关联学习:关联关系挖掘新视角

摘要：

关联关系挖掘与发现是大数据挖掘与分析的重要基础,现有的关联关系挖掘方法多是对数据进行统计分析,对未知数据缺少关联判别作用.尝试从学习的角度进行关联关系挖掘,给出了关联学习的形式化定义和相关概念,并根据关联学习定义构建学习数据集.具体地构建了2类关联图像数据集(two class associated image data sets,TAID),利用卷积神经网络提取关联特征,然后分别用softmax函数和K近邻算法判别关联关系,基于此提出3种关联关系判别器:关联图像卷积神经网络判别器(associated image convolutional neural network discriminator,AICNN)、关联图像LeNet判别器(associated image LeNet discriminator,AILeNet)和关联图像K近邻判别器(associated image K-nearest neighbor discriminator,AIKNN).3种关联判别器在TAID数据集上进行测试,AICNN在64×64像素90000个训练样本上的判别精度达0.8217,AILeNet在256×256像素22500个训练样本上的判别精度达0.8456,AIKNN在256×256像素22 500个训练样本上的判别精度达到0.866 4.这3种关联判别器有效地证明了学习角度挖掘关联关系的可行性,

关键词：关联关系、关联学习、关联判别器、关联图像数据集、关联学习准则

所属期刊栏目：57

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金项目;山西省拔尖创新人才支持计划项目;山西省三晋学者项目;山西省回国留学人员科研项目

在线出版日期：2020-06-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：424-432