概念作为形式背景的特征属性对形式概念分析的形式背景进行语义扩展,即利用领域本体(描述逻辑知识库)提出了形式背景的一种语义表示方法.在此基础上,基于形式背景的语义表示,利用描述逻辑推理(即本体推理)给出了一种面向形式概念分析的形式概念或概念格语义相似度计算框架,并且证明了实例化该架构所得到的语义相似度计算方法满足对称性和等价不变性等基本性质.     

多值背景的属性约简及其上的函数依赖提取

提出了一种多值背景的属性约简及其上的函数依赖提取算法.该算法分为两部分:(1)对属性进行约简,进而可以去掉一些不重要的属性;(2)将多值背景转换为单值背景,然后基于形式概念分析理论来获取原多值背景中的函数依赖.最后通过实例验证了该算法的有效性.     

一种使用属性表的快速概念聚类算法

形式概念分析是一种用于概念聚类的无监督机器学习技术,在数据挖掘、信息检索等很多领域中得到了应用．将概念搜索空间重新组织成一棵前缀树,并构造了一张属性表,利用表中保存的数据对前缀树进行剪枝,使概念聚类的过程仅在一些有效的子空间中执行,进而提出了一种使用属性表的快速概念聚类算法．实验结果表明,该算法在稠密和稀疏的形式背景下均优于NextClosure算法．     

模糊三支形式概念分析与概念认知学习

目前,三支形式概念分析只适用于传统的形式背景,无法处理模糊环境中的形式背景。为了解决这个问题,文中结合三支形式概念分析与模糊集理论,提出了模糊三支算子及其逆算子,并对其相关重要性质进行了研究。在此基础上,定义了两类模糊三支概念,即属性导出模糊三支概念和对象导出模糊三支概念。随后,以对象导出的模糊三支概念为例,讨论了模糊三支概念的概念认知学习方法,实现了不完备模糊三支概念的认知学习。最后,为了更好地解释和理解所提出的理论,文中进行了案例分析并设计了认知学习算法,通过数值实验验证了所提出方法的有效性,进一步丰富了三支形式概念分析和概念认知学习理论。