[发明专利]模糊概念格的一种更新生成方法

说明书

本发明涉及完备模糊形式概念格的生成方法，具体涉及一种关于模糊概念的基于集成技术的模糊概念的格更新方法。其利用两个模糊概念格之间的集成的技术方案，解决由于数据集更新而导致的L‑模糊概念格更新问题。本发明不需要从更新后的数据集重新生成完备L‑模糊概念格，而且新模糊概念格生成过程中使用更新前的原始模糊概念格，避免了资源浪费，从而改善了L‑模糊概念格的更新效率。使用本发明由于避免重新从更新后的形式背景重生成模糊概念格，而是使用更新数据对原始模糊概念格进行更新操作，故更新效率大幅度提高。尤其对于稀疏数据集、小真值度集合的情况下，更新效率明显提高。

技术领域

本发明涉及完备模糊形式概念格的生成方法，具体涉及模糊概念格的一种更新生成方法。

背景技术

传统形式概念分析方法具有一定的局限性，只能处理具有布尔类型属性值的形式背景。而现实世界的复杂性和多样性，使得许多事物难于用精确和确定的概念表示。例如,人的高矮、胖瘦，等很难用确定概念表示。模糊形式概念分析(Fuzzy Formal ConceptAnalysis,FFCA)就是将模糊集、模糊逻辑与传统形式概念分析结合，研究直接处理模糊形式背景的方法。模糊形式概念是模糊形式概念分析方法中的一种基本数据结构，广泛地应用于机器学习、数据挖掘、知识发现、信息检索、数据抽取等诸多计算机技术领域。就如工业生产中需要基础原材料一样，基于形式概念分析应用(例如：生物信息领域中的基因芯片数据聚类分析(microarray data analysis)、体育领域中运动员信息的探索性数据分析(exploratory data analysis)、用户Web访问习惯关联规则地发现、Deep Web数据库数据地抽取，等等)都需要首先构造形式概念或者形式概念格。然后利用这些所产生的形式概念的内在和它们之间外在的关系特征(例如：Galois联系、偏序关系、相似关系，等)来完成具体、特定的分析应用任务。

另一方面，现实应用中数据需要经常更新，而更新的数据与原始数据相比，其规模远远小于原始数据。数据更新以后，基于形式概念分析应用就需要重新生成模糊概念格。然而，完备模糊概念的数量与数据集大小成指数倍关系，为了小规模的数据更新，而从较大规模的更新后的数据集重新构造完备L-模糊形式概念，不仅是一件非常耗时的工作；而且，更新前的原始模糊概念格在新模糊概念格生成过程中未被使用，造成一定的资源浪费。因此，改善基于模糊概念应用任务时效性，就需要一种模糊概念格快速更新方法。

目前,已有的L-模糊概念格生成方法并不多，主要FuzzyLattice方法和FastLattice方法，两种方法虽然使用的具体技术不同，但都是利用概念间偏序关系直接构造L-模糊概念格(包括模糊概念和它们之间的偏序关系)的串行方法。

另外，仅仅生成完备L-模糊概念的方法也不多，目前有①采用字典序依次构造完备L-模糊概念的FuzzyNextClosure方法，该方法属于串行构造，适合稠密数据集；②基于FuzzyNextClosure的并行化改进方法(Parallel FuzzyNextClosure,记为ParaFuNec)，该方法适合多核计算，提高了生成效率；但是由于其未平衡计算负荷，导致构造效率受模糊概念分布的影响较大；也正因为此，其更适合稠密数据集上的生成任务。③PaFuCo方法，该方法同样适合多核计算，由于采用平衡计算负荷技术，从而在稀疏数据集上的生成效率大幅提高。

虽然以上方法都能够应用到L-模糊概念格更新任务中，但是，目前为止还没有针对L-模糊概念格更新的方法。

发明内容

综上所述，本发明的目的在于提供一种关于模糊概念的基于集成技术的模糊概念的格更新方法。其利用两个模糊概念格之间的集成的技术方案，解决由于数据集更新而导致的L-模糊概念格更新问题。本发明，不需要从更新后的数据集重新生成完备L-模糊概念格，而且新模糊概念格生成过程中使用更新前的原始模糊概念格，避免了资源浪费，从而改善了L-模糊概念格的更新效率。