[论文解读] 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 6

一句话总结

本文提出了一种新颖的方法，通过整合形式概念分析（FCA）、概念聚类和模糊逻辑，实现在数据挖掘中的自动模糊本体生成。通过从预先分类的数据聚类中构建本体，该方法提升了可解释性，减少了内存使用，并加速了数据处理——在知识表示方面表现出更高的效率和精度。

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.

研究动机与目标

• 为数据挖掘领域日益增长的对形式化、结构化表示的需求提供解决方案。
• 通过引入多粒度方法，克服传统本体生成方法的局限性。
• 提升数据挖掘工作流中的可解释性、内存效率和执行时间。
• 将模糊逻辑与FCA和聚类相结合，实现更稳健的语义建模。
• 从聚类数据中自动生成数据挖掘模糊本体（FODM）。

提出的方法

• 应用概念聚类，根据相似性将数据分组为初始类别。
• 使用形式概念分析（FCA）从聚类数据中提取形式概念，作为本体的基础。
• 引入模糊逻辑以处理数据属性中的不确定性和部分隶属关系。
• 将聚类结果与FCA融合，以更精细的粒度定义本体概念。
• 从所得形式概念构建分层模糊本体。
• 优化本体结构，以减少内存占用并提升处理速度。

实验结果

研究问题

• RQ1 如何结合形式概念分析与聚类，实现模糊本体的自动生成？
• RQ2 多粒度聚类对生成本体的质量与可解释性有何影响？
• RQ3 模糊逻辑的整合能否改善数据挖掘本体中不确定或不精确数据的表示？
• RQ4 与传统本体生成技术相比，所提出方法在内存效率和执行时间方面表现如何？
• RQ5 该本体在多大程度上提升了数据挖掘结果的可解释性？

主要发现

• 所提出方法通过聚类引入新的粒度层次，优化了本体定义。
• 模糊逻辑的整合改善了对不确定或重叠数据属性的表示。
• 通过更高效的本体结构设计，该方法显著降低了内存消耗。
• 由于本体设计的优化，数据挖掘的执行时间显著缩短。
• 所生成的数据挖掘模糊本体（FODM）显著提升了数据的可解释性与语义清晰度。
• 该方法在KEOD 2013上以短论文形式获得验证，表明其在该领域获得了同行认可的贡献。