[논문 리뷰] A Knowledge Mining Model for Ranking Institutions using Rough Computing with Ordering Rules and Formal Concept analysis

D. P. Acharjya, L. Ezhilarasi|arXiv (Cornell University)|2011. 08. 09.

Rough Sets and Fuzzy Logic참고 문헌 11인용 수 24

한 줄 요약

이 논문은 사전 처리 단계에서 날카롭지 않은 계산과 직관적 퍼저니 집합 및 순서 규칙을 통합한 하이브리드 지식 채굴 모델을 제안하며, 이후 후처리 단계에서 형식적 개념 분석(FCA)을 적용하여 학술 기관을 순위 매긴다. 이 방법은 비일관성, 수치적, 모호한 데이터를 효과적으로 처리하여 의미 있는 의사결정 요소를 추출하고, 복잡한 정보 시스템에서 지식 발굴을 향상시킨다.

ABSTRACT

Emergences of computers and information technological revolution made tremendous changes in the real world and provides a different dimension for the intelligent data analysis. Well formed fact, the information at right time and at right place deploy a better knowledge.However, the challenge arises when larger volume of inconsistent data is given for decision making and knowledge extraction. To handle such imprecise data certain mathematical tools of greater importance has developed by researches in recent past namely fuzzy set, intuitionistic fuzzy set, rough Set, formal concept analysis and ordering rules. It is also observed that many information system contains numerical attribute values and therefore they are almost similar instead of exact similar. To handle such type of information system, in this paper we use two processes such as pre process and post process. In pre process we use rough set on intuitionistic fuzzy approximation space with ordering rules for finding the knowledge whereas in post process we use formal concept analysis to explore better knowledge and vital factors affecting decisions.

연구 동기 및 목표

• 대규모 정보 시스템에서 유형이 다른 불일치하고 모호한 데이터를 사용하여 학술 기관을 순위 매기는 데 도전하는 것.
• 수치적 속성이 유사하지만 정확히 일치하지 않는 데이터가 풍부한 환경에서 지식 발굴을 향상시키는 것.
• 사전 처리 단계에서 날카롭지 않은 계산을, 후처리 단계에서 형식적 개념 분석을 결합한 견고한 프레임워크를 개발하는 것.
• 구조화된 데이터 분석을 통해 기관 순위에 영향을 주는 핵심 요소를 규명하는 것.
• 데이터 사전 처리 단계에서 직관적 퍼저니 집합과 순서 규칙을 통합함으로써 의사결정 정확도를 향상시키는 것.

제안 방법

• 사전 처리 단계에서 불확실성과 수치적 데이터의 비일관성을 다루기 위해 직관적 퍼저니 근사 공간을 사용한다.
• 순서 규칙이 사전 처리 단계에서 속성 값의 순위 매기기와 우선순위 정렬에 적용된다.
• 粗糙집합 이론이 핵심 지식을 추출하고 데이터 복잡도를 감소시키는 데 사용된다.
• 후처리 단계에서 형식적 개념 분석(FCA)을 적용하여 계층적 관계와 개념적 구조를 발견한다.
• FCA의 통합은 기관 순위에 영향을 주는 중요한 속성 클러스터를 식별하는 데 기여한다.
• 粗糙집합 기반의 축소와 FCA 기반의 개념 랙스 구축을 통합하여 종합적인 지식 추출을 수행한다.

실험 결과

연구 질문

• RQ1 기관 데이터베이스에서 발생하는 비일관성 있고 모호한 수치적 데이터는 어떻게 효과적으로 처리하여 순위를 매길 수 있는가?
• RQ2 순서 규칙과 직관적 퍼저니 집합은 지식 채굴을 위한 데이터 사전 처리 단계에서 어떤 역할을 하는가?
• RQ3 형식적 개념 분석은 추출된 지식의 해석 가능성과 구조를 어떻게 향상시키는가?
• RQ4 하이브리드 모델이 드러내는 핵심 요소들은 기관 순위에 영향을 주는가?
• RQ5 粗糙계산과 FCA의 통합은 기관 평가의 의사결정 정확도를 향상시키는 데 기여하는가?

주요 결과

• 제안된 모델은 직관적 퍼저니 집합과 rough computing를 통합하여 비일관성 있고 수치적으로 유사한 데이터를 효과적으로 처리하였다.
• 순서 규칙은 사전 처리 단계에서 속성의 순위 매기기와 우선순위 정렬에 있어 뚜렷한 향상을 이끌었다.
• 형식적 개념 분석은 기관 속성 간 의미 있는 개념적 계층과 관계를 드러내었다.
• rough computing와 FCA의 통합은 추출된 지식의 해석 가능성과 품질을 향상시켰다.
• 모델은 기관 성과에 영향을 주는 핵심 요소를 규명함으로써 의사결정 지원 기능을 향상시켰다.
• 불확실성과 모호성이 존재하는 실제 데이터 환경에서 기관 순위 매기기의 견고한 해결책을 제공한다.