[論文レビュー] Automatic ontology generation for data mining using fca and clustering

Amel Grissa Touzi, Hela Ben Massoud+1 more|arXiv (Cornell University)|Nov 7, 2013

Rough Sets and Fuzzy Logic参考文献 25被引用数 6

ひとこと要約

本稿では、形式的概念分析（FCA）、概念的クラスタリング、およびファジィ論理を統合することにより、データマイニングにおける自動ファジィオントロジー生成のための新規手法を提案する。事前に分類されたデータクラスタからオントロジーを構築することで、解釈可能性を向上させ、メモリ使用量を削減し、データ処理を高速化する。知識表現における効率性と正確性の向上が実証された。

ABSTRACT

Motivated by the increased need for formalized representations of the domain of Data Mining, the success of using Formal Concept Analysis (FCA) and Ontology in several Computer Science fields, we present in this paper a new approach for automatic generation of Fuzzy Ontology of Data Mining (FODM), through the fusion of conceptual clustering, fuzzy logic, and FCA. In our approach, we propose to generate ontology taking in consideration another degree of granularity into the process of generation. Indeed, we suggest to define an ontology between classes resulting from a preliminary classification on the data. We prove that this approach optimize the definition of the ontology, offered a better interpretation of the data and optimized both the space memory and the execution time for exploiting this data.

研究の動機と目的

• データマイニング分野における形式的で構造的な表現の増大するニーズに対応すること。
• 多粒度アプローチを導入することで、従来のオントロジー生成手法の限界を克服すること。
• データマイニングワークフローにおけるデータの解釈可能性、メモリ効率、実行時間を向上させること。
• ファジィ論理をFCAおよびクラスタリングと統合し、より強固な意味的モデリングを実現すること。
• クラスタリングされたデータから自動的にファジィデータマイニングオントロジー（FODM）を生成すること。

提案手法

• 類似性に基づいてデータを初期クラスにグループ化するための概念的クラスタリングの適用。
• クラスタリングされたデータから形式的概念を抽出するための形式的概念分析（FCA）の使用。これによりオントロジーの基盤が形成される。
• 不確実性や部分的所属を扱うためにファジィ論理を統合する。
• クラスタリングの結果とFCAを統合し、より洗練された粒度のオントロジー概念を定義する。
• 得られた形式的概念から階層的ファジィオントロジーを構築する。
• メモリフットプリントを削減し、処理速度を向上させるためにオントロジー構造を最適化する。

実験結果

リサーチクエスチョン

• RQ1 形式的概念分析とクラスタリングをどのように組み合わせることで、自動的にファジィオントロジーを生成できるか？
• RQ2 多粒度クラスタリングが生成されたオントロジーの品質および解釈可能性に与える影響は何か？
• RQ3 ファジィ論理の統合により、データマイニングオントロジーにおける不確実または曖昧なデータの表現がどのように改善されるか？
• RQ4 従来のオントロジー生成手法と比較して、提案手法のメモリ効率および実行時間はどの程度か？
• RQ5 オントロジーがデータマイニング結果の解釈可能性をどの程度向上させるか？

主な発見

• 本手法は、クラスタリングによる新たな粒度のレベルを導入することで、オントロジー定義を最適化する。
• ファジィ論理の統合により、不確実または重複するデータ属性の表現が向上する。
• オントロジーの構造をより効率的にすることで、メモリ消費量が削減される。
• 最適化されたオントロジー設計のおかげで、データ利用の実行時間が顕著に短縮される。
• 得られたファジィデータマイニングオントロジー（FODM）は、データの解釈可能性と意味的明確性を向上させる。
• 本手法はKEOD 2013で短い論文として承認され、分野における学術的貢献が国際的に認められた。