基于扩展概念格的属性归纳算法

由于面向属性归纳在进行属性归纳时难以设置适当的阈值,往往会造成概念提升的结果过于一般化或特殊,为此提出了基于扩展概念格的属性归纳算法.在扩展概念格中进行概念提升实现数据泛化,并根据相应的泛化路径,在相应哈斯图上找到合适的泛化阈值,进而得到较好的属性归纳结果.研究结果表明,基于扩展概念格的属性归纳算法在进行属性归纳过程中保留了完备的信息,减少了属性归纳的计算工作量,并具有直观、简捷的特点.     

基于对象扩展的概念格批处理构造算法

大多数概念格批处理构造算法，由于产生大量不满足外延最大扩展性的结点即冗余结点，导致相同内涵的结点重复生成，降低了概念格的构造效率。给出了一种新的基于对象扩展的概念格批处理构造算法（OEBCA），该算法对每层新生成的结点进行对象扩展，使其满足外延最大扩展性，相同内涵的结点只生成一次，从而避免了冗余结点的产生，提高了概念格的构造效率。实验结果表明，该算法是正确的和有效的。     

扩展概念格的动态创建及其上的关联规则发现

关联规则作为数据挖掘的核心任务现已经得到了广泛的研究。而由二元关系导出的概念格是一种非常有用的形式化工具,它体现了概念内涵和外延的统一,反映了对象和特征间的联系以及概念间的泛化与例。扩展概念格是对概念格晦一种改进。提出了一种动态构造扩展概念格的方法,并在扩展概念格上实现了简洁的关联规则算法。     

三支概念格中的关联规则提取算法

针对基于形式概念分析的关联规则提取侧重属性之间的正关联、忽略负关联的问题,提出一种基于三支概念分析的关联规则提取算法(3ARM)。利用对象导出三支概念的内涵包括表达共同具有语义的正属性子集和表达共同不具有语义的负属性子集的特点,结合三支概念格的泛化与例化结构,高效地提取正负关联规则;基于三支概念的闭项集特性,从三支概念格中选出包含频繁项集的候选概念进行挖掘,减少不必要的搜索;通过对三支概念之间的关系进行研究,从父子概念中提取无冗余的正关联规则和负关联规则,再从兄弟概念中提取正负规则对规则集进行补充,充分挖掘三支概念格中的知识。MovieLens数据集上的实验结果表明:应用3ARM算法,在最小支持度为10%时,得到正规则86 027条,负规则93 685条;3ARM算法得出的正规则数量比FARM算法的多出0.9倍～1.5倍,减少了FISM算法最多28.3%的冗余负规则,分别减少了FISM和FARM算法44%～63%和27%～62%的运行时间。     

基于关联格的概念格约简理论

研究概念格与其关联格之间的关系并给出了两者之间的同构定理,进而研究了由概念格的关联格来进行属性约简的理论与方法。     

分类格及关联几何

本文主要研究下述的三个概念:分类格,联格,关联几何,首先证明了关于分类格的几个定理(定理1—定理3),其次证明了描述联格及关联几何之间关系的一个定理(定理4)。     

基于概念格和Apriori的关联规则挖掘算法分析

概念格通过概念的内涵和外延及泛化和例化之间的关系来表示知识,因而适用于从数据库中挖掘规则的问题描述;在概念格的内涵中引入等价关系并将其外延量化,得到量化概念格;利用量化概念格挖掘关联规则,与采用Apriori算法计算频繁项目集获取关联规则相比较,不需要计算频繁项目集,容易获得用户感兴趣的关联规则,同时减少了大量冗余的规则,提高了挖掘效率。     

一种基于加权概念格的分类规则提取算法

加权概念格是针对属性的重要程度,通过引入内涵权值而形成的一种格结构。采用加权概念格作为分类规则提取工具,通过引入加权外延支持度,给出了一种新的分类规则的提取算法CRAAF-WCL。最后,利用恒星光谱数据作为形式背景,实验验证了该算法具有较高的分类效果。     

概念格的算法及进展

概念格作为形式概念分析的核心数据结构,在机器学习、软件工程和信息获取等领域得到了广泛应用.本文简要介绍了概念格的基本概念,讨论了现有的建格算法以及概念格的研究方向。     

基于概念格提取简洁关联规则

从量化封闭项集格所提取的所有最小无冗余规则,虽满足最小前件最大后件的要求,但并不是满足用户设定支持度和置信度的最小规则集.本文提出了一种全局简洁关联规则,使所提取的规则集最小,并给出了基于量化封闭项集格提取全局简洁规则的算法.     

基于量化概念格的关联规则挖掘

在概念格的内涵中引入等价关系并将其外延量化 ,得到量化概念格。利用量化概念格可以清晰地表示知识 ,从而便于挖掘包括关联规则在内的多种规则 ,与经典的 A priori算法相比较 ,规则表示更简捷、直观 ,尤其重要的是用户可根据自己的兴趣交互地挖掘关联规则 ,不需要计算频繁项目集 ,因而提高了挖掘规则的效率 ,适用于大型数据库中关联规则的挖掘     

基于边缘概念的概念格生成算法研究

提出了一种新的基于边缘概念的概念格生成算法.通过已求出的概念内涵及外延的交集和并集运算,分层构造概念格.和已有概念格的构造算法不同的是,本算法在求出边缘概念后就不再依赖于形式背景.该算法同时解决了跨层概念间的关系.最后结合实例说明了该算法的实现过程和有效性.     

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.     

基本概念格的关联规则挖掘算法

在已有的基于概念格的关联规则挖掘算法中,搜索频繁结点的范围太大,从而导致花费大量的时间来产生关联规则。针对这一不足,利用“索引链表”数据结构来辅助快速地找到所有的频繁结点,缩小了结点的搜索范围,降低了概念格中挖掘关联规则算法的复杂度。     

基本概念格的关联规则挖掘算法

在已有的基于概念格的关联规则挖掘算法中,搜索频繁结点的范围太大,从而导致花费大量的时间来产生关联规则.针对这一不足,利用"索引链表"数据结构来辅助快速地找到所有的频繁结点,缩小了结点的搜索范围,降低了概念格中挖掘关联规则算法的复杂度.     

概念格并行构造算法研究

对已有并行算法进行详细对比,提出一种基于闭包系统划分的概念格并行构造算法--Para_Prun算法,它将概念集合看作初始闭包系统,迭代生成相互独立的多个子闭包系统,然后在每个子闭包系统中独立生成概念,有效提高了运算效率.     

基于分布式概念格的分类规则挖掘

以概念格为分类模型,引入知识合并思想,并针对大规模数据的分类求解以及过拟合问题引入剪枝策略,从而得到分类剪枝概念格模型,在此基础上提出了基于分布式概念格模型的强分类规则提取算法;通过理论证明了算法的正确性,并通过实验证明了算法的可行性。     

概念格递增修正关联规则挖掘方法

研究了一种知识发现与数据挖掘中关联规则的发现方法 .关联规则是数据挖掘的重要方法之一 ,其核心是各大项目集的获取 .针对货篮关联规则挖掘方法 ,提出了一种改进的概念格递增修正方法 .该方法适应于数据库的动态数据递增或递减更新 ,通过记录项目集 (即概念格中的结点 )在数据库中出现的频率值 ,不需要构造完整的格即可求得项目集的支持度值和可信度值 ,以获取大项目集 ,进而求得关联规则 .同时 ,该方法运用 Hasse图解进行可视化操作 ,降低了算法的时间复杂度     

一种构造概念格的算法

本文讨论了概念格分层的相关性质,根据这些性质提出了一种新的构造概念格的算法,在找到所有概念的同时生成相应的Hasse图.