面向动态数据集的隐性知识外显案例属性约简研究

发布时间：2020-03-26 19:04

【摘要】：在知识经济时代,知识已经成为创造社会价值和财富的主要源泉,作为知识载体的数据在生产实践中的重要地位是不可撼动的。当下,人们收集到的数据通常呈现出海量、动态化、低明晰和类型丰富等特征,其内蕴含了珍贵的隐性知识。在知识管理的应用实践中,人们所面临的不仅有数据收集、知识发现等方面的挑战,还会面对知识求精的问题。有鉴于此,本文在对隐性知识实施案例外显化的基础上,进一步研究对隐性知识外显案例属性约简的问题。以此提高隐性知识外显案例的精度、确保隐性知识的应用效益。首先,本文归纳了国内外研究现状,并分析了当前研究存在的问题。进一步地,提出了本文的技术路线和创新点。在此基础上,本文介绍了隐性知识和知识管理、案例推理与属性约简、增量学习以及粗糙集等相关理论基础。其后,针对传统粗糙集及其既有改进方法批量处理数据造成处理效率低下的问题,本文提出粗糙集与增量学习相结合的属性约简算法,从而大幅度提高了属性约简的效率。其中,本文在传统模糊粗糙集的基础上,运用相对辨识关系的概念来表示隐性知识外显案例属性约简的机理,基于此定义了属性更新准则;进一步地,基于增量学习理论,设计了两个增量属性约简算法。(1)面向动态案例集,增量属性约简算法Ⅰ:随着案例子集的加入,首先更新属性和属性集合的相对辨识关系,接着执行属性更新准则,当案例子集全部加入后,即可获得完整的案例集约简。(2)增量属性约简算法Ⅱ:每当有案例子集加入时,仅增量更新条件属性和属性集合的相对辨识关系,当案例子集全部加入后,即可获得整个案例集的相对辨识关系,然后执行属性更新准则,最终可得整个案例集的约简。最后,实验分析结果表明,本文提出的增量属性约简算法相对于传统算法在运行时间、所选属性个数以及分类精度上具备比较进步性。
【图文】：

模型图,案例推理,模型,案例

该过程反映了案例推理技术的理论核心，即相似的问题具技术的核心与人类认识事物的过程非常相似，可以有效规题。推理技术因其较好的性能被广泛应用在各类推荐系统当中年发展日趋完善。当下，较为完善的关于案例推理的模型为2.2 所示，主要包括案例检索（Retrieve）、案例重用（Reusise）和案例保存（Retain）四个环节[52]。为了解决实践中的案例库中寻找与新问题最为匹配的新案例，通常以案例之据，相似度最高的案例即为最匹配案例；然后，依据相关行修正和调整，以期适合新问题；接着，对调整过的案例估；最后，对修改后的案例进行检验判断并存储在案例库便能够不断地更新案例库，同时也能够解决实际中的新问

流程图,案例,知识获取,流程

,,,,,,}26273545><xx><xx><xx>，，<xx>；,,,,,,,242627354><xx><xx><xx>，<xx>，<x,,,,,}263556><xx><xx>，<xx>。构建的获取流程主要包括案例辨识、表案例库，如图 3.1 所示。增量环境案例表示阶段之后的案例求精阶段的视角，增量环境的构建可以用源案例辨识
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F062.3

【相似文献】