排序方式: 共有23条查询结果,搜索用时 31 毫秒
1.
利用可废止逻辑的非单调知识表示和推理能力、线性的计算复杂性和易于实现等优点,整合描述逻辑和可废止逻辑,提出了一种不一致本体的可废止推理系统(简称为DeRS).DeRS使用描述逻辑定义的本体和可废止理论对领域问题进行混合建模,将TBox划分为最大的一致公理集和最小的不一致公理集,并进行初始化;然后利用转换算法,将一致公理集的公理和不一致公理集的公理分别映射为硬性规则和可废止规则,并添加到可废止理论中;最后利用新定义的可废止推理规则进行非单调可废止推理,由此解决了不一致本体的推理问题,弥补了描述逻辑在非单调性方面的不足.结果表明DeRS具有协调性、易处理性、可判定性、可靠性等基本性质. 相似文献
2.
3.
基于概念语义空间的联想检索 总被引:9,自引:0,他引:9
为了快速准确地满足用户提出的检索需要,在大量的文本文件中检索出用户真正所需的信息,首先在文本的概念空间上建立了概念语义空间并以此为基础建立了一个具有联想功能的索引系统,其次运用大型语义词典为用户提供了一个智能检索接口,该接口能主动分析使用者输入的关键词,并确定使用者的实际检索需求,这种检索系统能够大大提高用户的检索效率和准确度。 相似文献
4.
基于Hadoop云平台的并行数据挖掘方法 总被引:1,自引:0,他引:1
业界已经开始运用云平台来处理海量高维数据,将各种异构系统仿真为一个系统,其中在Hadoop环境进行数据挖掘会遇到数据模型的全局性、HDFS的文件随机写操作、数据生命周期短等问题.为解决这些问题,在Hadoop上实现高效海量数据挖掘,提出了在Hadoop上一种高效数据挖掘框架,利用数据库来模拟链表结构,管理挖掘出来的知识,提供了树形结构、图模型的分布式计算方法;在此基础上实现一个统计算法——Yscore分箱算法,以及决策树和KD树的建树算法;并利用Vega云对Hadoop集群进行仿真.实验数据表明该框架和算法实用可行,且可能拓展与数据挖掘之外的其他领域. 相似文献
5.
面向数据质量的ETL过程建模与实现 总被引:11,自引:0,他引:11
为了给数据仓库提供高质量的数据,在数据装载到数据仓库之前必须经过数据的抽取-转换-装载(Extraction-Transformation-loading,ETL)这一系列的预处理工作。复杂性和可用性是制约ETL系统的两大基本问题。为解决这些问题,给出了ETL过程统一的体系结构设计,包括ETL元数据对象建模、ETL转换函数设计、ETL任务建模以及ETL任务模型的描述语言(XTDL)。基于该体系结构和设计思想开发出一个ETL系统-MSETL,目的是为多策略数据挖掘平台(MSMiner)提供高质量的数据。它提供友好界面并对ETL过程进行统一的元数据管理,包括:ETL转换函数的注册和删除;任务模型的生成、执行和删除等功能。 相似文献
6.
如何确定概念间语义关系的存在性和如何确定概念间的关系类型是本体关系学习的两个基本问题.现有的本体关系学习算法常常区分出不同类型的语义关系,使用不同的策略来获取概念间的各类关系,影响了算法的效率.提出一种基于数据挖掘的本体关系学习算法,运用关联规则挖掘获取概念间的关系,利用聚类分析对概念关系类型进行区分.实验结果证明,算法较好地解决了本体关系学习中的两个基本问题. 相似文献
7.
8.
近年来迁移学习已经引起了越来越广泛的兴趣, 签数据以及源领域数据是不同分布的分类问题, 且建立一个归纳分类模型对新来的目标数据进行预测. 首先分析了直推式迁移学习(transductive transfer learning)中存在的类别比例漂移问题, 然后提出归一化的方法使得预测的类别比例接近于实际样本类别比例. 更进一步, 提出了一种基于混合正则化框架的归纳迁移学习算法. 其中包括目标领域分布结构的流形正则化, 预测概率的熵正则化, 以及类别比例的期望正则化. 这个框架被用于从源领域到目标领域学习的归纳模型中. 最后, 在实际文本数据集上的实验结果表明, 提出的归纳迁移学习模型是有效的, 同时该模型可以直接对新来的目标数据进行预测. 相似文献
9.
基于典型相关性分析的跨媒体检索是一种将不同媒体特征通过相关性分析映射到同构的最大相关子空间,并在子空间中完成跨媒体数据间的相似性比较和检索的方法.典型相关性分析(canonical correlation analysis,CCA)是一种线性模型,并不能很好地挖掘跨媒体数据中的复杂相关关系.为此针对深度典型相关性分析(deep CCA,DCCA)的结构进行改进,使用隐含狄利克雷分布(latent Dirichlet allocation,LDA)发现文本语义信息并学习语义映射,提出了跨媒体深度相关性学习模型(cross-media correlation learning with deep canonical correlation analysis,CMC-DCCA)以及跨媒体语义相关性检索方法(cross-media semantic correlation retrieval,CMSCR).在维基百科文本图像数据集上的实验证明,CMC-DCCA模型能够较好地挖掘跨媒体数据中的复杂相关关系,CMSCR在跨媒体检索中具有较好的性能. 相似文献
10.