基于复杂类型数据的发现特征子空间模型(DFSSM)的研究

探讨围绕知识发现领域中较为宏观、较为重大的问题。首先 ,根据复杂类型数据 (包括Web数据、多媒体数据、空间数据、时间序列数据等 )所具有的非线性动力学性质和特征 ,采用模式 (定义为Hilbert空间中的矢量 )来定量地表征复杂类型数据的多变性及具有的不确定状态和行为 ,并用模式的变化来刻画其整体知识发现过程的发展和演变规律 ;其次 ,以知识发现系统内在机理的研究为基础 ,构造了复杂类型数据知识发现系统的总体结构模型———发现特征子空间模型DFSSM ;最后 ,用基于Web的文本挖掘系统和基于图像信息 (气象云图 )的知识发现系统作为实例进行了验证 ,结果表明DFSSM方法对于非结构化的文本数据及图像数据类型的知识发现过程具有指导性作用。因此 ,该结构模型具有较好的实用性与普适性 。

基于发现特征子空间模型的文本分类算法

在非结构化数据挖掘结构模型,即发现特征子空间模型(DFSSM)的运行机制下,提出了一种新的文本分类算法——基于DFSSM的文本分类(TCDFSSM)算法。该算法在文本训练及分类阶段的基础上增加了自动反馈阶段,使得TCDFSSM具有自学习能力,并给出了文本分类过程反馈阈值的选取算法。结果表明,该算法分类效果良好,其自学习能力、适应性及鲁棒性更加优越。

基于DCSSM的文本特征提取及文本挖掘研究

提出了用模式作为复杂类型数据的知识表示方法,结合结构化数据挖掘给出了基于复杂类型数据知识发现的结构模型——发现特征子空间模型DCSSM。在此基础上讨论了文本特征提取及文本挖掘的方法。

基于DFSSM的WEB文本挖掘过程的研究和应用

给出DFSSM的一般性描述,通过对特征词选取方法的介绍和文本表示方法的分析,进而给出该模型下文本挖掘中具体过程,最后结合项目背景分析了DFSSM模型下文本挖掘的过程,从而设计出高效的文本挖掘工具.