一種基于概念格的信息提取方法
【專利摘要】本發(fā)明提供了一種基于概念格的信息提取方法。本發(fā)明所提供的方法，通過將原始信息背景進(jìn)行預(yù)處理，得到凈化后的信息背景并生成屬性拓?fù)鋱D；之后為屬性拓?fù)鋱D添加一節(jié)點(diǎn)η，得到新的屬性拓?fù)鋱D；對新的屬性拓?fù)鋱D進(jìn)行權(quán)值凈化；再對凈化后的屬性拓?fù)鋱D進(jìn)行屬性分層，并提取概念信息；接著檢驗(yàn)概念信息是否齊全，若不齊全，則繼續(xù)搜索直至齊全；最后恢復(fù)原始信息背景的概念信息，得到信息背景的全部概念信息。本發(fā)明所提供的方法具有可視化性能好、計(jì)算復(fù)雜度相對較低且不受信息背景規(guī)模限制的優(yōu)點(diǎn)。
【專利說明】
-種基于概念格的信息提取方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及計(jì)算機(jī)信息處理領(lǐng)域，具體地說是一種基于概念格的信息提取方法。
【背景技術(shù)】
[0002] 信息系統(tǒng)是一個具有對象、屬性及其關(guān)系的數(shù)據(jù)庫，是現(xiàn)實(shí)生活中某些事物的客 觀反映，并為人們認(rèn)識知識與獲取知識提供了主要的基礎(chǔ)信息。
[0003] 信息背景是形式概念分析的核屯、，是一種特殊的信息系統(tǒng)。此信息系統(tǒng)依據(jù)信息 背景提供的信息，W及對象和屬性之間內(nèi)在的、本質(zhì)的關(guān)系，通過其中的概念得W刻畫。其 中概念是人類進(jìn)行信息表達(dá)的一種手段，具有兩個邏輯特征，即內(nèi)涵和外延。概念的外延為 符合此概念的對象組成的集合，而內(nèi)涵則為外延所具有的共同屬性。
[0004] 概念之間的層次結(jié)構(gòu)稱為概念格（concept lattice)(也稱伽羅瓦格（Galois lattice))，是一種處理信息背景的數(shù)學(xué)工具。概念格是由概念組成的，概念是人類進(jìn)行信 息表達(dá)的一種手段，信息發(fā)現(xiàn)的過程就是將信息背景中蘊(yùn)含的信息形式化為有用概念的過 程。事實(shí)上，運(yùn)一過程是將信息按照相關(guān)的要求進(jìn)行匹配。
[0005] 目前，有關(guān)基于概念格的概念信息提取方法，主要有：
[0006] ①、從格論的角度依據(jù)概念格的格結(jié)構(gòu)，對信息背景進(jìn)行概念信息的提取。
[0007] ②、依據(jù)信息背景中對象與對象之間、屬性與屬性之間、屬性與對象之間的各類關(guān) 聯(lián)規(guī)則，進(jìn)行概念信息的提取。
[000引③、將信息背景置于圖的平臺上，利用圖的一些性質(zhì)，提取概念信息。
[0009] 基于概念格的概念信息提取方法中，具有代表性的成果中有張濤等人于2014年提 出的利用信息背景的屬性拓?fù)鋱D進(jìn)行可視化提取概念的方法。具體操作如下：
[0010] 第一步:凈化信息背景，構(gòu)造信息背景的屬性拓?fù)鋱D。具體過程包括：
[0011] 1.凈化信息背景：
[0012] 所謂全局對象，是指具有背景中全部屬性的對象。全局屬性是指背景中全部的對 象都包含的屬性。依據(jù)格理論可知，全局對象和全局屬性不會對概念格的結(jié)構(gòu)產(chǎn)生影響，即 對于概念格而言，全局對象和全局屬性均為可約簡的。
[0013] 空對象不擁有任何屬性，空屬性不擁有任何對象。由于空對象和空屬性對概念的 捜索過程不產(chǎn)生影響，因此，在捜索概念的過程中空對象與空屬性可直接忽略。
[0014] 等價對象是指在信息背景下，兩個對象各自擁有的屬性相同。同樣，等價屬性是指 在信息背景下，兩個屬性所擁有的對象相等。依據(jù)概念格理論，等價對象中各對象(等價屬 性中各屬性)對概念格的貢獻(xiàn)是一樣的，所W捜索概念的過程中為減少存儲空間和運(yùn)行時 間，可考慮等價對象中的一個對象W及等價屬性中的一個屬性。
[001引2.構(gòu)造信息背景的屬性拓?fù)鋱D：
[0016] 在信息背景(F，M，I)中，定義(w(Vi，Vj))，i，j = l，2，…，|M|為屬性拓?fù)溧徑泳仃嚕?如下：
[0017]
[0018] 其中，|M|為屬性集Μ中所含屬性的個數(shù)。
[0019] 定義護(hù)（Vi，Vj)為屬性拓?fù)潢P(guān)聯(lián)矩陣，如下：
[0020]
[0021] 凈化背景后，可通過鄰接矩陣，構(gòu)造出屬性拓?fù)鋱D，其方法為：
[0022] 當(dāng)獻(xiàn)化'/>辟<"!,·)，且占'("!/)巧("!,·咐，用雙向箭頭連接mi和叫，并在連線上標(biāo)注其共有 的對象集合{gl，g2，···，gm}。
[002；3]當(dāng)抓!;)谷>'("!/)，且g (mj) η g (mi) = {gi，g2，· · ·，gm}時，用單向箭頭連接兩個屬性，箭 頭指向mi,并在連線上標(biāo)注其共有的對象集合{gl，g2，···，gm}。
[0024] 屬性拓?fù)鋱D中與屬性mi直接相連的邊均為單向指出或雙向邊，稱ΠΗ為頂層屬性。
[0025] 屬性拓?fù)鋱D中，屬性mt與屬性mj直接關(guān)聯(lián)，是指mtE ImpI化與mj有邊相連接，P，j =1，2,…，|m| }。
[0026] 第二步，利用屬性拓?fù)鋱D捜索概念信息，具體操作如下：
[0027] S1、假設(shè)與頂層屬性ΠΗ直接關(guān)聯(lián)的其中一個屬性為mt，存儲(g(mimt)，)。
[002引S2、若捜索路徑中存在屬性集合使得g(numt)=g(numtK)，則將上 一步所存儲的（g(mimt)，)替換為(g(mimt)，UK)。
[0029] 83、若存在屬性(1居（1-恤，1]1*})，且有歡《跳如復(fù)(奶撕.,(/片0，則在上一步存儲不改變 的情況下，再存儲(g(numtq)，{mi，mt，q})。
[0030] S4、若任意pe )，都有g(shù)(H!,."w)= 0，則不做存儲。返回到S3。
[0031] S5、完成上面的S1-S4四步捜索后，返回到S1，進(jìn)行下一個的與頂層屬性mi直接關(guān) 聯(lián)的屬性mr遍歷。
[0032] S6、完成S1-S5之后，選擇下一個頂層屬性，繼續(xù)進(jìn)行S1-S5。
[0033] 完成S1-S6六步，可W得到該屬性拓?fù)鋱D中除(f，0)和(0，M)的所有概念。
[0034] 張濤等人的方法具體流程參見圖6。
[0035] 目前，對于信息背景中概念信息提取方法的應(yīng)用與推廣，主要受W下因素影響： 一、信息背景的規(guī)模;二、概念信息提取可視化程度;Ξ、提取概念信息的復(fù)雜度。
[0036] 雖然，目前基于概念格的信息提取方法有很多，但是由于受到W上Ξ點(diǎn)因素的影 響，現(xiàn)有的概念信息提取方法，仍存在W下不足：
[0037] 第一，對于方法①，由于格結(jié)構(gòu)是一種抽象的數(shù)學(xué)結(jié)構(gòu)，當(dāng)信息規(guī)模較小時，信息 背景還具有可視性，但當(dāng)信息規(guī)模較大時，依據(jù)抽象的格結(jié)構(gòu)對概念信息進(jìn)行提取已不再 具有可視性。故而方法①受到信息規(guī)模的限制。
[0038] 第二，對于方法②，由于尋找關(guān)聯(lián)規(guī)則的難度不低于信息背景中概念信息的尋找， 又由于"關(guān)聯(lián)規(guī)則"本身不具有可視性，所W運(yùn)類方法的應(yīng)用與推廣受到一些限制。
[0039] 第Ξ，方法③中具有代表性的是張濤等人在依據(jù)信息背景建立的屬性拓?fù)湟灰环N 圖的平臺上，提取概念信息的方法。實(shí)際上，張濤等人用到的屬性拓?fù)鋱D是一種有向加權(quán) 圖。然而，由圖論中拓?fù)鋱D的定義可知，一個拓?fù)鋱D可W是有向的，也可W是無向的。當(dāng)拓?fù)?圖中的節(jié)點(diǎn)集為某個信息背景的屬性集時，可W稱其為屬性拓?fù)鋱D。但由于張濤等人的方 法復(fù)雜度為指數(shù)級，因此受到信息背景規(guī)模的限制。

【發(fā)明內(nèi)容】

[0040] 本發(fā)明的目的就是提供一種基于概念格的信息提取方法，W解決現(xiàn)有的方法受信 息背景規(guī)模的限制、可視化程度低及提取信息復(fù)雜度高等的問題。
[0041] 本發(fā)明是運(yùn)樣實(shí)現(xiàn)的：一種基于概念格的信息提取方法，包括如下步驟：
[0042] a、將原始信息背景(F，M，I)進(jìn)行預(yù)處理，得到凈化后的信息背景(的，1〇，1〇)，并將 此凈化后的信息背景轉(zhuǎn)化為一屬性拓?fù)鋱D的鄰接矩陣;此鄰接矩陣對應(yīng)屬性拓?fù)鋱DGo=(Vo (Go)，Eo(Go))，其中，Vo(Go)=Mo，Eo(Go) = {e(x，y)|x，yeMo，且x，y擁有公共的對象};
[0043] b、為屬性拓?fù)鋱DGo添加一節(jié)點(diǎn)屬性η，得到一個新的屬性拓?fù)鋱DGo+{ri};
[0044] C、對新的屬性拓?fù)鋱DGo+h}的權(quán)值進(jìn)行凈化，即：在每一邊的權(quán)值(xi，xj)中去 掉不屬于η擁有的對象集中的對象;其中每一邊的權(quán)值為相鄰兩節(jié)點(diǎn)所擁有的公共對象集； 凈化后的權(quán)值用w(Xi，Xj)表示，Xi，Xj eMo U {η}，i，j = 1，2，…，I Mo I +1;
[0045] d、利用凈化后的屬性拓?fù)鋱D的權(quán)值之間的關(guān)系將各屬性進(jìn)行分層，得到分層圖， 并提取概念信息；
[0046] e、檢驗(yàn)所有概念信息是否齊全，若未齊全，繼續(xù)尋找概念信息，直到概念信息齊 全；
[0047] f、刪除(Fo，Mo U h}，1〇)中所有概念內(nèi)涵中的n，得到(Fo，Mo，1〇)的全部概念信息， 將步驟a中凈化掉的屬性與對象重新恢復(fù)為(Fo，Mo，Io)的信息，從而得到原始信息背景(F， M，I)的全部概念信息。
[0048] 本發(fā)明的效果可W通過W下Ξ方面得到體現(xiàn)：
[0049] 1 )、概念信息提取過程可視化性能好。
[0050] 由于本發(fā)明W屬性拓?fù)鋱D為平臺進(jìn)行概念信息提取，因此與W抽象的格結(jié)構(gòu)或關(guān) 聯(lián)規(guī)則為基礎(chǔ)的概念信息提取方法相比，具有較好的可視性，可完全反映出信息背景中任 意兩個屬性是否擁有公共對象的性質(zhì)。
[0051] 2)、減少"冗余"概念的產(chǎn)生，降低計(jì)算的復(fù)雜度。
[0052] 張濤等人的方法是對屬性拓?fù)鋱D的全路徑遍歷，在進(jìn)行概念信息的提取過程中， 會產(chǎn)生"冗余"概念。采用本發(fā)明進(jìn)行概念信息提取過程中，減少"冗余"概念，因此，本發(fā)明 具有更好的適用性。
[0化3]對于信息背景(F，M，I)，若|F|=m，|M|=n，現(xiàn)有技術(shù)中張濤等人的概念信息提取 方法，其復(fù)雜度為〇(2"Χη)。
[0054] 本發(fā)明中步驟a的復(fù)雜度為0(n2+m2+4mn);步驟b的復(fù)雜度為0(n);步驟C的復(fù)雜度 為0(n2m2);步驟d的復(fù)雜度為0(化V);步驟e的復(fù)雜度為步驟f與步驟a的復(fù) 雜度相同為〇(n2+m2+4mn)。
[0055] 若(F，M，I)的規(guī)模s = mXn，則張濤等人的方法復(fù)雜度為0(2s)，而本發(fā)明的復(fù)雜度 分兩種情況，分析如下：
[0056] I、當(dāng)所提取的概念信息齊全，不需要繼續(xù)捜尋概念時，本發(fā)明方法的復(fù)雜度為步 驟曰、步驟13、步驟(3、步驟(1、步驟巧勺復(fù)雜度相加，即20(]12+1]12+4皿)+0(]1)+0(]1 21]12)+0(化41]12)， 由于0(n2+m2+4mn)、0(n)、0(nV)的復(fù)雜度小于OUnV)，因此此情況下本發(fā)明的復(fù)雜度為0 (s6)。
[0057] II、當(dāng)所提取的概念信息不齊全，需要繼續(xù)捜索概念時，本發(fā)明方法的復(fù)雜度為步 驟a、步驟b、步驟C、步驟d、步驟e、步驟f的復(fù)雜度相加，即2(')(;Γ、7片-4/打/?)十 ()(")+ ()("2";2)+ 刊十（)("'化^........-'''i);
[005引 i、當(dāng)η < 6時，由于0(n2+m2+4mn)、0(n)、0(n2m2)、0(,嚴(yán)。的復(fù)雜度小于0 (化V2)，此時本發(fā)明方法的復(fù)雜度為0(s6)。
[0化9] 1；[、當(dāng)]1>6時，由于0(]12+1112 + 41]1]1)、0(]1)、0(]121112)、0(3]141112)的復(fù)雜度小于 口( ""1-bg: Μ )，此時本發(fā)明方法的復(fù)雜度為〇(戸心Wl-lDg: 6)])。
[0060] 由上面的分析可知，張濤等人的方法的復(fù)雜度為指數(shù)級，而本發(fā)明方法的復(fù)雜度 不是指數(shù)級，因此本發(fā)明復(fù)雜度大大降低。
[0061] 3)、本發(fā)明中概念信息的提取，不受信息背景規(guī)模的限制。
【附圖說明】
[0062] 圖1是本發(fā)明的方法流程圖。
[0063] 圖2是本發(fā)明實(shí)施例1中鄰接矩陣對應(yīng)的屬性拓?fù)鋱D。
[0064] 圖3是本發(fā)明實(shí)施例1中添加節(jié)點(diǎn)η后所得到的新圖Go+h}。
[0065] 圖4是本發(fā)明實(shí)施例1中Wb為中屯、凈化后的屬性拓?fù)鋱D。
[0066] 圖5是本發(fā)明實(shí)施例1的捜索結(jié)果示意圖。
[0067] 圖6是采用張濤等人的方法對屬性拓?fù)鋱D進(jìn)行概念信息提取的流程圖。
[0068] 圖7是采用張濤等人的方法對屬性拓?fù)涞娜窂綊人鬟^程示意圖。
[0069] 圖8是本發(fā)明實(shí)施例2對應(yīng)的屬性拓?fù)鋱D。
[0070] 圖9是根據(jù)表12所得的樣本數(shù)不超過26時，本發(fā)明方法與張濤等人的方法復(fù)雜度 相比較的曲線示意圖。
[0071] 圖10是根據(jù)表12所得的樣本數(shù)超過26時，本發(fā)明方法與張濤等人的方法復(fù)雜度相 比較的曲線示意圖。
【具體實(shí)施方式】
[0072] 如圖1所示，本發(fā)明所提供的一種基于概念格的信息提取方法，包括如下步驟：
[0073] a、將原始信息背景(F，M，I)進(jìn)行預(yù)處理，得到凈化后的信息背景(的，1〇，1〇)，并將 此信息背景轉(zhuǎn)化為一屬性拓?fù)鋱D的鄰接矩陣形式。此鄰接矩陣對應(yīng)屬性拓?fù)鋱DGo= (Vo (Go)，Eo(Go))，其中，Vo(Go)=Mo，Eo(Go) = {e(x，y)|x，yeMo，且x，y擁有公共的對象}。所用屬 性拓?fù)鋱D事實(shí)上為屬性間關(guān)系的加權(quán)圖表示。
[0074] b、為Go添加一節(jié)點(diǎn)屬性η，得到一個新的屬性拓?fù)鋱DGo+{ri}。
[0075] C、對Go+h}的權(quán)值進(jìn)行凈化，即去掉不屬于η擁有的對象集的對象。其中每一邊的 權(quán)值為相鄰兩節(jié)點(diǎn)（即兩個屬性)所擁有的公共對象集。
[0076] d、利用凈化后的屬性拓?fù)鋱D的權(quán)值之間的關(guān)系將各屬性進(jìn)行分層，得到分層圖， 并提取概念信息。
[0077] e、檢驗(yàn)所有概念信息是否齊全，若未齊全，則繼續(xù)尋找概念信息，直到概念信息齊 全。
[007引 f、刪除(Fo，Mo U {η}，10)中所有概念內(nèi)涵中的η，得到(Fo，Mo，10)的全部概念信息， 將步驟a中凈化掉的屬性與對象重新恢復(fù)為(Fo，Mo，Io)的信息，從而得到原始信息背景(F， M，I)的全部概念信息。
[0079] 下面對各步驟進(jìn)行詳細(xì)說明。
[0080] 步驟a中采用基于概念格的信息提取方法，將原始信息背景(F，M，I)進(jìn)行預(yù)處理， 包括如下過程：
[0081] 給定信息背景(F，M，I)，其中F為信息背景中所有對象的集合，即F={gi，g2，...， gn}，gi(i = l，2,. . .，n)為第i個對象;Μ為所有屬性的集合，即M= {xi，X2,. . .，Xm}，xi(i = l， 2，...，m)為第i個屬性;I為屬性集和對象集的二元關(guān)系，即/?; FxiV/r
[0082] al、對原始的信息背景(F，M，I)進(jìn)行預(yù)處理，得到凈化后的信息背景(Fo，Mo，Io)。主 要目的是通過刪除信息背景中全局屬性、全局對象、空屬性、空對象，保留等價屬性中的一 個屬性，其他的屬性刪除，保留等價對象中的一個對象，其他的對象刪除，降低后期計(jì)算的 復(fù)雜度。具體步驟如下：
[0083] al.l、對于在(F，M，I)中擁有對象集為F的屬性，即全局屬性，進(jìn)行刪除處理。
[0084] al.2、對于在(F，M，I)中擁有屬性集為Μ的對象，即全局對象，進(jìn)行刪除處理。
[0085] al.3、對于不擁有任何對象的屬性，即空屬性，進(jìn)行刪除處理。
[0086] al.4、對于不擁有任何屬性的對象，即空對象，進(jìn)行刪除處理。
[0087] al.5、對于兩個或兩個W上擁有相同對象的屬性，即等價屬性，則只保留運(yùn)些屬性 中的一個，將其他的幾個屬性進(jìn)行刪除處理。
[0088] al.6、對于兩個或兩個W上擁有相同屬性的對象，即等價對象，則只保留運(yùn)些對象 中的一個，將其他的幾個對象進(jìn)行刪除處理。
[0089] a2、定義(Fo，Mo，Io)如下：
[0090] Fo = F-({geF|g為全局對象} U {gEF|g為空對象} U {g￡F|g是在步驟al.6中被 刪除的對象});
[0091] 1〇 = 1-(^￡1^為全局屬性)^^￡1^為空屬性)^^￡1^是在步驟31.5中被 刪除的屬性});
[0092] I〇=in (FoXMo)o
[OOW] a3、根據(jù)晰燕，1〇)，給出屬性拓?fù)鋱D的鄰接矩陣
[0094]
[0095] 其中，w' (xi，xj) = {A| A為屬性Xi與Xj的公共對象，i，j = 1，2,...，|Mo I，i 辛 j}，|Mo 為屬性集Mo中所含屬性個數(shù)。為了描述方便，當(dāng)i = j時，令U''(Λ> .;7)=0.此矩陣對應(yīng)屬性拓 撲圖 Go=(Vo(Go)，Eo(Go))，其中，Vo(Go)=Mo，Eo(Go) = {e(x，y)|x，yeMo，且x，y擁有公共的對 象}。
[0096] 步驟b采用基于概念格的信息提取方法，對Go添加一個擁有對象集為Fo的節(jié)點(diǎn)屬性 n，得到一個圖Go+h似及信息背景(Fo，Mo U h}，In)。
[0097] bl、添加節(jié)點(diǎn)屬性η。
[009引若信息背景（Fo，Mo，Ιο)只含有一個屬性α，則（Fo,Mo，Ιο)的概念信息的全體為 {(巧,，0)，（0，{α})}。當(dāng)|Μο|含2時，若任意選擇一個屬性作為起始點(diǎn)，則最后會造成(Fo， Μο,Ιο)中概念信息的缺失或產(chǎn)生過多的"冗余"。
[0099] 為了避免上述問題的產(chǎn)生，需添加一個特殊屬性II，且屬性η的添加不會影響(Fo， Mo，10)中的概念信息W及概念格的格結(jié)構(gòu)組成。
[0100] b2、給出η所擁有的對象集。
[0101] 根據(jù)概念格結(jié)構(gòu)可知，具備上述特點(diǎn)的η有兩種可能性:一種是為屬性集Μο,此 時η所擁有的對象集為巧;另一種是{^.=0，此時η所擁有的對象集為Fo。
[0102] 因?yàn)槿我粋€概念格為完備格，運(yùn)樣(Fo，Mo, Ιο)的概念信息全體構(gòu)成的概念格為一 個完備格。根據(jù)格論中的對偶性(或稱De Morgan's Law)可知，若利用.!(巧)，0)!.作為捜索概 念信息的方法，完全可W對偶地產(chǎn)生由貧0，M) }捜索概念信息的方法;若利用{(0，Mo)} 作為捜索概念信息的方法，完全可W對偶地產(chǎn)生由{(巧)，0)}捜索概念信息的方法。本發(fā)明 采用i(F〇，0))作為捜索概念信息的方法，即選取的!=0，此時，η所擁有的對象集為Fo。
[0103] b3、得到新圖 G(V，E，w')。
[0104] b3.1、在Go上添加一個特殊節(jié)點(diǎn)η,η擁有的對象集為Fo。
[0105] b3.2、連接η與圖G日中各節(jié)點(diǎn)，得I Mo I條邊，且每邊權(quán)值為W' (η，Xi)，Xi ΕΜο，i = 1， 2,…，|Μο| ;最終得到新圖Go+{ri}=G(V，E，w/ )，其中，V為節(jié)點(diǎn)集，V = MoU {ri};E為邊集， ￡=(e〇.,'，-切單0' 尤巧?',戶'1'，' '2', ...，|''M〇l+l}。
[0106] b4、得到信息背景(Fo，Mo U h}，In)，其中 /危尸??χ (Μ,υ; 口;.)。
[0107] 獲取信息背景(Fo，MoU{rl}，In)的過程如下:對于任意的geFo，yeMoU{rl};
[010引當(dāng)yEMo時，若gloy，則giny;即：若對象g在(Fo，Mo，Io)中擁有屬性y，則g在(Fo，MoU In}，In)中也擁有屬性y;
[0109] 當(dāng)y = n時，有g(shù)iny成立。
[0110] 步驟C采用基于概念格的信息提取方法，對屬性拓?fù)鋱DG(V，E，w/)的權(quán)值進(jìn)行凈 化，具體過程如下：
[0111] 依次對G(V，E，w')中的每一個權(quán)值W' (Xi，Xj)，Xi，XjeMoU {rl}，i，j = l，2，…，|Mo| + 1與η所擁有的對象集Fo作比較。若(Xi，Xj)中有不屬于Fo的對象，則將此對象從(Xi，Xj)， i，j = 1，2，…，I Mo I +1中去掉，最后完成對G(V，E)中每邊上的權(quán)值的凈化，得到新的屬性 拓?fù)鋱DG(V，E，w)，其中，V(G(V，E，w))=V(G(V，E，w'));E(G(V，E，w))=E(G(V，E，w'));w(xi， xj)為W' Ui，xj)凈化后的權(quán)值，xi，xjEM〇U {η}，1，j = i，2，...，|m〇|+i。
[0112]具體描述為:對每個gEw'(xi，xj)，
[0113]如果gg巧)，那么凈化后的權(quán)值為w(xi，xj)=w' (xi，xj)-{g}。
[0114]如果gEFo,那么凈化后的權(quán)值與原權(quán)值相等，即w(xi，xj)=w/ (xi，xj)。
[0115] 步驟d采用基于概念格的信息提取方法，將G(V，E，w)中的屬性進(jìn)行分層，得到分層 圖，并對概念信息進(jìn)行提取，具體過程如下：
[0116] 已知G (V，E，W)是（F0，Μ0 U {η}，Iη)的屬性拓?fù)鋱D，給出η的拓?fù)溧徲?：.、'(所={.VI _veM(>u{W.，II. u(w, .1'片0，沾站 Η〇7，.r)cr"'(W;=Mi，"切，.!')=0表示屬性η和y之間沒 有公共對象。其中w(ri)為屬性η所擁有的對象集。事實(shí)上，TN(ri)在G(V，E，W)中表示與η直接 相連的屬性的集合。如果|Μ〇|=1，運(yùn)時(F〇，M〇，I〇)的全部概念信息為{(0，Μ〇)，仍，0)}。 若I Mo I > 2，則對(Fo，Μο，1〇)的概念信息尋找進(jìn)行如下操作:dl、采用基于概念格的信息提取 方法，定義分層圖的第一層^
[0117] Ll = {({ri}，TN(ri)，w(n))}。
[0118] 其中，w(ri)為η擁有的對象集。顯然^為單點(diǎn)集，此集合第一個元素(其實(shí)是唯一元 素)為Ξ維向量（{rl}，TN(rl)，w(rl))，此向量蘊(yùn)涵Ξ種信息:rl為第一層屬性，rl的拓?fù)溧徲騎N (η)及η擁有的對象集w(ri)。由于此向量與η密切相關(guān)，為便于表達(dá)，本發(fā)明稱其為屬性η的關(guān) 鍵元。
[0119] d2、采用基于概念格信息提取方法，基于分層圖第一層尋找分層圖的第二層L2:
[0120] /一:=;({,7，Λ-。'h )，uO?，Λ-:,,')) I Λ-:,'巨《^7)，7.2 二 ' '2《I 飾)！ l·.
[0121] 在第二層L2中包含t2個({q，Xz;:}，7Τν(λ。:），w切，X。:))運(yùn)樣的S維向量，每一 向量({取馬&}，rW(XK)，<巧，與其內(nèi)屬性集{巧，屯&}中的屬性相2密切相關(guān)， 為便于表達(dá)，稱向量(0?，-V:,:. !·，7W(x:, )，"〇/，x:,J)為屬性而點(diǎn)的關(guān)鍵元。在第二層L2中 每一個S維向量({?/，x;/ }，"切，A,:))內(nèi)包含一個屬性集{口.，X:,:}，屬性集 《口，馬^}稱為第二層中的第j2個屬性集。在第二層中每一個屬性集內(nèi)包含兩個屬性，其中 一個屬性為第一層中的屬性n，另一個屬性X破排在η后面，稱屬性X瑞為第二層中第j2個屬 性集中的第二個屬性(或稱最后一個屬性）。
[012^ 1(11)表示W(wǎng)n為中屯、所選擇的下一層屬性集合，即/(口(口)，對任 ，總 ve(7W(W-.! Λ·:,' I)，抽:Λ? ir("，Λ':,,倍H(y，如：./: =1,2編! ^ W η為中屯、所選擇的屬性％的拓?fù)溧徲?，?={>.'|滬€巧\切)，直， .1，）責(zé)0，滿足 Η(λ'2,、，v)[ W(口，石=1,2 ..，?,，?]《I M〇i }。
[0123] 捜尋過程具體如下：
[0124] d2.1、基于第一層屬性II，尋找Wn為中屯、的下一層屬性集合1(η):
[0125] 任取xeTN(ri)，ysETN(ri)-{x}，將w(ri，x)與w(ri，ys)進(jìn)行比較，判斷w(ri，x)是否包 含于w(ri，ys);若否，則xel(n);若是，則.巧/〇?)
[01%]具體符號描述如下:初始定義Κη)為空集，即1(η) = {}，χΕΤΝ(ιι)，
[0127]對每一個 yseTN(ri)-{x};
[012引如果如巧，.V)扣'如切，那么Κη): =l(n) U {x}，即：將屬性X賦值給集合Κη);否 則，1 (η): = 1 (η)，即：1 (η)保持不變。
[0129] (12.2、基于第一層屬性11，對于每一1-:,:€/(讀，尋找^站的拓?fù)溧徲蛄速\^:,:·):
[0130]任取 xETNU)，且 ，.r 片0，驗(yàn)證 馬,;):是否真包含 w'(x:,:，Jf)。如果 Μ'(λ.],:，Λ-)口<巧，乂巧)，那么化 2W(x;,.:)姻果w(.Y^:，λ.)狂W(口，X巧），那么.柏TWC.Y巧）。
[01；31]由于，刊=0，說明屬性和和X之間沒有公共對象，此時無需比較w〇?，馬&)和 7 -V)(
[0132] 具體描述如下:初始定義:)=!!，-Vj,,
[0133] 對每一個χeTN(rl)，且、K'?，.v片0;
[0134] 若w(a-.句cw(礦 乂-2占)*則了):= 誠）U{妹;否則，ΓΛ/(γ]占)::=打ν(χ:,:)。
[0135] d2.3、尋找第二層中第j2個屬性集中最后一個屬性&&的關(guān)鍵元，并進(jìn)行概念信息 的提取。
[0136] 完成步驟d2.1~d2.2之后，可得第二層中第j2個屬性集! 口，-v:J，屬性馬&的拓?fù)?鄰域W及權(quán)重，.κ:;從而可得第二層中第j 2個屬性集中最后一個屬性γ_'的 關(guān)鍵元：至Π 石Η.! 口，,J.~W口，
[0137] 且提取概念為：（扣化!二（"'(口，.r:,> ! 口，、-:, !)
[013引d2.4、對1 (η)中每一屬性完成步驟d2.2~d2.3后，得到分層圖的第二層L2:
[0139]
[0142] d3、根據(jù)步驟dl~d2可得分層圖的第（i-1)層，i為整數(shù)，且i>2;
[0143] 假定分層圖的第（i-1)層已經(jīng)獲得，即
[0144]
第j(i-i)個屬性集。在第(i-1)層中每一個屬性集內(nèi)包含(i-1)個屬性，其中前(i-2)個屬性構(gòu) 成的集合{巧，X:,':，，而-2心,}為第（i-2)層中第j(i-2)個屬性集，第（i-1)個屬性 ?^(一>,_,,排在最后，稱而匈,.。為第。-1)層中第如-1)個屬性集中的最后一個屬性(也是第。- 1)個屬性）。
[0146] 下面根據(jù)已獲得的分層圖的第(i-1)層，尋找分層圖的第1。>2)層以：
[0147]
^,《|柏〇|}。其中，而.表示第很中第^'1個屬性集中的最后一個屬性；/的-1心,）表示^而-1)/,,_,, 為中屯、所選擇的下一層屬性集合，即
W而-11為中屯、所選擇的X。;的拓?fù)溧徲?，?br>[0149]
[0150] 操作過程具體如下：
[0151] d3.1、選取第（i-1)層中每一屬性集{巧，'.?) ..·*，. 的最后一個屬 性而-助,，尋找第i層中包含屬性巧，&南，馬/3,...，嘴-1)布的所有屬性集;其中，j2^t2，j3< t3，...，j(i-l) = l,2...,t(i-l)，且t2，t3，...，t(i-l)<|Mo|。
[0152] (13.1.1、^嘴-0如為中屯、凈化原始鄰接矩陣，得新鄰接矩陣W={w(Xi，Xj) |w(Xi， xj)為(xi，刮)凈化后的權(quán)值，xi，刮e V}，具體過程如下：
[0153] 依次對G(V，E，w')中的每一個權(quán)值 W' (Xi，Xj)(i，j = l，2，...，|Mo|+l，Xi，XjeMoU 4})與屬性集如乂"，姑，...，而_,,,,,_,,}共同擁有的對象集5("(口，斯，扼，."，.丫(,_1咕_。）=公） 作比較。若(xi，xj)中有不屬于B的對象，則將此對象從(xi，xj)中去掉，最后完成對G(V， EV )的權(quán)值的凈化，得到化馬-為中屯、凈化權(quán)值后的屬性拓?fù)鋱D巧.Vww, Η戶E，蛛， 其中，巧G(-Viu.,,_,^c 巧巧F，玄，W'))，巧巧.V化-,,）)c巧巧Κ 尼，w'))，w(xi，xj^w' (Xi，Xj)凈化后的權(quán)值，Xi，XjEMoU{η}，i，j = l，2，…，|Mo|+l。
[0154] 具體描述為：
[0155] 對每個gEw'(xi,xj)，
[0156] 如果妍方，那么凈化后的權(quán)值為w(Xi，Xj)=w' (Xi，Xj)-{g}。
[0157] 如果gEB，那么凈化后的權(quán)值與原權(quán)值相等，即w(Xi，Xj)=w/ (Xi，Xj)。
[015引d 3 . 1 . 2、針對凈化后的G(而_^,,,)，尋找w而-化',,_,，為中屯、的下一層屬性集合 /(-Vi心,）。注意分層圖的第（i-U層已經(jīng)獲得，'Vw,,,,為第（i-U層中第j(i-i)個屬性集 巧，X巧.，％-;1)知。}中的最后一個屬性，且布-I)的關(guān)鍵元為 ({口，-T],:，和，?！ぃ琕w,:,, }，}<口，而：' A,，，?！?，-Vi此
[0159] 任取化頭％_，心,），於' e (rWVi心,）-W)'將H(.Vw…' .Y)與M(.Vi心，'於)進(jìn) 行比較，判斷MtV,心,，對是否包含于M(而_叫,,,，'細(xì)。若否，即當(dāng)H%-|)如_。， 向。'於）時，化/(.Vw,…）；若是，即當(dāng) W.Vi心,，'乃￡ ^.ν?υ,ι-' 於）時， 巧《而-1咕_,,)。最后得到/(而-11山_,,)叫荷'化，…，乂毎}巧引Mol。
[0160] 具體描述如下:初始定義《％-1;如,,.-)=〇，
[0161] 對每一個：TE JW(而-1心，），
[016^ 每一個護(hù)e(rw(相咕:，H4)，如果J但，於)，那么 )uM巧則/(.Vll心,）:=《 Vi",一,）。
[01創(chuàng) （13.1.3、通過步驟(13.1.2得《而-化_,,)=柏，化，...，而}，口引10|，本步驟主要尋 找W (X,,; )，乂 =1，2···，ρ，且P引Mol。注意現(xiàn)在是尋找第i層中的第ji個屬性集中最后一個 屬性％的拓?fù)溧徲颍懊娴冢╥-1)層中屬性·νι心,的拓?fù)溧徲蛞呀?jīng)獲得，且其在第（i-1)層 的關(guān)鍵兀為（{巧，丫2,:.^/'.'.、，.而）1山_1|!''巧作而1。|,_1,)'"{口，了2_/:'與,3''.'.，.)<,'1。|,_,:'))。 [0164]針對凈化后的G(.Vi心,任取T(,_w, 1,)，且Μ'(Λ&，對韻;驗(yàn)證M('Vi心,，，對 是否真包含于Μ而一心，，而）。如果是，即如果作X(Miv-y(M從_。，X& )，那么 化);反之，如果咕，對孫（Vi咕,,'而）'那么.柏巧ν(-\)。
[01化]具體符號描述如下:初始定義ΓΜχ。;）={}，和,€ /(而)，
[0166] 對每一個1'￡譜(而―化',>)，且w( 3?，句絶5:;:
[0167] 若，Xy,)，則:Γ^(λ;,., ):= rwu", )u的；否則，):= )。
[0168] d3.1.4、尋找第i層中第ji個屬性集中最后一個屬性嘴:的關(guān)鍵元，并進(jìn)行概念信息 的提取。
[0169] 完成步驟d3.1.1~d3.1.3之后，得到第i層中第ji個屬性集切，％&，馬自，…， XX,,)，屬性％的拓?fù)溧徲騘的似及權(quán)重M<?7，y];:，X;,，，…，·\!-ι心，，γ,,>其 中 1^口' ，馬占，…'而-1咕-1,，x,7,)="切'14(而_,,山,，'而）?，F(xiàn)在尋 找第i層中第ji個屬性集中最后一個屬性^的關(guān)鍵元，并提取概念信息。
[0170] d3.1.4.1、若第i層中的前（ji-1)個屬性構(gòu)成的集合均與目前屬性集(巧，兩,:。， 、,，，···，而-?υ;,_,,，\ ?不同，則得到第i層中的第ji個屬性集中最后一個屬性％的關(guān)鍵元 為石 U}=(iW' ?;,:' A,，' …，而一…,,,，' τ"> riV(^)，w(巧，?],:，乂3力，.'.，而-1扣_。' 否則判定第i層中屬性％的關(guān)鍵元不存在。
[0171 ] d3.1.4.2、根據(jù)步驟d3.1.4.1找到的關(guān)鍵元提取概念。
[01巧如果關(guān)鍵元l^iUi}存在，即么'UK{W，相，嗚占，..，，而-1)電V嘴}，7W(x。,）， W切，和：，馬右，冷)）
[0173] 則提取第i層中的第 ji個概念壞，U.! =(|'KW，-V:,.:，Λ·;。，...，.Y.,: I,,;, .,，Λ-,, )，I 口， &.占，兩7'3 .％-1 化X",})。
[0174] 如果關(guān)鍵元不存在，則無概念可提取。
[0175] d3.2、重復(fù)步驟d3.1，W求得第i層中所有屬性集，并進(jìn)行概念信息提取，具體操作 為：
[0176] 重復(fù)步驟d3.1，可得到第i層中所有的關(guān)鍵元：
[0177]
[0180] d3.3、如果第（i-1)層中每一屬性集{礦.，X;,,，·...'，的最后一個屬 性-Vi>,的拓?fù)溧徲蚓鶠榭占?，則該屬性的下一層屬性也均為空集，即心=0，此時分層結(jié) 束，否則重復(fù)d3. l-d3.2直到分層結(jié)束。
[0181] d3.4、分層結(jié)束后(F〇，M〇U hMn)的所有概念信息為
其中n〇為屬性 分層的總層數(shù)。
[0182] 步驟e采用基于概念格的信息提取方法，檢驗(yàn)所有概念信息是否齊全，若未齊全， 尋找概念，直到概念信息齊全。
[0183] el、完成步驟d3,判斷是否繼續(xù)捜尋概念。
[0184] el. 1、如果圖Go+h}是加權(quán)無環(huán)圖，則不需要繼續(xù)捜尋概念。
[0185] el. 2、如果圖Go+h}是加權(quán)有環(huán)圖，但不含有Ξ條邊且各邊權(quán)值均相等的環(huán)，則不 需要繼續(xù)捜尋概念。
[0186] el.3、若圖Go+h}不是步驟el. 1和步驟el.2所指類型，則需要繼續(xù)捜尋概念。
[0187] e2、初步得到剩余概念Cpei。
[0188] 根據(jù)步驟曰，凈化后的(Fo，Mo，Io)中各個屬性所擁有的對象集一定不同，再由步驟 b，構(gòu)造出圖Go U In}中的權(quán)值W' (n，Xi)辛W' (n，Xj)，Xi，XjEMo,（i，j = 1，2,......，|m〇 I，i 辛 j)。運(yùn)樣，按照步驟d2捜索到的第二層概念一定為真正的概念，且不會有丟失的概念。因此， 本發(fā)明中需要對第Ξ層的概念進(jìn)行捜索檢驗(yàn)。而如果對第Ξ層之后的層次再進(jìn)行捜索檢 驗(yàn)，會造成概念的大量重復(fù)，因此對第Ξ層進(jìn)行捜索檢驗(yàn)后無需再對第Ξ層之后的層次進(jìn) 行捜索檢驗(yàn)。
[0189] 由步驟d3可得第Ξ層概念Γ/ν=Κ"切，r,口，句:，./, = 1， 2，…，為;心，《3《1舶〇1}，令CP3{ j } = (X{ j }，Υ{ j })，其中挪-}={巧，義巧:，馬占}， 義1/}=蛛(妹義化，^.,.;)。由步驟(11可得1則11)，不妨設(shè)巧'^(口）= {口1，口2，...，'口|"。!}'帖3{川=郵， 下面對第Ξ層進(jìn)行捜尋。
[0190] e2.1、對第Ξ層中的任意兩個概念的對象集求交集，并將交集非空的兩個概念組 合為另外一個不同的概念。具體如下：
[0191] e2.1.1、依次取第Ξ層中的每一概念Cp3{i}，i = 1，2，. . .，m3，W及該概念之后的每 一概念Cp3 {j}，i < j < 郵。
[0192] e2.1.2、若義識 Π 義{j·} * 0，則組合為概念Cpij = (X{i} η X{j}，Υ{ i} U Υ{j})，否則 不組合概念。
[0193] e2.2、重復(fù)步驟e2.1，可將第Ξ層中任意兩對象集相交非空的概念，組合為新概 念，從而得到組合后的全部概念，記為
[0194] Cpci={Cpu|Cpu = (X{i} nX{j}，Y{i} UY{j})，i = l，2，...，郵，i<j< 郵}。
[01巧]e2.3、去除Cpci中的偽概念，具體如下：
[0196] e2.3.1、依據(jù)對象集，將Cpei中所有概念進(jìn)行分類，每一類概念具有相同對象集。
[0197] e2.3.2、將每一類中所有概念的屬性進(jìn)行合并，對象集不變，組合為一個概念
其中Pk為第k類概念中所有概念的個數(shù)，Ykq為第k類概念中第q個概念的 屬性集(即內(nèi)涵），Xk為第k類概念的共同對象集(即外延）。
[019引 e2.3.2、最后得概念集Cpdi={CpdiA} |k=l, . . . ,pk}。
[0199] e2.4、初步得到部分剩余概念Cpei，具體如下：
[0200] 令Cpei = Cpdi-Cpq，其中Cpq為步驟d3.4得到的概念，則Cpe功步驟d未捜尋到的部分 概念。
[0201] e3、得到其余剩余概念。給定初始值i = l，具體操作如下：
[0202] e3.1、對Cpei(注意i的初始值為1，即首先討論步驟e2.4中的Cpei)中任意兩個概念 進(jìn)行比較，若兩個概念的對象集交集非空，則將運(yùn)兩個概念組合為一個概念，組合規(guī)則按步 驟e2.1.2進(jìn)行;最后得概念集Cpe( W)。
[0203] e3.2、依據(jù)步驟e2.3去除Cpc(w)中的偽概念，得到概念Cpd(w)。
[0204] e 3.3、得到部分剩余概念 Cpe (i+：L) = Cpd (i+i) -Cpei。
[02化]e3.4、令i = i+l，重復(fù)步驟e. 3.1到e. 3.3,直到任意兩個概念對象集交集為空，捜 尋結(jié)束;最后得到所有剩余概念為
1'。
[0206] e4、最后去除Cpe中的偽概念:對于對象集相同的概念，保留屬性集最大的概念，其 余去掉。
[0207] e5、到此為止，得到(FqiMqU hMo)的全部概念信息Cp = CpqUCpe。
[0208] 步驟f采用基于概念格的信息提取方法，刪除(Fo，MoU{rl}，In)中所有概念內(nèi)涵中 的η，得到(Fo，Mo，Io)的全部概念信息;并將步驟a中凈化掉的屬性與對象重新恢復(fù)為(Fo，Mo， Ιο)的信息，最終得到原始信息背景(F，M，I)的全部概念信息。
[0209] η、刪除所有概念內(nèi)涵中的η。假設(shè)(Fo，MoU{rl}，In)的第i個概念為CpU} = (X(i)， Y(i))，其中X(i)為第i個概念的外延，Y(i)為第i個概念的內(nèi)涵。刪除Cp{i}內(nèi)涵中的η后，得 CpO{i} = (X(i)J(i)-{ri})，i = l，2,. . .，Πρ，其中Πρ= |Cp|。從而得到化，]/[日，1日)的所有概念 信息{壞00'}，M，…，",,}υ?(0，爲(wèi)叫口})!·。本發(fā)明中用CpOU}表示去除節(jié)點(diǎn)η后的第i 個概念，用Cpl{i}表示恢復(fù)屬性或?qū)ο蠛蟮牡趇個概念。
[0210] f2、原始背景的概念信息恢復(fù)。獲得(F，M，I)的所有概念信息。
[0211] f2.1、對步驟al.l中凈化掉的每一全局屬性X，重新恢復(fù)為CpO{i}內(nèi)涵中的元素， 得Cpl{i} = (X(i)，（Y(i)-{rl})U{x})，i = l，2，...，np，其中np=|Cp|。
[0212] f2.2、對步驟al.2中凈化掉的每一全局對象g，重新恢復(fù)為CpO{i}的外延中的元 素，得Cpl{i} = (X(i) U {g} J(i)-{ri})，i = l，2,. . .，Πρ，其中Πρ= |Cp|。
[0213] f2.3、對于步驟al. 3中的每一空屬性X，重新恢復(fù)為(0，M〇)的內(nèi)涵中的元素，得 胸^)。的)。：
[0214] f 2.4、對于步驟a 1.4中的每一空對象g，重新恢復(fù)為奶，0)外延中的元素，得 CFoU姑，0)。
[0215] f2.5、對于步驟al. 5中的等價屬性，若屬性X與屬性y等價，則將CpOU}的內(nèi)涵中含 X的內(nèi)涵替換為{x，y}，得Cpl{i} = ((X(i)，（Y(i)-{n，x}) U {x，y})，i = l，2,. ..，Πρ，其中Πρ =ICp I 〇
[0216] f 2.6、對于步驟al. 6中的等價對象，若對象gi與對象g2等價，則將CpO{i}的外延中 含gi的外延替換為{gi，g2}，得Cpl{i} = ((X(i)-{gi}) U {gi，g2}，Y(i)-{n})，i = l，2,...， Πρ，其中Πρ= |Cp|。
[0217] 本發(fā)明受到國家自然科學(xué)基金項(xiàng)目資助(項(xiàng)目號:61572011),還受到河北省自然 科學(xué)基金的資助(項(xiàng)目號:A2013201119)。
[0218] 下面結(jié)合具體實(shí)施例對本發(fā)明作進(jìn)一步詳細(xì)說明。本發(fā)明在相同的運(yùn)行環(huán)境下， 使用嫩化48 20136進(jìn)行實(shí)驗(yàn)。
[0219] 實(shí)施例1，給定原始信息背景(F，M，I)，此信息背景包括11個屬性，9個對象，其中F 為信息背景中所有對象的集合，即。={1，2,3,4,5,6,7,8,9};1為所有屬性的集合，即1 = (a，b，c，d，e，f，g，h，i, j，k} ;1為屬性集和對象集的二元關(guān)系，如表1所示。
[0220] 根據(jù)步驟a采用基于概念格的信息提取方法，將原始信息背景(F，M，I)進(jìn)行預(yù)處 理，包括如下過程：
[0221] 根據(jù)步驟al對原始的信息背景(F，M，I)進(jìn)行預(yù)處理，得到凈化后的信息背景(Fo， Mo, Ιο)。主要目的是為了刪除背景中全局屬性、全局對象、空屬性、空對象、等價屬性、等價對 象，降低后期計(jì)算的復(fù)雜度。具體步驟如下：
[0222] 根據(jù)步驟al.l，對于在(F，M，I)中擁有的對象集為F的屬性，即全局屬性k，進(jìn)行刪 除處理。
[0223] 根據(jù)步驟al.3,對于不擁有任何對象的屬性，即空屬性a,進(jìn)行刪除處理。
[0224] 根據(jù)步驟al.5，d和j在(F，M，I)中各自擁有的對象相同，為等價屬性，為了描述方 便，在此，保留d，刪除j。
[0225] 根據(jù)步驟al.6,5和9在(F，M，I)中各自擁有的屬性相同，為等價對象，為了描述方 便，在此，保留5,刪除9。
[0226] 采用步驟al完成對(F，M，I)的凈化，得到凈化后的信息背景(Ρο,Μο,Ιο)。如表2所 /J、- 〇
[0。7] 根據(jù)步驟a2,定義(Ρο,Μο,Ιο)如下：
[022引Fo = F-({xeF|x為全局對象} U {xEFlx為空對象} U {xEF|x是在al.6中被刪除 的對象})，即F0={l，2,3,4,5,6,7,8};
[0229] Μο = Μ-({χΕΜ|χ為全局屬性} U {χΕΜ|χ為空屬性} U {χΕΜ|χ是在al.5中被刪除 的屬性})，即Mo= {b，c，d，e，f，g，h，i};
[0230] Ιο如表2所示。
[0234] 此鄰接矩陣對應(yīng)屬性拓?fù)鋱DGo= (Vo(Go)，Eo(Go))，如圖2所示。
[0235] 根據(jù)步驟b，采用基于概念格的信息提取方法，對Go添加一個擁有對象集為Fo的節(jié) 點(diǎn)n，得到圖Go+h}，如圖3所示，W及信息背景(Fo，MoU{ri}，In)。
[0236] 根據(jù)步驟bl，添加節(jié)點(diǎn)η。在信息背景(Fo，Mo，Io)中|Mo| > 2,添加一個特殊屬性II。
[0237] 根據(jù)步驟b2，給出η所擁有的對象集。本發(fā)明實(shí)施例中，η所擁有的對象集為Fo = {1，2,3,4,5,6,7,8}。
[023引根據(jù)步驟b3,得到新圖G(V，EV )。
[0239] 根據(jù)步驟b3.1，在Go上添加一個特殊節(jié)點(diǎn)η,η擁有的對象集為Fo。
[0240] 根據(jù)步驟b3.2，連接η與圖Go各節(jié)點(diǎn)，得8條邊，且每邊權(quán)值為(η，XI)，XI ΕΜο，i = 1，2, ...，8,即w' (ri，b) = α，2,3,5,6}，w' (ri，c) = {3，4,6,7,8}，w' (ri，d) = {5,6,7,8}，w' (η， e) = {7}，w' (ri，f) = {5,6,8}，w' (ri，g) = {l，2,3,4}，w' (ri，h) = {2,3,4}，w' (ri，i) = {4}。最 終得新圖G〇+U}=G(V，E，w')，其中，節(jié)點(diǎn)集V = M〇U U};邊集怎={如'， .、7)|u''(.V,.，Λ','片0，Λ','，Λ.,'Ε 的心！口|，/，./=1，2，9}。
[0241] 根據(jù)步驟b4,得到信息背景(Fo，Mo U h}，In)。
[0242] 獲取信息背景(Fo，MoU{rl}，In)的過程如下:對于任意的geFo，yeMoU{rl}，
[02創(chuàng)當(dāng)yEMo時，若gloy，則giny;當(dāng)y = n時，有g(shù)iny成立。
[0244] 根據(jù)步驟C采用基于概念格的信息提取方法，對屬性拓?fù)鋱DG(V，E，w〇的權(quán)值進(jìn)行 凈化，具體過程如下：
[0245] 依次對G(V，E，w')中的每一個權(quán)值W' (Xi，Xj)，Xi，XjeMo U {η}，i，j = 1，2,…，9與η 所擁有的對象集Fo作比較。若(xi，xj)中有不屬于Fo的對象，則將此對象從(xi，xj)，i，j =1，2，…，9中去掉，最后完成對G(V，E，w^ )中每邊上的權(quán)值的凈化，得到新的拓?fù)鋱DG(V，E， W)，其中，￥(6(￥，6，訊））=￥(6(￥，6，訊'））；6(6(￥，6，訊））=6(6(￥，6，訊'））；訊（義1，刮）為訊'（又1， xj)凈化后的權(quán)值，xi，xj EMo U h}，i，j = 1，2，. · ·，9。
[0246] 具體描述為:對每個gEw'(Xi，Xj)，
[0247] 如果各芭所，.那么凈化后的權(quán)值為w(Xi，Xj)=w/ (Xi，Xj)-{g};
[024引如果!>'E f("那么凈化后的權(quán)值與原權(quán)值相等，即W(Xi，Xj) = (Xi，Xj)。
[0249]因?yàn)棣菗碛械膶ο蠹癁镕o,任意gEw' (Xi，Xj)，都滿足gEFo,所Ww(Xi，Xj) =w' (Xi， Xj)。凈化后的鄰接矩陣為：
[0巧0]
[0251]步驟d采用基于概念格的信息提取方法，將G(V，E，w)中的屬性進(jìn)行分層，得到分層 圖，并對概念信息進(jìn)行提取，具體過程如下：
[0巧2] 令TN(ri)=Mo,即了的11)=化，(3，(1，6山邑山1}，|1〇|>2，對化燕，1〇)的概念信息尋 找進(jìn)行如下操作：
[0253] 根據(jù)步驟dl，采用基于概念格的信息提取方法，定義分層圖的第一層。
[0254] l^i={({ri}，{b，c，d，e，f，g，h，i}，{l，2,3,4,5,6,7,8})}。
[0255] 根據(jù)步驟d2,采用基于概念格的信息提取方法，基于分層圖的第一層尋找分層圖 的第二層L2，捜尋過程具體如下：
[0256] 根據(jù)步驟d2.i，基于第一層屬性n，尋找Wn為中屯、的下一層屬性集合?(η):
[0257] 本發(fā)明實(shí)施例中TN(rl) = {b，c，d，e，f，，g，h，i}，初始定義l(rl) = {}，
[0巧引 對6￡了^10,0，(1，6^，邑，}1，1￡了^11)-化}，滿足1徊，6)騎如如州'口，/，)騎(化刮， H'(y, /，）g"切，(.')，u(", Ζ，）g"切，./)，"切，/，）空"07,到，iv(w, /)) gu(,/，/!}，々）&1(口，/). 口J· 簡寫為：M(化 6) gw(?7, c)，w(ri，d)，w(ri，e)，w(ri，f)，w(n，g)，w(n，h)，w(n，i)，得l(n): = lb}。 [0 巧 9]對 〇￡了的11)，6，(1，6^，邑山1￡了的11)-{：。}，滿足"〇?，￡'>&1'(口','))，訊(11，(1)，訊(11，6)，￥ (n，f)，w(n，g)，w(n，h)，w(ri，i)，得Κη): = {Μ u k} = {b,c}。
[0260]對(1￡了的11)，6,〇,6^，邑，}14￡了的11)-{(1}，滿足14<口，旬空。'(7，/))，"(11，。），"(11，6)，" (n，f)，w(n，g)，w(n，h)，w(ri，i)，得l(n): = {b，c} U xv3r9jzsqg = {b，c，d}。
[026。 對6￡了則11)，6，。，0^，邑山1￡了則11)-{6}，因?yàn)榛?巨許的，亡')，所則（11):=化， c,d} ο 惦62 ]對f e TN (η)，b，C，d，e，g，h，i e TN (η) - {f}，因?yàn)?ii'( 'A. /'hi; h〇m/)，所 W1 (η): = {b， c,d} o
[0263] 對geTN(ri)，b，c，d，e，f，h，ieTN(ri)-{g}，因?yàn)閣切，容)g w(巧，約，w(n，c)，w(ri，d)， w(ri，e)，w(ri，f)，w(n，h)，w(ri，i)，所WKn): = {b，c，d，g}。
[0264] 對11￡了則11)，6，(3，(1，6^，邑4￡了則11)-化}，因?yàn)?'(口、/'!)弓1切幻，所^1(11)=化， c，d，g}。
[0265] 對記了則11)，6,〇，(1，6山邑，}1￡了則11)-化}，因?yàn)榇?，'')口初，到，所^1(11)=化，(3， d，g}。
[0%6]最后得 l(ri) = {b，c，d，g}。
[0267]根據(jù)步驟d 2 . 2，基于第一層屬性n，對于每一 .?? e/(如，尋找皆2的拓?fù)溧徲?物巧);
[026引本發(fā)明實(shí)施例，初始定義TN(b) = {}，be Κη)，
[0269]對 beTN(ri)且 w(6,6)=0，因此不與 w(ri，b)進(jìn)行比較，得 TN(b): = {};
[0^0]對ceTN(ri)且"你'片0，H(/)，（'）。1'〇7, /-，)，得TN(b): = k};
[0Z71 ]對deTN(ri)且h'(A，(啦0，""，，(/) '。巾7, 6)，得TN(b): = k,d};
[0Z7^ 對eeTN(ri)且w'化 e)=0，因此不與w(ri，b)進(jìn)行比較，得TN(b): = k，d};
[0的；3]對f eTN(ri)且冶，u(/，/) [u07, /))，得TN(b): = {：c，d，f};
[0274]對geTN(ri)且、雌，g)卓0，Η'(々若）亡"(化 /))，得TN(b): = k，d，f，g};
[027引對heTN(ri)且".(/)，/?片0，η?/λ/?) cTH07,々)，得TN(b): = k，d，f，g，h};
[0Z76]對iETN(ri)且W炸,0=0舊此不與w(n，b)進(jìn)行比較，得TN(b) : = k，d，f，g，h};
[0277]最后得到 TN(b) = k，d，f，g，h}。
[0278] 同理，可W得到TN(c) = {b，d，e，f，g，h，i}，TN(d) = {b，c，e，f}，TN(g) = {b，c，h, i} 〇
[0279] 根據(jù)步驟d2.3,捜尋第二層中的每一個屬性集中最后一個屬性的關(guān)鍵元，并進(jìn)行 概念信息的提取。
[0280] 完成步驟d2.1~d2.2之后，可得第二層中的第一個屬性集{ri，b}，b的拓?fù)溧徲騎N (b)，W及權(quán)重w(ri，b)，bEl(ri)。將第二層中的第一個屬性集中屬性b的關(guān)鍵元記為
[0281] L2{l} = ({n,b},TN(b),w(n,b))；
[0282] 同理，可得第二層中屬性c，d，g的關(guān)鍵元:L2{2} = ({ri，c}，TN(c)，w(ri，c));
[0283] L2{3} = ({ri，d}，TN(d)，w(ri，d));L2{4} = ({ri，g}，TN(g)，w(ri，g))。
[0284] 且提取概念為
[0285] Cp2{l} = (w(n,b),{n,b})；Cp2{2} = (w(n,c),{n,c})；
[0%6] Cp2{3} = (w(ri，d)，{ri，d}) ;Cp2{4} = (w(ri，g)，{n，g})。
[0287] 根據(jù)步驟d2.4,對l(ri)中每一屬性完成步驟d2.2~d2.3后，得到分層圖的第二層 L2：L2={({n,b},TN(b),w(n,b)),({n,c},TN(c),w(n,c)),({n,d},TN(d),w(n,d)),({n,g}, TN(g),w(n,g))}〇
[0288] 進(jìn)而提取第二層概念為：
[0289] Cp2={(w(n,b),{n,b}),(w(n,c),{n,c}),(w(n,d),{n,d}),(w(n,g),{n,g})}〇
[0290] 根據(jù)步驟d3,分層圖的第二層已經(jīng)獲得，即
[0291] L2={({n,b},TN(b),w(n,b)),({n,c},TN(c),w(n,c)),({n,d},TN(d),w(n,d)), ({n,g},TN(g),w(n,g))}〇
[0292] 采用基于概念格的信息提取方法，尋找分層圖的第Ξ層L3,操作過程具體如下：
[0293] 根據(jù)步驟d3.1，依次選取第二層的屬性b，c，d，g，即選取第二層屬性集{ri，b}、{ri， (：}、{11，(1}、{11，邑}中的最后一個屬性，尋找第^層的所有屬性。下面^屬性6為例進(jìn)行說明。
[0294] 根據(jù)步驟d3.1.1，Wb為中屯、凈化原始鄰接矩陣r，得新鄰接矩陣W= |w(xi，xj) IW (又1，刮）為"'佔(zhàn)，刮）凈化后的權(quán)值，化，刮￡]?日11{11}}，具體過程如下：
[02M]依次對G(V，E，W')中的每一個權(quán)值W' (xi，xj)(i，j = l，2，···，9)與w(rl，b)所擁有的 對象集{1，2,3,5,6}作比較。若w/(xi，xj)中有不屬于{1，2,3,5,6}的對象，則將此對象從 (xi，xj) (i，j = 1，2，…，9)中去掉，最后完成對G(V，E，)的權(quán)值的凈化，得到Wb為中屯、凈化 權(quán)值后的屬性拓?fù)鋱DG ( b ) = ( V，E，W )，如圖4所示，其中，巧巧6))c巧巧Γ， 必，材/))，巧巧城仁巧(?化玄，:悚〇)州佔(zhàn)，刊）為"'佔(zhàn)，刊）凈化后的權(quán)值，町響居1日^11}，1〇 =1，2，…，9。得到新的鄰接矩陣為：
[0296]
[0297]根據(jù)步驟d3.1.2,針對凈化后的G(b)，尋找Wb為中屯、的下一層屬性集合1(b)。注 意現(xiàn)在尋找第Ξ層屬性，前面兩層屬性都已經(jīng)得到。即（{ri，b}，TN(b)，w(ri，b))eL2。
[029引對每一個屬性 xETN(b)，令 w(b，x)與 w(b，ys)進(jìn)行比較，其中 yseTN(b)-{x}，s<9。 判斷w(b，x)是否包含于w(b，ys)，若H'(Z)，.r化Η化.V,)，則xel(b);反之，則挑膊);最后得1 化)。
[0299] 初始定義 l(b) = {}，TN(b) = {：c，d，f，g，h}，
[0300] 對ceTN(b)，d,f，g,heTN(b)-k}，滿足"(/，，（'）i/)，w(b,f)，w(b,g)，w(b,h)， 得 1(b): = k};
[0301 ]對deTN(b)，c,f，g,heTN(b)-xv3r9jzsqg，滿足w(b,d) =w(b,f)，得1(b): = k};
[0302] 對f eTN(b)，c,d,g,heTN(b)-{f}，滿足w(b,f) =w(b,d)，得 1(b): = k};
[0303] 對 geTN(b)，c，d，f，heTN(b)-{g}，滿足u的，,幻&Γ(/)，（')，w(b，d)，w(b，f)，w(b，h)， 得 1(b): = {；c，g};
[0304] 對heTN(b)，c，d，g，f ETN(b)-化}，滿足"的，Η"),到，得 1(b): = k，g};
[0305] 最后可得 l(b) = k，g}。
[0306] 根據(jù)步驟d3.1.3,通過上面所求得的l(b) = レ，g}，本步驟主要尋找TN(c)和TN (g)。注意現(xiàn)在是尋找第Ξ層中屬性C和g的拓?fù)溧徲颍懊鎯蓪訉傩缘耐負(fù)溧徲蚨家呀?jīng)獲 得，即（h，b}，TN(b)，w(n，b))eL2。
[0307] 針對凈化后的G(b)，任取義￡了則13)且>^<￡；, X盧0，cE 1(b)，驗(yàn)證w(c,x)是否真包含 于W (b，C)。如果 w(c, x)cW化C)，那么 X e TN (C);如果 w(c，對 CW化C)，那么 X € 77V(c)。
[0308] 初始定義TN(c) = {}，cel(b)，TN(b) = k，d，f，g，h};
[0309] 對cETN(b)且c)=0，不進(jìn)行比較，得TN(c): = {};
[0310] 對deTN(b)且?/戶0，</)。,如,<:')，得1的。）：={(1};
[0311] 對f ETN(b)且 1啦，./片0，、'啦，/)。抑，（')，得TN(c): = {d，f};
[0312] 對gETN(b)且 1啦,各片0，1啦'，到口.柳，（')，得TN(c): = {d，f，g};
[0313] 對hETN(b)且、/啦0，"((..,/?仁Η")，（')，得TN(c): = {d，f，g，M。
[0314] 最后得到TN(c) = {d,f，g,h}。
[0315] 同理，可得 TN(g) = k，h}。
[0316] 根據(jù)步驟d3.1.4,尋找第Ξ層中Wb為中屯、的關(guān)鍵元并進(jìn)行概念信息的提取。
[0317] 完成步驟d3.1.1~d3.1.3之后，得到第Ξ層中的屬性集h，b，C}及此屬性集最后 一個屬性 C 的拓?fù)溧徲?TN(c)W 及權(quán)重 w(ri，b，c)，其中 w(ri，b，c)=w(ri，b)nw(b，c)。
[031引根據(jù)步驟d3.1.4.1，因?yàn)闆]有與{rl，b，c}相同的屬性集，所WL3{l} = ({rl，b，c}，TN (C)，w(ri，b,c))。提取第Ξ層中的第一個概念Cp3{l} = (w(ri，b,c)，{ri，b,c})。
[0319] 完成步驟d3.1.1~d3.1.3之后，還可得到第Ξ層中的屬性集{ri，b，g}及此屬性集 最后一個屬性g的拓?fù)溧徲騎N(g)W及權(quán)重w(ri，b，g)，其中w(ri，b，g)=w(ri，b)nw(b，g)。
[0320] 根據(jù)步驟d3.1.4.1，因?yàn)闆]有與{ri，b，g}相同的屬性集，所WL3{2} = ({ri，b，g}，TN (邑），巧(11，13，邑））。提取第^層中的第二個概念〔口3{2} = (*(11，13，邑），{11，13，邑})。
[0321] 根據(jù)步驟d3.2，即依次選取C，d，g，重復(fù)步驟d3.1，可W得到
[0322] 1(。）= {13，(1}及了的13) = {(1^，，邑，11}，了的(1) = {13,6，;〇;
[0323] 1((1) = {；(3,門及1的(3) = {13,6，;〇，了的;〇 = {13，(3};
[0324] i(g) = {b，h}及TN(b) = k，h}，TN化）= {b，c，i}。
[0325] 在第Ξ層中尋找Wc為中屯、的關(guān)鍵元時，由于{ri，c，b}與前面{ri，b，c}屬性集相同， 故此時不再尋找屬性集h，c，b}最后一個屬性b的關(guān)鍵元。同理，對其他屬性集做同樣的處 理。
[0326] 最終得到：
[0327] L3{3} = ({n,c,d},TN(d),w(n,c,d))；L3{4} = ({n,d,f},TN(f),w(n,d,f))；
[032引 L3{5} = ({ri，g，h}，TN(h)，w(ri，d，h))。
[0329] 并可提取概念：
[0330] Cp3{3} = (w(n,c,d), {n,c ,d}) ；Cp3{4} = (w(n,d,f), {n,d,f})；
[0331] Cp3{5} = (w(ri，g，h)，{ri，g，h})。
[0332] 完成上面步驟后，可得到第Ξ層所有屬性集中最后一個屬性的關(guān)鍵元：
[0333] L3={({n,b,c},TN(c),w(n,b,c)),({n,b,g},TN(g),w(n,b,g)),({n,c,d},TN (d),w(n,c,d)),({n,d,f},TN(f),w(n,d,f)),({n,g,h},TN(h),w(n,g,h))}o
[0334] 進(jìn)而提取第Ξ層概念為：
[0335] Cp3={(w(n,b,c),{n,b,c}),(w(n,b,g),{n,b,g}),(w(n,c,d),{n,c,d}),(w(n, d,f),{n,d,f}),(w(n,g,h),{n,g,h})}o
[0336] 參照圖5，根據(jù)步驟d3.3，重復(fù)d3. l-d3.2直到某層每個屬性的拓?fù)溧徲蚓鶠榭占?則該屬性的下一層屬性也均為空集。本發(fā)明實(shí)施例，知=0，此時分層結(jié)束，得到（Fo，MoU (11}，1〇的除!(0，飾)^{聽)}的全部概念信息。
[0337] 根據(jù)步驟d3.4,分層結(jié)束后(Fo，MoU h}，In)的所有概念信息見表3。
[033引表3本發(fā)明方法完成步驟d3.4后所得(Fo，Mo U h}，In)的所有概念信息
[0339]
[0340] 根據(jù)步驟e采用基于概念格的信息提取方法，檢驗(yàn)所有概念信息是否齊全。 '
[0%1]根據(jù)步驟el. 2,由于圖Go+h}是加權(quán)有環(huán)圖，但不含有Ξ邊且各邊權(quán)值均相等的 環(huán)，因此不需要繼續(xù)捜尋概念。
[0342]根據(jù)步驟f采用基于概念格的信息提取方法，將(Fo，MoU{rl}，In)的所有概念內(nèi)涵 的η進(jìn)行刪除，得到(Fo，M〇，1〇)的全部概念信息。
[0；3創(chuàng)根據(jù)步驟η，刪除所有概念內(nèi)涵中的II，得到(F0，M0，I0)的所有概念信息見表4。 [0344]表4本發(fā)明方法完成步驟η后所得(F〇，M〇，I〇)的所有概念信息
[0345]
[0346] 根據(jù)步驟f2,得到(F，M，I)的所有概念信息見表5。
[0347] 表5本發(fā)明方法完成步驟f2后所得(F，M，I)的所有概念信息 [0；34 引
[0349] 參照張濤等人的方法流程圖如圖6所示，對整個屬性拓?fù)鋱D進(jìn)行概念信息提取。對 概念的捜索過程如圖7所示。從屬性拓?fù)鋱D中選擇一點(diǎn)為起點(diǎn)，進(jìn)行概念信息的捜索，每步 最先捜索到的為頂層屬性，如圖7(1)所示。頂層屬性d后省略的部分如圖7(2)所示，頂層屬 性g后省略的部分如圖7(3)所示，頂層屬性b后省略的部分如圖7(4)所示。圖7(1)，圖7(2)和 圖7(3)中的虛線表示捜索到的概念為偽概念，如（{5,6}，{b，d})為偽概念，（{5,6}，{b，d， f})為真正的概念信息。
[0350] 采用張濤等人的方法，捜索結(jié)束后得到(F〇，M〇，I〇)的概念信息見表6。
[0351] 表6張濤等人方法所得(F〇，M〇，I〇)的所有概念信息
[0352]
[0353] 實(shí)施例2,為了進(jìn)一步說明本發(fā)明的實(shí)用性，本發(fā)明使用UCI機(jī)器學(xué)習(xí)數(shù)據(jù)庫(UCI Machine Learning Repository)中的I3L0GGER數(shù)據(jù)集進(jìn)行測試。此數(shù)據(jù)集是對100個對象分 別從學(xué)歷、政治立場、博客主題、是否被當(dāng)?shù)孛襟w轉(zhuǎn)載、地方，政治和社會空間、該博主是否 為臨博主6個方面進(jìn)行調(diào)查得到的。本發(fā)明對此數(shù)據(jù)集提取了 14個屬性和100個對象，運(yùn)些 屬性和對象的關(guān)系包括了信息背景中可能出現(xiàn)的所有關(guān)系。由于凈化后的背景直觀明確， 本發(fā)明首先凈化此數(shù)據(jù)集，進(jìn)而進(jìn)行概念信息提取。表7為凈化后的信息背景(Fi，Mi，Ii)，包 括14個屬性，41個對象。
[0354]表7凈化后的信息背景化，Ml，ω [0355]

[0356] 注:表7中各字母代表的含義分別如下:
[0357] a:博主為高學(xué)歷;b:博主為中等學(xué)歷；C:博主學(xué)歷較低；d:政治立場為左派；e:政 治立場為中立;f:政治立場為右派;g:博客主題為感想;h:博客主題為政治；i :博客主題為 旅游；j博客主題為新聞；k:博客主題為科學(xué)；1:博客被當(dāng)?shù)孛襟w轉(zhuǎn)載;m:地方，政治和社會 空間;η:該博主為臨博主。
[0358] 根據(jù)步驟b得到實(shí)施例2的鄰接矩陣W/，見說明書第30頁。
[0359] 其對應(yīng)的屬性拓?fù)鋱D如圖8所示(若與某節(jié)點(diǎn)相連接的邊中，既有單向指向該節(jié)點(diǎn) 的邊，又有單向指出邊或雙向邊，則與該節(jié)點(diǎn)相連接的邊，在圖中用虛線表示）。
[0360] 采用本發(fā)明的方法，得到化，Ml, Ii)的概念信息見表8。
[0361] 表8本發(fā)明方法所得化，Ml, Ii)的所有概念信息
[0362]
「Π 3Α31
[0364] 實(shí)施例3,為了快速比較本發(fā)明方法與張濤等人的方法的復(fù)雜度，本實(shí)施例選取較 簡單的信息背景。信息背景(F2，M2，l2)見表9，，其凈化后的信息背景化，Μ3，?3)見表10。采用 本發(fā)明方法，得到信息背景(F3，M3，l3)的全部概念信息見表11。本發(fā)明從實(shí)施例3的信息背 景中提取數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，從程序的循環(huán)次數(shù)和執(zhí)行時間兩方面，與張濤等人的方法進(jìn)行比 較，所得數(shù)據(jù)見表12。
[0365] 結(jié)合本發(fā)明實(shí)施例和實(shí)驗(yàn)分析，得到結(jié)論：
[0366] I、本發(fā)明采用一種基于概念格的信息提取方法，與使用張濤等人的全路徑遍歷方 法，所得到的概念信息相同，都能夠獲得信息背景全部的概念信息。
[0367] II、由圖9得η <21時，本發(fā)明方法比張濤等人的方法復(fù)雜度要高。
[0368] III、由圖10得η>21時，本發(fā)明方法復(fù)雜度比張濤等人的方法復(fù)雜度低。并且隨著 樣本數(shù)目的增大，本發(fā)明方法復(fù)雜度會越來越低于張濤等人的方法復(fù)雜度。
[0369] IV、由表12得出對于大數(shù)據(jù)信息背景，由于本發(fā)明方法遠(yuǎn)遠(yuǎn)優(yōu)越于張濤等人的方 法，選擇本發(fā)明的方法獲取信息概念更為適宜。
[0370]
[037。 表10(F2，M2，l2)凈化后的信息背景化，M3，l3)
[0372]
[0375]表12本發(fā)明方法與張濤等人的方法復(fù)雜度對比
[0376]
[0377] 注釋:循環(huán)次數(shù):程序循環(huán)體中語句的最多執(zhí)行次數(shù)，是用來刻畫時間復(fù)雜度;時 間:程序執(zhí)行時間。將表12中數(shù)據(jù)繪制成曲線圖，所得結(jié)果如圖9和圖10所示。
[037引
【主權(quán)項(xiàng)】
1. 一種基于概念格的信息提取方法，其特征是，包括如下步驟： a、 將原始信息背景(F，M，I)進(jìn)行預(yù)處理，得到凈化后的信息背景(Fo，Mo，Io)，并將此凈 化后的信息背景轉(zhuǎn)化為一屬性拓?fù)鋱D的鄰接矩陣；此鄰接矩陣對應(yīng)屬性拓?fù)鋱DGo= (Vo (60)而(6〇))，其中，￥()(6())=1()而(6()) = {6(叉，7)4，#1()，且1，7擁有公共的對象}; b、 為屬性拓?fù)鋱DGo添加一節(jié)點(diǎn)屬性ri，得到一個新的屬性拓?fù)鋱DGo+h}; C、對新的屬性拓?fù)鋱DGo+ {η}的權(quán)值進(jìn)行凈化，即：在每一邊的權(quán)值W' (Xi，Xj)中去掉不 屬于η擁有的對象集中的對象;其中每一邊的權(quán)值為相鄰兩節(jié)點(diǎn)所擁有的公共對象集;凈化 后的權(quán)值用w(xi，Xj)表示，Xi，Xj EMo U {q}，i，j = 1，2，…，I Mo I +1; d、 利用凈化后的屬性拓?fù)鋱D的權(quán)值之間的關(guān)系將各屬性進(jìn)行分層，得到分層圖，并提 取概念信息； e、 檢驗(yàn)所有概念信息是否齊全，若未齊全，繼續(xù)尋找概念信息，直到概念信息齊全； f、 刪除(F ο，Μ 0 U {η}，I 〇)中所有概念內(nèi)涵中的η，得到(F ο，Μ ο，10)的全部概念信息，將步 驟a中凈化掉的屬性與對象重新恢復(fù)為(Fo，MQ，I())的信息，從而得到原始信息背景(F，M，I) 的全部概念信息。2. 根據(jù)權(quán)利要求1所述的基于概念格的信息提取方法，其特征是，步驟a中將原始信息 背景(F，M，I)進(jìn)行預(yù)處理，具體是:刪除原始信息背景中的全局屬性、全局對象、空屬性、空 對象；同時保留等價屬性中的一個，將其他的屬性進(jìn)行刪除;保留等價對象中的一個，將其 他的對象進(jìn)行刪除;最后得到凈化后的信息背景(Fo，Mo，I 0)。3. 根據(jù)權(quán)利要求1所述的基于概念格的信息提取方法，其特征是，步驟b中所添加的節(jié) 點(diǎn)屬性η滿足{η} = Mo或{?/}=0。4. 根據(jù)權(quán)利要求3所述的基于概念格的信息提取方法，其特征是，步驟b具體包括如下 步驟： 匕1、選取屬性11，且11滿足_!巾=0;^所擁有的對象集為?〇; b2、在屬性拓?fù)鋱DGo上添加屬性II作為一節(jié)點(diǎn)，連接節(jié)點(diǎn)II與圖Go中各節(jié)點(diǎn)，得|Mo|條邊， 且每邊權(quán)值為，（η，Xi)，Xi ΕΜο，i = 1，2，…，I Mo I ;最終得到新的屬性拓?fù)鋱DGo+h}，且Go+ {n} =G(V，E，W')，其中，V為節(jié)點(diǎn)集，V = M〇 U {q} ;E為邊集，dK.v,., Xj)^0, Χ?， XjeM〇u{^f, i, j=l, 2, ..., |M〇|+l}； b3、獲取信息背景(Fq，Mq U {q}，In)，其中 /,€ ~<( 獲取信息背景的屬1^11}山)的具體過程為： 對于任意的geF()，yeM()U{n}; 當(dāng)y eMo時，若gloy，則glny;即：若對象g在(Fo，Mo，Io)中擁有屬性y，則對象g在(Fo，Mo U h}，In)中也擁有屬性y; 當(dāng)y=n時，有g(shù)lny成立。5. 根據(jù)權(quán)利要求1所述的基于概念格的信息提取方法，其特征是，步驟d具體包括如下 步驟： dl、定義分層圖的第一層Li Li={({n}，TN(n)，w(n))} 其中，Li為單點(diǎn)集；{n}為第一層的屬性集，TN(n)為屬性n的拓?fù)溧徲?，w(n)為屬性n所擁 有的對象集；（{n}，TN(n)，w(n))為屬性η的關(guān)鍵元； d2、基于分層圖的第一層u，尋找分層圖的第二層l2 ; \Ζι !， 7：￥(λ·：/ ), η\η, Α'：( ))| λ%e/(//)> ,/2 = 1,2..,,/, , Λ-??? Μ〇! | ； 其中，?(η)表示以η為中心所選擇的下一層屬性集合，?(η)滿足如下條件： /(/》={ I εΓΛτ(亦對仟意.ve(TW(?7)-{χ2/、丨 >，滿足 η切，χ2λ )落 7), 乂 = l，2.,.，r2, )表示以ri為中心所選擇的屬性％&的拓?fù)溧徲?，x2,: e /(/7)^(? )滿足如下條 件：并提取第二層的概念信息Cp2:d3、根據(jù)步驟dl~d2可得分層圖的第(i-Ι)層，i為整數(shù)，且i>2; 假設(shè)分層圖的第(i_l)層L(inl)已經(jīng)獲得，即：根據(jù)分層圖的第(i-Ι)層L(inl)尋找分層圖的第i層L1;其中，巧表示第i層中第上個屬性集中的最后一個屬性； /(?Vuk)表示以為中心所選擇的下一層屬性集合，4VI,)滿足如下條件：)表示以為中心所選擇的％的拓?fù)溧徲颍? Ε/(·ν_1υ_))滿足如 下條件：并提取第i層的概念信息Cp1:d4、如果第（i-1)層中每一屬性集{符，_ \，_ ，…，_ 的最后一個屬性 的拓?fù)溧徲蚓鶠榭占?，則該屬性的下一層屬性也均為空集，即1,=0，此時分層結(jié)束， 否則重復(fù)步驟d3直到分層結(jié)束； d5、分層結(jié)束后(F〇，M〇 U {η}，Ιη)的所有概念信息為，_其中η〇為屬性分層的 總層數(shù)。6. 根據(jù)權(quán)利要求5所述的基于概念格的信息提取方法，其特征是，步驟d3中在根據(jù)分層 圖的第（i-Ι)層L(1〇尋找分層圖的第i層1^時，首先要以％似^為中心凈化步驟b中屬性拓 撲圖g〇+ {η}對應(yīng)的鄰接矩陣，即：將屬性拓?fù)鋱Dg〇+ {η}中的每一邊的權(quán)值V (xi，X」)與屬性 集{;/，x2,: x3/3，…，χ(Μ)"}共同擁有的對象集8作比較，若w'( Xi，Xj)中有不屬于B的對象， 則將此對象從W (Xl，&)中去掉，最后完成對屬性拓?fù)鋱DGo+W}的權(quán)值的凈化，得到以 i-iuu為中心凈化權(quán)值后的屬性拓?fù)鋱D及相應(yīng)的鄰接矩陣； 之后根據(jù)得到的以％，《為中心凈化權(quán)值后的屬性拓?fù)鋱D及相應(yīng)的鄰接矩陣，尋找以 為中心的下一層屬性集合/(·ν^,)，并尋找中相應(yīng)屬性的拓?fù)溧徲颍? 最終尋找到分層圖的第1層1^，并提取到第i層的概念信息CPl。7. 根據(jù)權(quán)利要求5所述的基于概念格的信息提取方法，其特征是，步驟d3中在尋找分層 圖的第i層1^時，若第i層中的前(jfl)個屬性構(gòu)成的集合均與目前屬性集!小 χ(?-?υ',Μ, * -? }不同，則得到第i層中的第上個屬性集中最后一個屬性~的關(guān)鍵元為否則判定第i層中屬性々的關(guān)鍵元不存在； 如果關(guān)鍵元Li{ji}存在，則提取第i層中的第ji個概念&A:，...> Vuv,>，x",)，I"，氣,;，·Υ3Λ，.:.*， .Vi",μ,，λ>」）； 如果關(guān)鍵元不存在，則無概念可提??； 最終得到第i層中所有的關(guān)鍵元：并提取第i層中所有的概念：8. 根據(jù)權(quán)利要求5所述的基于概念格的信息提取方法，其特征是，步驟e中，判斷概念信 息是否齊全具體是： 判斷步驟b中屬性拓?fù)鋱DGo+h}是否為加權(quán)無環(huán)圖，若是，則表明概念信息齊全，不需要 繼續(xù)尋找概念信息;若否，則再判斷屬性拓?fù)鋱DGo+h}是否為加權(quán)有環(huán)圖，且不含有三條邊 且各邊權(quán)值均相等的環(huán)，若是，則表明概念信息齊全，不需要繼續(xù)尋找概念信息，若否，則表 明概念信息不齊全，需要繼續(xù)尋找概念信息。9. 根據(jù)權(quán)利要求8所述的基于概念格的信息提取方法，其特征是，步驟e中，當(dāng)概念信息 不齊全需要繼續(xù)尋找概念信息時，具體尋找過程如下： el、對根據(jù)步驟d3所得到的第三層中的任意兩個概念的對象集求交集，并將交集非空 的兩個概念組合為另一個不同的概念;具體如下： el. 1、依次取第三層中的每一概念Cp3{i}，i = 1，2,. . .，η?3,以及該概念之后的每一概念 Cp3 {j}, i < j < m3 ； 61.2、若1;/丨「認(rèn);」>0.則組合為概念〇?。= 0{丨}川{兒￥{丨}價{川，否則不組合 概念； e2、重復(fù)步驟el，將第三層中任意兩對象集相交非空的概念，組合為新概念，從而得到 組合后的全部概念，記為 Cpci = {Cpij | Cpij= (X{i} nX{j}，Y{i}UY{j})，i = l，2，...，m3，i<j《m3}; e3、去除Cpcl中的偽概念，具體如下： e3.1、依據(jù)對象集，將Cpu中的所有概念進(jìn)行分類，每一類概念具有相同的對象集； e 3 . 2、將每一類中所有概念的屬性進(jìn)行合并，對象集不變，組合為一個概念1其中Pk為第k類概念中所有概念的個數(shù)，Ykq為第k類概念中第q個概念的 屬性集，Xk為第k類概念的共同對象集； e3.3、最后得概念集Cpdi={Cpdi{k} |k=l,…，pk}; e4、初步得到部分剩余概念Cpd，具體如下： 令Cpel = Cpdl-Cpq，其中Cpq為根據(jù)步驟(15得到的概念； e5、得到其余剩余概念;給定初始值i = 1，具體操作如下： e5.1、對Cpel中任意兩個概念進(jìn)行比較，若兩個概念的對象集交集非空，則將這兩個概 念組合為一個概念，組合規(guī)則按步驟el. 2進(jìn)行;最后得概念集CPc；(1+1); e5.2、依據(jù)步驟e3去除Cpc(i+1)中的偽概念，得到概念Cpd(i+1); e5.3、得到部分剩余概念 Cpe(iui) = Cpd(i+i)-Cpei; e5.4、令i = i+1，重復(fù)步驟e5.1到e5.3，直到任意兩個概念對象集交集為空，搜尋結(jié)束； 最后得到所有剩余概念為e6、最后去除Cpe中的偽概念:對于對象集相同的概念，保留屬性集最大的概念，其余去 掉； e7、到此為止，得到(Fo，Mo U {η}，I〇)的全部概念信息Cp = Cpq U Cpe。10.根據(jù)權(quán)利要求2所述的基于概念格的信息提取方法，其特征是，步驟f具體是： π、刪除所有概念內(nèi)涵中的η;概念內(nèi)涵即指概念內(nèi)的屬性； f2、將凈化掉的每一全局屬性，重新恢復(fù)為概念內(nèi)涵中的元素； f3、將凈化掉的每一全局對象，重新恢復(fù)為概念外延中的元素;概念外延即指概念內(nèi)的 對象； f4、將凈化掉的每一空屬性，重新恢復(fù)為(0，M〇)的內(nèi)涵中的元素； f5、將凈化掉的每一空對象，重新恢復(fù)為(巧，0)的外延中的元素； f6、將等價屬性中凈化掉的屬性，重新恢復(fù)為概念內(nèi)涵中的元素； f 7、將等價對象中凈化掉的對象，重新恢復(fù)為概念外延中的元素。
【文檔編號】G06F17/30GK105824936SQ201610157420
【公開日】2016年8月3日
【申請日】2016年3月18日
【發(fā)明人】毛華, 劉祎超, 楊蘭珍, 王剛
【申請人】河北大學(xué)