基于虚拟节点的概念格三维可视化布局算法

形式概念分析理论是一种研究属性和对象的数据挖掘方法.概念格作为形式概念分析理论中的核心数据结构,具有直观表达知识单元内在联系的作用,可以作为知识图谱可视化工具.针对传统三维可视化布局算法在概念格表示上,存在复杂概念格结构表示不清、图形不够美观的问题,提出了一种基于虚拟节点的概念格三维可视化布局算法,提升了概念格Hasse图图形的美观度.该算法通过添加虚拟节点对二维KK布局算法改进,并与传统分层算法中的分层函数相结合,有效解决了层内节点横向扩张过大及节点连线交叉过多表示不清晰的问题,使概念格结构变得明确、易读.为对Hasse图图形美观度进行定量度量,提出了一种以空间分布密度为依据的美观度度量指标.通过与传统三维布局算法中圆形分配算法在该指标上的对比分析,验证了该算法在概念格可视化布局方面对已有三维布局算法的优越性.     

Tower节点集上的极小次数牛顿基

将关于张量积格点的lower子集上Lagrange插值问题的极小次数牛顿基推广到tower节点子集上. 解决了二元Lagrange插值牛顿基问题, 把tower节点集的概念推广到任意多维情形, 以三维为例给出了相应的Lagrange插值极小次数牛顿基,并给出了计算三维tower节点集合消逝理想的约化Grobner基的快速算法.     

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.     

基于概念格的聚类分析

针对如何快速有效地在信息管理系统中建立基于概念格模型的聚类分析进行研究,提出在数据库中保存格节点的概念格物理模型、最小基数格模型和最小基数格节点的生成方法,并用以解决产品间的快速比较、相近产品替代等问题.     

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。     

基于概念格的数据挖掘方法研究

分析了概念格与关联规则之间的关系,提出了将频繁项集及其支持度存储在概念格上,然后在创建好的概念格上提取关联规则的方法,概念格的每个节点本质上是一个最大项目集,非常有利于关联规则的提取。为了充分利用概念格实现关联规则提取,提出了一种新的概念格结构:加权概念格,并给出其渐进式构造算法及基于该格结构上的关联规则提取算法。     

模糊关联规则格的规则提取

针对模糊属性事务数据库提取模糊关联规则的问题,采用模糊概念格与模糊关联规则相结合的方法,实现格节点与属性项集的对应关系,提出模糊关联规则格理论,在渐进式建格算法基础上对格节点相应修改,给出了适用于动态数据库的模糊关联规则格的构建思想.利用模糊关联规则格挖掘关联规则,与采用Apriori算法计算频繁项目集获取规则相比较,容易获得用户感兴趣的关联规则,同时减少冗余规则的生成,使挖掘算法得到优化.     

一种决策形式背景中挖掘决策规则的新方法

针对大规模决策形式背景中决策规则的提取问题,提出了一种将频繁闭项集与决策形式背景相结合以提取无冗余决策规则的新算法.该算法结合了深度优先搜索的思想以及概念格中概念节点之间的父子关系,改进了概念格中频繁闭项集的挖掘算法,得到的频繁决策概念格实现了对一定规模的数据库的压缩,同时得到无冗余决策规则.算法分析表明,该算法复杂度较低,更适用于大规模数据集中挖掘无冗余决策规则.     

基于概念格的数据挖掘方法研究

分析了概念格与关联规则之间的关系,提出了将频繁项集及其支持度存储在概念格上,然后在创建好的概念格上提取关联规则的方法,概念格的每个节点本质上是一个最大项目集,非常有利于关联规则的提取。然而目前对于概念格的研究,一般都假定由属性集所组成的概念格的内涵同等重要,而在现实数据库中,组成内涵的属性重要性往往是不同的,因此,内涵并非同等重要。为了充分利用概念格实现关联规则提取,提出了一种新的概念格结构:加权概念格,并给出其渐进式构造算法及基于该格结构上的关联规则提取算法。     

基于概念格的数据流频繁项集挖掘

提出一个数据流环境下的基于概念格和滑动窗口的频繁项集挖掘算法DSFMCL。算法在滑动窗口内分批挖掘新流入的基本窗口频繁概念后,生成概念格的Hasse图。引入最小支持度ζ和误差因子ε对非频繁概念节点进行剪枝操作。Hasse图中各节点包含频繁项集及其支持度信息。随着新基本窗口的Hasse图的生成与滑动窗口进行概念格纵向合并,最终通过对全部Hasse图节点的扫描可以输出所有频繁项集。实验结果表明,该算法具有良好的性能。