專利名稱：基于概率圖模型的頻繁模式關(guān)聯(lián)分類方法
技術(shù)領(lǐng)域：
本發(fā)明公開了一種基于概率圖模型(Probabilistic Graphical Model)的頻繁模式關(guān)聯(lián)分類方法，涉及一種基于概率圖模型的頻繁模式之間相互關(guān)系的表示、并在不同抽象層次上進(jìn)行關(guān)聯(lián)分類的方法。屬于數(shù)據(jù)挖掘及信息處理技術(shù)領(lǐng)域。
背景技術(shù)：
實際中的數(shù)據(jù)對象，除了本身的屬性外，對象的行為、以及由于行為而產(chǎn)生的相互關(guān)系，也是對其進(jìn)行分類的重要依據(jù)。利用頻繁模式挖掘算法得到頻繁出現(xiàn)在數(shù)據(jù)集中的模式，利用關(guān)聯(lián)規(guī)則表達(dá)頻繁模式之間的相互關(guān)系，經(jīng)典分類算法以對象本身的屬性為基礎(chǔ)、未考慮由于對象之間行為而產(chǎn)生的相互關(guān)系，為此，將表示對象間相互關(guān)系的關(guān)聯(lián)規(guī)則用于數(shù)據(jù)的分類中，公知的關(guān)聯(lián)分類方法基于關(guān)聯(lián)規(guī)則進(jìn)行數(shù)據(jù)對象的分類分析。董杰 (大連理工大學(xué)博士論文，2009)提出了一種基于位表的關(guān)聯(lián)規(guī)則挖掘及關(guān)聯(lián)分類算法；陳國青等(〈信息資源管理學(xué)報〉，2011(2))介紹了基于信息熵的關(guān)聯(lián)分類方法；霍緯綱等(〈 計算機(jī)研究與發(fā)展〉，2011，48(4) =567-575)提出了一種基于多目標(biāo)進(jìn)化算法的模糊關(guān)聯(lián)分類方法。作為關(guān)聯(lián)分類的基礎(chǔ)性技術(shù)手段，頻繁模式的關(guān)聯(lián)規(guī)則表示方法不能從全局的角度有效表達(dá)頻繁模式間較復(fù)雜的相互關(guān)系，不能描述所涉及頻繁模式的全局概率分布及相互關(guān)系的不確定性，為此，公知的方法利用圖模型擴(kuò)展頻繁模式和關(guān)聯(lián)規(guī)則的挖掘算法。耿汝年等(〈計算機(jī)集成制造系統(tǒng)〉，2008，14 (6) =1220-1229)提出了一種基于全局圖遍歷的頻繁模式挖掘算法；陳文等(〈計算機(jī)工程〉，2010，36 (13) 9-6)提出了一種基于關(guān)聯(lián)圖的加權(quán)關(guān)聯(lián)規(guī)則模型，并利用關(guān)聯(lián)圖存儲頻繁模式集；胡春玲等(〈軟件學(xué)報〉，2011，22 (12) 2934-2950)提出了一種基于貝葉斯網(wǎng)這一概率圖模型的頻繁模式興趣度計算和剪枝策略， 并有效利用貝葉斯網(wǎng)的推理算法來計算關(guān)聯(lián)規(guī)則的支持度。相對公知的頻繁模式表示方法，基于概率圖模型可以表示頻繁模式之間任意形式的全局相互關(guān)系、以及相互關(guān)系的不確定性，基于概率圖模型分析頻繁模式間相互關(guān)系的緊密程度、并進(jìn)行結(jié)點(diǎn)的合并，可以在不同抽象層次進(jìn)行頻繁模式分類。以頻繁模式之間的因果關(guān)系為出發(fā)點(diǎn)，提出了頻繁模式的概率圖模型表示方法，建立了從頻繁模式到概率圖模型的等價轉(zhuǎn)換機(jī)制，給出了基于概率圖模型性質(zhì)的頻繁模式層次聚集方法，將其用于學(xué)術(shù)論文和論文作者聯(lián)系的自動分類的問題中，具有較高的效率和分類準(zhǔn)確率。此方法能以一個統(tǒng)一的模型方便高效地實現(xiàn)頻繁模式之間相互依賴關(guān)系的全局表示，可滿足不同抽象層次用戶的關(guān)聯(lián)分類需求，具有較好的伸縮性，為后續(xù)研發(fā)提供理論依據(jù)和技術(shù)基礎(chǔ)。

發(fā)明內(nèi)容
本發(fā)明提供一種基于概率圖模型的頻繁模式關(guān)聯(lián)分類方法。在Apriori頻繁模式挖掘算法的執(zhí)行結(jié)果之上，提供一種基于概率圖模型的頻繁模式間相互關(guān)系的表示及頻繁模式的關(guān)聯(lián)分類方法。以馬爾可夫網(wǎng)(Markov network)這一重要概率圖模型作為知識表示的基本框架，建立頻繁模式與概率圖模型的內(nèi)在聯(lián)系，構(gòu)建頻繁模式中蘊(yùn)含的馬爾可夫網(wǎng)，通過結(jié)點(diǎn)自底向上的聚集對頻繁模式進(jìn)行不同抽象層次上的關(guān)聯(lián)分類?？梢詮娜值慕嵌确奖愀咝У乇硎绢l繁模式間任意形式的相互關(guān)系，不同抽象層次用戶的關(guān)聯(lián)分類具有較好的伸縮性，為后續(xù)研發(fā)提供理論依據(jù)和技術(shù)基礎(chǔ)。本發(fā)明按以下步聚完成本發(fā)明工藝流程為首先，基于Apriori頻繁模式挖掘算法、設(shè)置支持度，獲得極大頻繁項目集；接著，對每個極大頻繁項目集分別構(gòu)建初始無向圖，并根據(jù)它們之間的公共項目集進(jìn)行初始無向圖的合并，進(jìn)而測試圖中結(jié)點(diǎn)之間的條件獨(dú)立性，刪除條件獨(dú)立的邊， 得到頻繁項目集中蘊(yùn)含的馬爾可夫網(wǎng)；然后，對得到的馬爾可夫網(wǎng)進(jìn)行弦化處理，將弦化的馬爾可夫網(wǎng)表示為連接樹，以一個弦化子圖作為連接樹的一個頂點(diǎn)，從而得到頻繁模式的初始分類；進(jìn)一步以自底向上的方式，對連接樹的頂點(diǎn)進(jìn)行聚集合并，得到反映更高抽象層次的分類，直到滿足用戶需求為止。(I)獲得頻繁模式基于Apriori頻繁模式挖掘算法，并設(shè)置支持度閾值，得到 I-頻繁項集，2-頻繁項集，……，直到不能得到更大的頻繁項集為止，從而獲得極大頻繁項集?；贏priori頻繁模式挖掘算法,針對項集I = U1,…，in},設(shè)置支持度閾值ε (O < ε < I)，若I的子集X滿足概率P(X)彡ε，則X為頻繁項集。首先得到含有I個項的 I-頻繁項目集，再得到含有2個項的2-頻繁項目集，……，依次執(zhí)行，直到不能得到更大的頻繁項集為止。從而獲得極大頻繁項目集；(2)構(gòu)建頻繁模式中蘊(yùn)含的馬爾可夫網(wǎng)針對每個極大頻繁項目集，首先構(gòu)建以其中各頻繁項目作為結(jié)點(diǎn)的全連通無向圖，再將各極大頻繁項目集所對應(yīng)的完全子圖進(jìn)行合并，然后根據(jù)頻繁項目之間是否條件獨(dú)立來確定邊的刪除與保留，從而得到反應(yīng)頻繁項目之間全局相互關(guān)聯(lián)的馬爾可夫網(wǎng)。①對每個極大頻繁項目集分別構(gòu)建無向圖對極大頻繁項集Ai,以其中的項作為圖的結(jié)點(diǎn)，用無向邊連接Ai中任意兩個不同的項，得到Ai對應(yīng)的全連通無向圖G(Ai),如圖
2、圖3和圖4所示；②合并所有頻繁項集對應(yīng)的無向圖對于存在公共項的任意兩個Ai和Ap將Ai中的每個項與 中的其他項用無向邊相連，從而將每個極大頻繁項集對應(yīng)的無向圖進(jìn)行合并，得到全局無向圖G，如圖5所示；③刪去條件獨(dú)立結(jié)點(diǎn)對應(yīng)的邊，得到馬爾可夫網(wǎng)用<α Z β> 表示“ α 與 β 條件獨(dú)立于 Ζ”，若 P ( α，Ζ，β) =Ρλ (α，Ζ) ·Ρ λ (β，
ο P(X) < λ
Ζ)/Ρλ⑵，其中= j, X為頻繁項集，λ為給定的概率閾值。
L尸(Ji ) γ(Λ ) > Λ若X為極大頻繁項集，α，β e X，有〈α I χ- α - β I β >總成立。對于所有頻繁項集對應(yīng)的無向圖，考查G(Ai)中的任意無向邊(ail; aik),若〈ajAi-aifaiklaik〉成立(即an 與aik條件獨(dú)立于G(Ai)中其他結(jié)點(diǎn))，則從G中刪除邊(ail; aik);若an和aik又是Aj中的頻繁項且〈a^Ai-aifaiklaik〉成立(即an與aik條件獨(dú)立于G (Aj)中其他結(jié)點(diǎn))，則也從G 中刪除邊(ail; aik)。從而建立了頻繁模式與條件獨(dú)立性之間的關(guān)系，得到了表示頻繁項之間相互依賴關(guān)系的無向圖結(jié)構(gòu)，該圖結(jié)構(gòu)滿足概率圖模型的必要條件、為有效的頻繁項馬爾可夫網(wǎng)，將其稱為項關(guān)聯(lián)馬爾可夫網(wǎng)(Item Association Markov Network),如圖6所不。(3)頻繁模式的層次聚集根據(jù)弦化的定義，(一個無向圖稱為弦圖，當(dāng)圖中任一長度大于3的環(huán)都至少有一個弦)，將構(gòu)建的馬爾可夫網(wǎng)弦化處理，同時建立馬爾可夫網(wǎng)中各結(jié)點(diǎn)極大完全子圖的無環(huán)序，進(jìn)而得到以極大完全子圖為結(jié)點(diǎn)的聯(lián)接樹，根據(jù)聯(lián)接樹中極大完全子圖的無環(huán)序進(jìn)行聯(lián)接樹中結(jié)點(diǎn)的聚集合并，自底向上的方式重復(fù)此過程，直到滿足用戶所需抽象程度為止。①用弦化(Chordal)作為頻繁項聯(lián)系緊密的衡量標(biāo)準(zhǔn)，得到弦化的項關(guān)聯(lián)馬爾可夫網(wǎng)及弦化子圖的序基于無向圖弦化的概念，對每個長度不少于4的環(huán)都進(jìn)行弦化(即三角化，使得每個環(huán)的長度不大于3)，每個長度不超過3的環(huán)中的結(jié)點(diǎn)構(gòu)成一個弦化子圖Xi，每個弦化子圖包含聯(lián)系緊密的頻繁項且對應(yīng)一個初始的類，如圖7所示；進(jìn)一步基于以下標(biāo)準(zhǔn)得到弦化子圖的序(Xl，…，xm)，為得到更高抽象層次的類奠定基礎(chǔ)
其中 I 彡 j 彡 i ;②將弦化無向圖表示為連接樹(Join Tree):弦化的馬爾可夫網(wǎng)可以用樹結(jié)構(gòu)來描述，稱為連接樹；而連接樹本身是弦化的，包括了聯(lián)系緊密的頻繁項。將弦化子圖作為頂點(diǎn)，若Ci與有公共頻繁項，則Ci與之間有一條無向邊，得到連接樹Τ，如圖8所示；③連接樹結(jié)點(diǎn)聚集合并，實現(xiàn)不同抽象層次的頻繁模式關(guān)聯(lián)分類按照弦化子圖的序，將連接樹T中各無向邊末端的頂點(diǎn)與頭端結(jié)點(diǎn)合并，得到新的連接樹Τ,，其中每個結(jié)點(diǎn)對應(yīng)更高抽象層次的一個類，如圖9和圖10所示。以自底向上的方式重復(fù)此過程，得到越來越大的類，直到滿足用戶所需抽象程度為止。與公知技術(shù)相比本發(fā)明具有的優(yōu)點(diǎn)及積極效果(I)通過構(gòu)建概率圖模型，以一個統(tǒng)一的模型、從全局的角度描述了頻繁模式之間的相互關(guān)系，是頻繁模式及關(guān)聯(lián)規(guī)則挖掘方法的擴(kuò)展，更容易地實現(xiàn)了頻繁模式間任意形式相互關(guān)系的建模，彌補(bǔ)了基于關(guān)聯(lián)規(guī)則的頻繁模式間相互關(guān)系表示機(jī)制的不足。(2)以頻繁模式間的因果關(guān)系為出發(fā)點(diǎn)，建立了從頻繁模式到概率圖模型的等價轉(zhuǎn)換機(jī)制、頻繁模式聯(lián)合概率分布的表示機(jī)制，定量地反映了頻繁模式間相互依賴的不確定性。(3)基于概率圖模型的結(jié)點(diǎn)聚集來實現(xiàn)關(guān)聯(lián)分類，避免了基于關(guān)聯(lián)規(guī)則進(jìn)行關(guān)聯(lián)分類時由于僅考慮局部相關(guān)性帶來的分類或聚類結(jié)果的片面性和不準(zhǔn)確性，提高了關(guān)聯(lián)分類的易實現(xiàn)性和結(jié)果的正確性；實現(xiàn)了頻繁模式不同抽象層次的關(guān)聯(lián)分類，具有更好的可伸縮性，能滿足用戶的不同需求。(4)成熟的概率圖模型推理方法可為關(guān)聯(lián)分類提供定量的分析和計算的支撐技術(shù)，為解決自動關(guān)聯(lián)分類及基于關(guān)聯(lián)分類的社會計算等目前亟待解決的熱點(diǎn)問題提供了有力的技術(shù)支持。
四

圖I本發(fā)明的技術(shù)路線圖。包括以下三個主要部分獲得頻繁模式(預(yù)處理)、構(gòu)建概率圖模型和層次關(guān)聯(lián)分類；圖2、圖3和圖4分別為三個頻繁項目集對應(yīng)的初始無向圖圖2全連通無向子圖①。結(jié)點(diǎn)為極大頻繁項集(Α，B, C)中的頻繁項；
圖3全連通無向子圖②。結(jié)點(diǎn)為極大頻繁項集(C，D)中的頻繁項；圖4全連通無向子圖③。結(jié)點(diǎn)為極大頻繁項集(D，E，F(xiàn))中的頻繁項；圖5所有頻繁項的無向圖。合并圖2、圖3和圖4得到圖5，結(jié)點(diǎn)為所有頻繁項集 U = (A，B, C，D，E，F(xiàn))中的頻繁項，合并全連通無向子圖時添加的邊用雙線表示；圖6關(guān)鍵詞頻繁項目集U的項關(guān)聯(lián)馬爾可夫網(wǎng)。對圖5進(jìn)行條件獨(dú)立測試后得到；圖7弦化的項關(guān)聯(lián)馬爾可夫網(wǎng)G。對圖6進(jìn)行弦化處理得到，其中X1 =“頻繁項”， x2 = “Apriori”，X3 = “剪枝”，X4 = “分類”，X5 = “貝葉斯網(wǎng)”，X6 = “團(tuán)樹”;圖8弦化的項關(guān)聯(lián)馬爾可夫網(wǎng)G的連接樹1\。其中C1 = (x1；x2,X3)代表“關(guān)聯(lián)規(guī)則”，C2 = (x2, x3, x5)代表“圖模型挖掘”，C3 = (x2, X4)代表“分類分析”，C4 = (x5, x6)代表“概率圖模型”；圖9新的連接樹圖T2。對圖8中T1的頂點(diǎn)聚集合并得到，其中CflC1, C2)代表“關(guān)
聯(lián)規(guī)則挖掘”，C21HC2, C4)代表“不確定性知識發(fā)現(xiàn)”，C3tHCu C3)代表“關(guān)聯(lián)分類”；圖10新的連接樹T3和最高抽象層次的連接樹Τ4。分別對T2和T3的頂點(diǎn)聚集合
并得到，其中cYUc/, 代表“人工智能”，fV=(r/,c/)代表“數(shù)據(jù)挖掘”；C24) 表示“數(shù)據(jù)與知識工程”。
五具體實施例方式實施例I :學(xué)術(shù)論文關(guān)鍵詞關(guān)聯(lián)分類(I)項目集從發(fā)表的學(xué)術(shù)論文中抽取關(guān)鍵詞(Keywords)并對各詞出現(xiàn)的頻繁度分別進(jìn)行統(tǒng)計，若兩個關(guān)鍵詞出現(xiàn)在同一篇論文中，則表示兩個關(guān)鍵字同時出現(xiàn)的支持度計算加I ;(2)極大頻繁項目集設(shè)置最小支持度閾值，使用Apriori算法，掃描關(guān)鍵詞并計數(shù)，得到I-頻繁項目集的集合，進(jìn)一步得到2-頻繁項目集的集合，……，不斷執(zhí)行直到不能再找到k-頻繁項目集為止；(3)針對每個關(guān)鍵詞極大頻繁項目集，首先構(gòu)建以其中各頻繁項目作為結(jié)點(diǎn)的全連通無向圖，然后根據(jù)頻繁項之間是否條件獨(dú)立來確定邊的刪除與保留，從而得到各極大頻繁項目集的子圖，再將各極大頻繁項目集所對應(yīng)子圖進(jìn)行合并，得到反映頻繁項目之間全局相互關(guān)系的馬爾可夫網(wǎng)，U= (A，B，C，D，E，F(xiàn))為關(guān)鍵詞的I-頻繁項目集，首先得到分別如圖2、圖3和圖4所示的3個全連通無向子圖，再根據(jù)各子圖的公共結(jié)點(diǎn)將這3個子圖合并，得到對應(yīng)于U中所有頻繁項的無向圖，如圖5所示，對關(guān)鍵詞頻繁項目進(jìn)行條件獨(dú)立測試，若條件獨(dú)立，則刪去相應(yīng)的邊，(A，E)、(A，F(xiàn))、(B，E)和(B，F(xiàn))這4對結(jié)點(diǎn)間的邊不存在，對于圖5中的無向圖，<E|C，D|F>(即E和F條件獨(dú)立于C和D)，則刪去E和F之間的邊，得到關(guān)鍵詞頻繁項目集U的項關(guān)聯(lián)馬爾可夫網(wǎng)，如圖6所示；(4)若弦化的項關(guān)聯(lián)馬爾可夫網(wǎng)如圖7所示，按照弦化子圖的序(C1, C2，C3，C4)，得到連接樹T1，如圖8所示，圖8中連接樹頂點(diǎn)極大完全子圖的無環(huán)序為(C/，c2'，C3,)， 則對T1中的頂點(diǎn)進(jìn)行聚集合并，得到新的、描述更高抽象層次關(guān)鍵詞頻繁項目分類的連接樹1~2，如圖9所示。對T2中的頂點(diǎn)進(jìn)行聚集合并，得到新的連接樹T3，進(jìn)而得到C1"，=(C1"，C2")，即得到最高抽象層次類的連接樹T4，如圖10所示。性能選擇ScienceDirect數(shù)據(jù)庫中5個“主題(Subject) ”中的學(xué)術(shù)論文400 篇，選取其中的1500個關(guān)鍵詞，記錄這些論文的主題及其下的子主題信息，執(zhí)行以上步驟
(1) (4)，從1000個頻繁項構(gòu)建項關(guān)聯(lián)馬爾可夫網(wǎng)只需15毫秒，獲得論文所述子主題和上一級主題分類信息，在這兩個分類的抽象層次分別與論文本身所述類相比，本研究所得結(jié)果的誤差分別為2. 5%和I. 2%。
權(quán)利要求
1.一種基于概率圖模型的頻繁模式關(guān)聯(lián)分類方法，其特征在于其按以下步驟完成，(1)獲得頻繁模式基于Apriori頻繁模式挖掘算法，并設(shè)置支持度閾值，得到1_頻繁項集，2-頻繁項集，……，直到不能得到更大的頻繁項集為止，從而獲得極大頻繁項集；(2)構(gòu)建頻繁模式中蘊(yùn)含的馬爾可夫網(wǎng)針對每個極大頻繁項目集，首先構(gòu)建以其中各頻繁項目作為結(jié)點(diǎn)的全連通無向圖，再將各極大頻繁項目集所對應(yīng)的完全子圖進(jìn)行合并，然后根據(jù)頻繁項目之間是否條件獨(dú)立來確定邊的刪除與保留，從而得到反應(yīng)頻繁項目之間全局相互關(guān)聯(lián)的馬爾可夫網(wǎng)；(3)頻繁模式的層次聚集根據(jù)弦化的定義，將構(gòu)建的馬爾可夫網(wǎng)弦化處理，同時建立馬爾可夫網(wǎng)中各結(jié)點(diǎn)極大完全子圖的無環(huán)序，進(jìn)而得到以極大完全子圖為結(jié)點(diǎn)的聯(lián)接樹， 根據(jù)聯(lián)接樹中極大完全子圖的無環(huán)序進(jìn)行聯(lián)接樹中結(jié)點(diǎn)的聚集合并，自底向上的方式重復(fù)此過程，直到滿足用戶所需抽象程度為止。
2.根據(jù)權(quán)利要求I所述的基于概率圖模型的頻繁模式關(guān)聯(lián)分類方法，其特征在于一種學(xué)術(shù)論文關(guān)鍵詞關(guān)聯(lián)分類法按以下步驟完成，(1)項目集從發(fā)表的學(xué)術(shù)論文中抽取關(guān)鍵詞(Keywords)并對各詞出現(xiàn)的頻繁度分別進(jìn)行統(tǒng)計，若兩個關(guān)鍵詞出現(xiàn)在同一篇論文中，則表示兩個關(guān)鍵字同時出現(xiàn)的支持度計算加I ;(2)極大頻繁項目集設(shè)置最小支持度閾值，使用Apriori算法，掃描關(guān)鍵詞并計數(shù)，得到I-頻繁項目集的集合，進(jìn)一步得到2-頻繁項目集的集合，……，不斷執(zhí)行直到不能再找到k-頻繁項目集為止；(3)針對每個關(guān)鍵詞極大頻繁項目集，首先構(gòu)建以其中各頻繁項目作為結(jié)點(diǎn)的全連通無向圖，然后根據(jù)頻繁項之間是否條件獨(dú)立來確定邊的刪除與保留，從而得到各極大頻繁項目集的子圖，再將各極大頻繁項目集所對應(yīng)子圖進(jìn)行合并，得到反映頻繁項目之間全局相互關(guān)系的馬爾可夫網(wǎng)，U = A，B, C，D，E，F(xiàn)為關(guān)鍵詞的I-頻繁項目集，首先得到3個全連通無向子圖，再根據(jù)各子圖的公共結(jié)點(diǎn)將這3個子圖合并，得到對應(yīng)于U中所有頻繁項的無向圖，對關(guān)鍵詞頻繁項目進(jìn)行條件獨(dú)立測試，若條件獨(dú)立，則刪去相應(yīng)的邊，(A，E)、(A，F(xiàn))、 (B，E)和(B，F(xiàn))這4對結(jié)點(diǎn)間的邊不存在，對于圖5中的無向圖，<E|C，D|F>，則刪去E和F 之間的邊，得到關(guān)鍵詞頻繁項目集U的項關(guān)聯(lián)馬爾可夫網(wǎng)；(4)按照弦化子圖的序C1,C2, C3, C4，得到連接樹T1，圖8中連接樹頂點(diǎn)極大完全子圖的無環(huán)序為C/, C21, Cl則對T1中的頂點(diǎn)進(jìn)行聚集合并，得到新的、描述更高抽象層次關(guān)鍵詞頻繁項目分類的連接樹T2，對T2中的頂點(diǎn)進(jìn)行聚集合并，得到新的連接樹T3，進(jìn)而得到 C1" ' =C1" ,C2"，即得到最高抽象層次類的連接樹T4。
全文摘要
本發(fā)明涉及一種基于概率圖模型的頻繁模式關(guān)聯(lián)分類方法。在Apriori頻繁模式挖掘算法的執(zhí)行結(jié)果之上，提供一種基于概率圖模型的頻繁模式間相互關(guān)系的表示及頻繁模式的關(guān)聯(lián)分類方法。以馬爾可夫網(wǎng)這一重要概率圖模型作為知識表示的基本框架，建立頻繁模式與概率圖模型的內(nèi)在聯(lián)系，構(gòu)建頻繁模式中蘊(yùn)含的馬爾可夫網(wǎng)，通過結(jié)點(diǎn)自底向上的聚集對頻繁模式進(jìn)行不同抽象層次上的關(guān)聯(lián)分類，可以從全局的角度方便高效地表示頻繁模式間任意形式的相互關(guān)系，不同抽象層次用戶的關(guān)聯(lián)分類具有較好的伸縮性，為后續(xù)研發(fā)提供理論依據(jù)和技術(shù)基礎(chǔ)。
文檔編號G06F17/30GK102609528SQ20121003166
公開日2012年7月25日 申請日期2012年2月14日 優(yōu)先權(quán)日2012年2月14日
發(fā)明者劉惟一, 岳昆 申請人:云南大學(xué)