[论文解读] 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)|Aug 9, 2011

Rough Sets and Fuzzy Logic参考文献 11被引用 24

一句话总结

本文提出了一种混合知识挖掘模型，将粗糙计算与直觉模糊逼近空间及排序规则结合用于预处理，随后利用形式概念分析（FCA）进行后处理，以对学术机构进行排名。该方法通过提取有意义的决策因素，有效处理了不一致、数值型和不精确的数据，提升了复杂信息系统中的知识发现能力。

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.

研究动机与目标

• 解决在大规模信息系统中使用不一致和不精确数据对学术机构进行排名的挑战。
• 改善数值属性相似但不完全相同的丰富数据环境中知识发现的效果。
• 开发一个结合预处理阶段的粗糙计算与后处理阶段的形式概念分析的稳健框架。
• 通过结构化数据分析识别影响机构排名的关键因素。
• 通过在数据预处理中整合直觉模糊集与排序规则，提升决策准确度。

提出的方法

• 预处理阶段使用直觉模糊逼近空间处理数值数据中的不确定性和不一致性。
• 在预处理阶段应用排序规则对属性值进行排序和优先级排序。
• 采用粗糙集理论提取核心知识并降低数据复杂度。
• 后处理阶段应用形式概念分析（FCA）以发现层次关系和概念结构。
• FCA的集成使能够识别影响机构排名的重要属性聚类。
• 该模型结合基于粗糙集的约简与基于FCA的概念格构建，实现全面的知识提取。

实验结果

研究问题

• RQ1 如何有效处理机构数据库中不一致且不精确的数值型数据以实现排名？
• RQ2 排序规则与直觉模糊集在提升知识挖掘数据预处理质量方面发挥什么作用？
• RQ3 形式概念分析如何增强提取知识的可解释性与结构化程度？
• RQ4 该混合模型揭示的影响机构排名的关键因素是什么？
• RQ5 粗糙计算与FCA的集成能否提升机构评估中的决策准确性？

主要发现

• 所提出的模型通过结合直觉模糊集与粗糙计算，成功处理了不一致且数值相近的数据。
• 排序规则在预处理阶段显著提升了属性的排序与优先级排序效果。
• 形式概念分析揭示了机构属性之间有意义的概念层次结构与关系。
• 粗糙计算与FCA的集成增强了提取知识的可解释性与质量。
• 该模型通过识别影响机构表现的关键因素，展示了改进的决策支持能力。
• 该框架为在存在不确定性和不精确性的现实数据环境中实现机构排名提供了稳健解决方案。