基于領域知識的面向分類的屬性泛化分析

1、基于領域知識的面向分類的屬性泛化研究摘要數(shù)據(jù)規(guī)模的急劇增長使得數(shù)據(jù)挖掘越來越重要。當前的數(shù)據(jù)挖掘方法對數(shù)據(jù)的取值基本上是單一層次的，而實際領域中數(shù)據(jù)的取值可能隨著用戶的任務需求而需要進行適當?shù)膶哟巫儞Q。由于現(xiàn)實中領域知識的豐富性及復雜性，可能有不同的層次變換方向及取值可利用(即多重多層次化變換MRML)，而且不同取值與問題的相關性存在較大差異。因此，本文針對這類具有多重多層次的屬性泛化問題展開了研究。論文的主要研究內容如下：(1)詳細地

2、討論了領域知識的各種不同的知識表示模型，探討了由不同知識表示模型表示的領域知識在知識發(fā)現(xiàn)過程各個階段中的重要作用，展現(xiàn)了基于領域知識的知識發(fā)現(xiàn)的應用前景及所面臨的挑戰(zhàn)。(2)描述了概念層次的基本概念以及表示方法，在此基礎上，構建了多重多層次屬性泛化模型，表示了具體多種泛化路徑的屬性間的關系，并建立了基于分類的泛化模型，用于控制屬性層次變換。(3)在多重多層次屬性泛化模型的基礎上，提出一種基于MRML泛化關系的分類規(guī)則泛化學習方法(CGD

3、K)，該方法根據(jù)具體發(fā)現(xiàn)任務的需求和當前實際數(shù)據(jù)庫的內容，通過誤分類率的控制，在挖掘的過程中選擇最緊湊的泛化層次和路徑對屬性進行泛化，以得到符合用戶個性化要求的優(yōu)化的分類規(guī)則。(4)在上述研究的基礎上，構建了面向分類的多重多層次屬性泛化原型系統(tǒng)(MRMLCGDK)。關鍵詞：數(shù)據(jù)挖掘領域知識多重多層次泛化分類插圖清單圖11CRISPDM參考模型2圖21領域知識與知識發(fā)現(xiàn)過程中各環(huán)節(jié)的關系8圖22地域的概念層次示例10圖23屬性價格的概念層