大数据时代下概念格的多粒度构造研究
面向时空数据的多粒度结构化表示
面向时空数据的多粒度结构化表示随着互联网和移动互联网技术的发展，大量的时空数据被不断产生和积累，这些数据涵盖了各种领域的信息，包括但不限于人口流动、交通状况、天气变化、自然灾害等。
如何对这些时空数据进行有效的管理和分析，已成为当前数据科学和空间信息科学领域的重要课题之一。
在这一背景下，面向时空数据的多粒度结构化表示成为了一种重要的技术手段。
时空数据的特点之一是具有多尺度性，即同一时空区域在不同尺度下体现出不同的特征和规律。
为了更好地利用时空数据，必须对其进行多粒度的结构化表示。
多粒度结构化表示是指在不同尺度下对时空数据进行层次化和结构化的描述，以便于提取不同层次下的时空特征和规律。
在实际的应用中，时空数据的多粒度结构化表示可以通过以下几种方式实现：1.基于网格的多粒度表示网格是一种常见的时空数据表示方法，将时空区域划分成若干个网格单元，每个单元可以表示某一时刻或某一时间段内的时空信息。
基于网格的多粒度表示即是在不同尺度下对时空网格进行划分和组合，以获得不同粒度下的时空描述。
例如可以通过对网格单元进行逐级聚合或细分，来得到不同层次的时空信息。
2.基于层次化结构的多粒度表示层次化结构是一种对时空数据进行多尺度表示的有效手段。
通过将时空数据分解成若干个层次，每个层次对应一定的尺度范围，可以实现对不同尺度下的时空特征进行描述。
这种方法通常通过树状结构或图状结构来实现，例如四叉树、六角网格等，以便于对时空数据进行多粒度的组织和管理。
3.基于时空统计模型的多粒度表示时空统计模型是一种用于描述时空数据特征和规律的数学模型，可以对时空数据进行概括和概率推断。
在多粒度表示中，可以通过建立不同尺度下的时空统计模型，来获取不同粒度下的数据特征和规律。
例如可以通过构建不同尺度下的空间自相关模型、时空插值模型等，来描述不同层次下的时空数据。
面向时空数据的多粒度结构化表示具有重要的理论和实际意义。
多粒度表示可以帮助我们更好地理解时空数据的内在规律和机制，为时空数据的分析和挖掘提供了基础。
推荐系统中的多粒度建模方法研究
推荐系统中的多粒度建模方法研究摘要：推荐系统是一种用于根据用户的兴趣和偏好向其推荐相关内容的技术。
多粒度建模方法是一种能够更好地理解用户兴趣和提高推荐准确性的技术。
本文将介绍多粒度建模方法在推荐系统中的应用，并分析其优势和挑战。
此外，本文还将探讨未来多粒度建模方法在推荐系统中的发展方向。
1. 引言随着互联网技术的发展，人们在信息获取方面面临着越来越多的选择。
为了解决信息过载问题，推荐系统应运而生。
传统的推荐系统主要基于用户行为数据或内容特征进行建模，但这些方法往往无法准确地理解用户兴趣。
2. 多粒度建模方法2.1 基于内容特征基于内容特征进行多粒度建模是一种常见且有效的方法。
通过对物品或用户进行特征提取，并将其表示为向量形式，可以更好地理解物品和用户之间的关系。
2.2 基于行为数据基于行为数据进行多粒度建模是另一种常见的方法。
通过分析用户的历史行为数据，可以推断用户的兴趣和偏好，并将其用于推荐系统中。
2.3 基于社交网络基于社交网络进行多粒度建模是一种新兴的方法。
通过分析用户在社交网络中的关系和交互，可以更好地理解用户之间的影响和关联。
3. 多粒度建模方法在推荐系统中的应用3.1 个性化推荐多粒度建模方法可以更准确地理解用户兴趣，从而提供更个性化的推荐结果。
通过将用户和物品表示为向量形式，并计算它们之间的相似度，可以为每个用户提供最相关和个性化的推荐结果。
3.2 冷启动问题多粒度建模方法可以有效地解决冷启动问题。
冷启动问题是指在没有足够历史数据或行为数据时如何进行准确推荐。
通过基于内容特征或社交网络进行多粒度建模，可以更好地理解物品或用户，并提供准确且相关性高的推荐结果。
4. 多粒度建模方法面临的挑战4.1 数据稀疏性由于数据稀疏性问题，很难获得足够数量和质量高的数据用于建模。
这导致多粒度建模方法在实际应用中面临一定的挑战。
4.2 算法复杂性多粒度建模方法通常需要复杂的算法和计算，这对计算资源和时间要求较高。
多粒度复杂网络的建模与分析方法研究
多粒度复杂网络的建模与分析方法研究【导读】复杂网络是自然界和社会生活中的普遍现象，它们对人们的生活产生了深远的影响。
多粒度复杂网络建模及分析方法的研究已经在应用领域得到了广泛的关注，本文将讨论这方面的一些重要工作。
一、背景复杂网络由大量节点（或个体）和它们之间的连边（或关系）组成。
这些网络在社会、生物、技术、自然等领域中具有普遍性，并展现出了很多不寻常的性质。
例如，许多实际网络都呈现出无标度网络拓扑结构，即少数节点拥有极大的度数，而大部分节点仅有少数的连接。
另外，某些实际网络呈现出小世界现象，即节点之间的距离很短，但存在若干个”大本领“节点，如果将它们与其它节点断开，网络的全局特性将会大大改变。
多粒度复杂网络建模及分析方法的研究已经在应用领域得到了广泛的关注。
从复杂网络建模与分析的角度来看，多粒度建模与分析是一种有效的方法，它能够帮助我们发现和理解复杂网络中的规律、随机性、异质性和许多现实问题中的重要特性。
在这篇文章中，我们将介绍一些在多粒度复杂网络建模及分析方面的重要工作。
二、多粒度建模的基本原理多粒度建模基于复杂系统中的重要观察，并利用特殊技术将它们以多种不同的方式映射到模型中。
这种方法的目标是针对同一现象构造不同的模型，在从它们得到的不同结果中寻找共同点，并得出一般性结论。
在多粒度建模方法中，主要通过以下三种方式进行：1. 尺度分解当我们需要应对一个大型系统时，往往需要先进行尺度分解，这可以让我们将初始系统划分为若干个子系统，而这些子系统可能具有不同的尺度。
在这种情况下，我们需要对每个子系统进行不同的建模，以适应不同尺度的特征。
尺度分解的过程中，还需要考虑一个问题，即在多粒度模型中，不同尺度之间应该如何联系。
2. 级联化在复杂网络中，很多节点起到了承担不同角色的作用，这些节点应该故障，整个复杂网络也会受到影响。
为了理解节点之间的依赖关系，在多粒度建模的过程中，我们需要对节点进行级联化处理。
面向时空数据的多粒度结构化表示
面向时空数据的多粒度结构化表示
随着时空数据的广泛应用和数字化程度的不断提高，如何有效地处理和管理时空数据成为了一个重要的问题。
多粒度结构化表示是一种解决时空数据管理问题的有效方法。
多粒度结构化表示是一种将时空数据进行分类、组织和表示的方法，其中时空数据被分为多个粒度，并且每个粒度内的数据都被结构化表示。
在多粒度结构化表示中，时空数据的粒度可以是时间、空间或时间空间的组合，例如按天、小时、分钟划分时间粒度，按区域、街道、建筑划分空间粒度，按城市、国家、世界划分时间空间粒度等。
在多粒度结构化表示中，时空数据的结构化表示可以采用各种形式，例如层次结构、网格结构、栅格化表示等。
例如，在网格结构中，时空数据可以被放置在一个网格上，每个网格可以表示一个特定的地理区域或一个特定的时间点，而在栅格化表示中，时空数据可以被分成多个栅格，每个栅格可以表示一个特定的地理区域或时间段。
在多粒度结构化表示中，数据的分类和组织通常通过一些抽象层次和概念来完成。
例如，在按时间划分数据粒度的情况下，可以将数据分为日数据、月数据、年度数据等，而在按空间划分数据粒度的情况下，可以将数据分为区域数据、国家数据、全球数据等。
多粒度结构化表示的优势在于它可以帮助我们有效地处理和管理大规模时空数据。
具体来说，多粒度结构化表示可以帮助我们快速找到和处理时空数据，并且可以通过精细的分类和组织来提高时空数据的查询和计算效率。
此外，多粒度结构化表示还可以支持多种时空数据分析和应用，包括时空数据挖掘、时空数据可视化、时空数据建模等。
总之，多粒度结构化表示是一种有效的时空数据管理方法，可以帮助我们更好地处理和管理大规模的时空数据，同时也可以支持多种时空数据应用和分析。
多粒度粗糙集数据分析研究的回顾与展望
从 不 同 的 粒 度 （ｇｒａｎｕｌａｒｉｔｙ）上 观 察、分 析 与 解决同一问题，是人类智能的特点之一。粒计算 （Ｇｒａｎｕｌａｒｃｏｍｐｕｔｉｎｇ，ＧｒＣ）是 Ｌｉｎ在分析 Ｚａｄｅｈ的 信息 粒 度 （ｉｎｆｏｒｍａｔｉｏｎｇｒａｎｕｌａｒｉｔｙ）［１］基 础 上 于 １９９７年 首 次 提 出 的［２］，它 模 拟 人 类 思 考 问 题 的 自然模式，以粒（ｇｒａｎｕｌｅ）为基本计算单位，以处
能从极不 相 同 的 粒 度 上 观 察 和 分 析 同 一 问 题。” 粒计算主要研究粒的构造、解释、表示、在有不 同尺度或粒度空间研究粒计算问题时，还要考虑 最优尺度或粒度的选择，以及存在于粒之间的粒 ＩＦＴＨＥＮ规则的提取和相关的理论与算法等。目 前，粒计算已成为人工智能领域和大数据处理的 重要方法［６－７］。
收稿日期：２０１８０３１４ 基金项目：国家自然科学基金资助项目（６１５７３３２１，４１６３１１７９）；浙江省自然科学基金资助项目（ＬＹ１８Ｆ０３００１７） 作者简介：吴伟志，男，浙江舟山人，教授，博士生导师，从事粗糙集、概念格、粒计算、数据挖掘研究。
·５０２·
西北大学学报（自然科学版） 第 ４８卷
理大规模复杂数据集和信息等建立有效的计算模 型为目标。后来，Ｌｉｎ［３］和 Ｙａｏ［４］分别对粒计算研 究的一些基本问题进行了阐述。我国张钹院士和 张铃教授 提 出 的 商 空 间 理 论［５］被 公 认 为 粒 计 算 的另一个重要 模 型，该 理 论 明 确 指 出 “在 问 题 求 解研究中，人类智能的一个公认特点，就是人们
多粒度粗糙集数据分析研究的回顾与展望
吴伟志１，２
（１．浙江海洋大学 数理与信息学院，浙江 舟山 ３１６０２２；２．浙江省海洋大数据挖掘与应用重点实验室，浙 江 舟山 ３１６０２２）
两种多粒度形式概念分析模型的比较研究
2020，56（10）1引言形式概念分析[1]是一种进行数据分析的有效数学工具，其核心概念为形式背景、形式概念与概念格。
通过概念格所展现出的概念之间的特化与泛化关系，揭示了数据表的内在结构，刻画了对象与属性之间的依赖关系。
近年来，一个有趣的研究方向是将多粒度计算的思想融入到形式概念分析之中，由此产生了不同的多粒度形式概念分析模型[2-16]。
形式概念分析的粒计算方法包括形式背景的对象粒化[2]、属性粒化[3-8]、关系粒化[9-11]等，这些方法除了可以缓解庞大的概念个数之外，还可以获两种多粒度形式概念分析模型的比较研究折延宏1，胡梦婷2，贺晓丽1，曾望林21.西安石油大学理学院，西安7100652.西安石油大学计算机学院，西安710065摘要：多粒度形式概念分析是近年来形式概念分析领域的一个热点方向。
基于属性聚类与属性粒化是两种典型的方法。
围绕Wille形式概念分析模型以及面向对象概念分析模型对这两种方法进行了深入的对比研究。
首先引入了基于属性聚类的Wille概念分析模型，证明了已有的基于属性粒化的形式概念分析模型是该模型的一种特殊情形。
将已有的基于属性粒化的面向对象概念分析模型拓展至基于属性聚类的情形，研究了聚类前后外延集的变化规律，证明了聚类前后外延集仍然保持不变的充分必要条件，所得结果进一步推广了已有文献中的结论。
关键词：属性粒化；属性聚类；Wille概念格；面向对象概念格文献标志码：A中图分类号：TP18doi：10.3778/j.issn.1002-8331.1905-0089折延宏，胡梦婷，贺晓丽，等.两种多粒度形式概念分析模型的比较研究.计算机工程与应用，2020，56（10）：51-55. SHE Yanhong,HU Mengting,HE Xiaoli,et parative study between two multigranulation formal concept analysis puter Engineering and Applications,2020,56（10）：51-55.Comparative Study Between Two Multigranulation Formal Concept Analysis ModelsSHE Yanhong1,HU Mengting2,HE Xiaoli1,ZENG Wanglin21.College of Science,Xi’an Shiyou University,Xi’an710065,China2.College of Computer Science,Xi’an Shiyou University,Xi’an710065,ChinaAbstract：Multigranulation formal concept analysis is one hot topic in the research area of formal concept analysis, among others,attribute clustering and attribute granulation are two representative methods.This paper performs a compar-ative study between these two methods based on Wille formal concept analysis.A type of Wille concept analysis model has been introduced based on attribute clustering,and then it has been shown that the model based on attribute granulation is a particular case based on attribute clustering.Furthermore,this paper extends object-oriented formal concept analysis model based on attribute granulation to that based on attribute clustering,and studies the changing law of extents and pro-vides a necessary and sufficient condition for the fact that the extents remain unchanged after clustering,the obtained results further generalize the existing results.Key words：attribute granulation;attribute clustering;Wille concept lattice;object-oriented concept lattice基金项目：国家自然科学基金（No.61976244，No.61472471）；陕西省创新人才推进计划-青年科技新星项目（No.2017KJXX60）；陕西省教育厅科研计划项目（No.18JK0625）。
面向时空数据的多粒度结构化表示
面向时空数据的多粒度结构化表示时空数据是指在特定时刻和特定地点获取的数据，包括时间和空间信息。
时空数据的多粒度结构化表示是指将时空数据按照不同的粒度进行分类和表示，使得数据能够更加有序、清晰地展现其时空特征。
这种多粒度结构化表示可以帮助我们更好地理解时空数据的特点，从而为相关的分析和决策提供更有力的支持。
时空数据的多粒度结构化表示可以从时间和空间两个维度进行分类。
在时间维度上，时空数据可以按照不同的时间尺度进行表示，如年、月、日、小时等。
在空间维度上，时空数据可以按照不同的空间尺度进行表示，如国家、省份、城市、街道等。
这样一来，我们可以将时空数据按照不同的粒度进行划分，形成多个层次的结构化表示。
在进行时空数据的多粒度结构化表示时，我们可以采用不同的方法和工具。
一种常用的方法是采用层次数据模型来进行表示，即将时空数据按照不同的粒度进行层次化组织，形成一个树状结构。
这样一来，我们可以更加方便地进行数据管理、查询和分析。
我们还可以利用GIS（地理信息系统）等工具来进行时空数据的地图展示和空间分析，从而更加直观地理解数据的时空特征。
时空数据的多粒度结构化表示在实际应用中具有重要的意义。
它可以帮助我们更好地理解时空数据的特点。
通过将时空数据按照不同的粒度进行分类和表示，我们可以更加清晰地感知数据的时空分布规律，从而更好地指导相关的分析和决策。
它可以为时空数据的管理和查询提供便利。
采用层次化的结构化表示方式，可以使得数据管理更加有序和高效，同时也方便用户对数据进行不同粒度的查询和分析。
它可以为时空数据的可视化和空间分析提供支持。
采用GIS等工具，可以将时空数据直观地展现在地图上，同时也可以进行各种空间分析，从而更好地探索时空数据的内在规律。
面向时空数据的多粒度结构化表示
面向时空数据的多粒度结构化表示随着科技的发展和人类社会的进步，数据已经成为了人类社会运行的重要组成部分。
而时空数据则是其中非常重要的一部分。
时空数据是指在时间和空间坐标系中描述的数据，它能够帮助人们更好地理解和分析各种事件和现象。
时空数据的特殊性质也为其处理和管理带来了一定的挑战，如何进行多粒度结构化表示成为了时空数据处理中的重要问题之一。
多粒度结构化表示是指将时空数据按照不同的时间和空间粒度进行结构化表示，以便更好地管理和分析这些数据。
这种表示方法能够有效地提取数据中的信息，帮助人们更好地理解和利用时空数据。
在实际应用中，多粒度结构化表示可以帮助我们对时空数据进行更精确的分析和预测，从而为各种决策提供重要的依据。
多粒度结构化表示在时空数据处理中具有重要的意义。
时空数据通常具有多个不同的粒度。
对于城市交通数据，我们可以按照不同的时间粒度（小时、天、周）和空间粒度（个体、区域、城市）进行表示和分析。
多粒度结构化表示能够更好地满足不同分析需求。
在某些情况下，我们需要对整体的时空数据进行分析，而在另一些情况下，我们可能只需要关注局部的数据变化。
多粒度结构化表示能够灵活地满足不同粒度的分析需求。
多粒度结构化表示还能够提高数据处理的效率。
通过将数据进行结构化表示，我们可以更好地利用计算资源，提高数据处理的速度和精度。
为了实现时空数据的多粒度结构化表示，我们需要考虑以下几个方面。
我们需要设计合适的数据模型。
时空数据具有复杂的结构和特性，因此我们需要设计相应的数据模型来对其进行表示和管理。
我们需要选择合适的数据存储和索引方式。
时空数据通常具有大量的数据量和复杂的查询需求，因此我们需要选择合适的数据存储和索引方式来提高数据的查询效率。
我们还需要设计相应的数据处理算法和工具。
时空数据的多粒度结构化表示需要涉及到大量的数据处理和分析工作，因此我们需要设计相应的数据处理算法和工具来支持这一表示方式。
面向时空数据的多粒度结构化表示
面向时空数据的多粒度结构化表示1. 引言1.1 背景介绍时空数据的多粒度结构化表示是一种重要的数据处理方法，随着时空数据应用的广泛普及，对于多粒度结构化表示的研究也越来越受到关注。
时空数据是指在时间和空间上都具有变化的数据，如移动轨迹数据、地理信息数据等。
这种数据具有高度的动态性和复杂性，传统的数据处理方法在处理时空数据时往往会面临诸多困难。
随着移动互联网和物联网技术的发展，大量的时空数据被不断地产生和积累。
这些数据不仅包含了人们的移动轨迹、社交活动等个人行为数据，还包括了交通流量、气象数据等社会环境数据。
如何有效地对这些时空数据进行分析和挖掘，已经成为当前数据科学领域的一个重要课题。
在传统的数据处理方法中，往往只能对时空数据进行单一粒度的表示和处理，难以满足不同粒度、不同层次的需求。
研究如何实现面向时空数据的多粒度结构化表示，具有重要的理论意义和实际应用价值。
通过多粒度结构化表示，可以更好地理解时空数据的内在特点和规律，为相关领域的决策支持和应用提供更多可能性。
1.2 研究意义时空数据的多粒度结构化表示在当今信息时代具有重要的研究意义。
随着移动互联网、物联网等技术的发展，大量的时空数据被不断产生和积累，这些数据涉及到地理位置、时间信息等多维度特征，传统的数据处理方法已经难以满足对时空数据的高效管理和分析需求。
研究如何有效地表示和处理时空数据的多粒度信息，具有重要的实际意义。
多粒度结构化表示可以更好地描述时空数据的特征与规律，有利于深入挖掘数据背后的隐藏信息，为决策提供更为准确和可靠的支持。
通过对时空数据进行多粒度表示，可以更好地理解数据之间的关联性，发现数据之间的内在联系，进而辅助决策者制定更为科学的决策方案。
多粒度结构化表示也有助于对数据进行可视化展示和分析，提高数据的可理解性和可视性。
通过将时空数据进行多粒度表示，可以在不同的尺度下进行分析和比较，深入挖掘数据的内在规律，为实际应用提供更为有效的支持。
面向时空数据的多粒度结构化表示
0 引言在现实场景中,由于人口分布、区域功能定位等原因,导致所获取到的时空数据在时间-空间上具有极强的分布不均衡性[1]。
不均衡的时空数据若是采用等粒度的时空结构表示索引[2],会造成索引效率的低下、所挖掘到的知识/模式精度往往不高等问题。
而多粒度的数据表示方法可以很好的解决上述问题。
1 时空多粒度数据表示研究现状目前,空间数据多粒度结构化表示方法的研究与应用已有部分成果。
Chao C等[2]将出租车轨迹转化为空间等网格序列检测异常轨迹。
Yu W等[3]以等网格为基础实现出行模式挖掘。
王亮等[4]提出弹性多尺度空间划分方法。
Andy Y X等[5]比较了空间等网格,Q网格及空间KDTree在目的地预测中的影响。
考虑到时间-空间三维度上的复杂特性,本文提出时空多粒度结构化数据表示方法。
2 3Dtree时空多粒度描述时空多粒度是将经度、纬度、时间统一分析,3DTree划分步骤如下:算法1.3DTree时空多粒度划分,如图1所示。
输入:3维时空数据集},,{321N x x x x T =,其中,(x x lon i i =;,2,1),,N i x x t i lat i =划分深度dep;输出:dep 2个空间长方体的坐标。
步骤1.划分维度的选择。
在(lon,lat,t)中选择一个维度0d 。
步骤2.以0d 为坐标轴,以T中所有实例0d x 的坐标对数据集快速排序,将数据长度1/2位置的点作为切分点,将数据集划分为左子区域和右子区域。
步骤3.将左子区域和右子区域分别作为数据集,重复Step1-2递归地实现时空多粒度的划分。
步骤4.保存深度为dep的dep 2个空间长方体的坐标。
3 实验验证本文数据集:成都市滴滴打车平台一个月的订单数据,成都市出13606辆租车一天轨迹数据,深圳市13698辆出租车一天轨迹数据。
(1)时空多粒度表示结构的统计量分布实验。
二维划分方法深度取10,三维方法深度取14。
实验结果如表1。
面向时空数据的多粒度结构化表示
面向时空数据的多粒度结构化表示
面向时空数据的多粒度结构化表示是指将时空数据按照不同的粒度进行分类和组织，
以便更好地进行数据分析和挖掘。
时空数据是指带有时空信息的数据，如地理位置信息、
时间序列数据等。
多粒度结构化表示是指将数据按照不同的层次进行组织，以便更好地理
解和处理数据。
在面向时空数据的多粒度结构化表示中，我们可以根据时间和空间的不同维度将数据
进行划分。
对于时间维度，可以将数据按照不同的时间间隔进行分类，比如年、季度、月、周、天等。
对于空间维度，可以将数据按照不同的空间范围进行分类，比如国家、省份、
城市、街道等。
在每个粒度下，可以使用不同的数据结构进行表示，比如树形结构、网络结构等。
这
样可以将数据进行层次化组织，便于对数据进行查询和分析。
不同粒度的数据之间可以进
行关联和对比，以便发现数据之间的规律和模式。
面向时空数据的多粒度结构化表示可以应用于多个领域。
在交通领域，可以利用多粒
度结构化表示来对交通流量、拥堵情况等进行分析和预测。
在气象领域，可以利用多粒度
结构化表示来对天气变化、气候模式等进行研究。
在地理信息系统中，可以利用多粒度结
构化表示来进行地图数据分析和空间信息查询等。
面向时空数据的多粒度结构化表示可以帮助我们更好地理解和处理时空数据，提取其
中的有用信息和模式，并支持各个领域的数据分析和决策。
大数据的多粒度智能认知分析与决策——王国胤
约翰 · 麦卡锡 1927-2011
马文 · 明斯基 1927-2016
• AI三大学派 • 符号主义学派 • 连接主义学派 • 行为主义学派
2
内森 · 罗切斯特 1919-2001
克劳德 · 艾尔伍德 · 香农 1916-2001
人工智能(AI)60年一瞥
艾伦· 麦席森 · 图灵，1912-1954
• “打狗还得看主人”
“阿发狗”的胜利= AlphaGo团队的胜利
9
机器智能会否超越人类？
机器智能已经超越人类？
最终会否超越人类？
• 第一种观点：超越派
机器智能最终将超越人类。 • 第二种观点：无限趋近派
机器智能会永远接近人类智能，但不会超
越。
• 第三种观点：中立和已经发生派
10
机器智能会否超越人类？
“互联网+”电子商务
●加强互联网食品药品市场监测监 管体系建设 ●鼓励企业利用移动社交、新媒体 等新渠道，发展社交电商、“ 粉丝” 经济等网络营销新模式
“互联网+”普惠金融
●提供多样化、个性化、精准化的金 融产品 ●利用云计算、移动互联网、大数据 等技术手段，加快金融产品和服务创 新 ●提高金融服务安全性，有效防范互 联网金融风险及其外溢效应
个人管见
机器智能是人类智能的高级技术工具之一。 科学技术的进步发展，意味着人类的工具手段进步，机器战胜人， 实质上是人战胜人，是利用先进科技工具的一个人或者一群人，战 胜了另外一个或者一群没有这些科技工具的人。阿发狗挑战李世石， 其实是阿发狗的主人挑战 “没养狗”的李世石。 不必杞人忧天，担心有那么一天，人工智能会战胜人类智能，甚至 机器会消灭人类。
国发〔2016〕67号
多粒度面向对象概念格的构造
文 献标 识码 ： Ａ 文章 编 号 ：０ ０２ ４ ２ １ ） ２０ ８ －５ １ ０ －７ Ｘ（０ ２ ０ －１ ５０ 中图分 类号 ：Ｐ ８ ０ ９ Ｔ １ ，２
Ｔ ｅｓｒ ｃｕ ｅｏ ｌ －ｒｎ ａｉｎ ｏ ｊｃ ｒｅ ｔｄ ｃｎ ｅ ｔ ａｔ ｅ ｈ ｔｕ ｒ ｒ ｆｍｕｔ ｇ ａ ｕ ｔ ｂｅｔｏ ｉ ｅ ｏ ｃｐ ｔ ｃｓ ｉ ｌ ｏ ｎ ｌ ｉ
ｔｅｅｔｎｓｏ ｉｇ ａ ｕａ ｏ ｂｅｔ ｒ ｎｅ ｏ ｃｐ ｔｃ ，ｔｅｅｅｔ ｏ ｕｔ ｇａｕａ ｏ ｂｅｔｏ ｅ ｔ ｈ ｘｅｔ ｆ ｓ ｌ ｇ ｎ ｌ ｉ ｏｊｃ ｏ ｅ ｔ ｃｎ ｅｔｌ ｔ ｅ ｈ ｘｎｓ ｆｍ ｌ— ｎ ｌｔ ｎ ｏｊｃ ｒ ｎｅ ａ ｎ ｅｒ ｔｎ ｉ ｄ ａｉ ｉ ｒ ｉ ｉ ｄ ｃｎ ｅ ｔａｔ ｅａｅｏ ｔ ｎ ｄ ｗｔ ｔｅｌｗ ｒ ｐ ｒｘｍ ｔ ｎｇａｕａ ｐ ｒｔ ， ｈ ｔ ｔ ｏ ｕｔｇａ ｕａ ｏ ｂｅｔ ｏｃ ｐ ｌｔｃ ｒ ｂａ ｅ ， ｉ ｅ ｐｏｉ ａｉ ｎ ｌ ｏ ｅａ ｒ ｔｅｉ ｅ ｓ ｆ ｌ— ｎ ｌ ｉｎｏｊｃ ｉ ｉ ｈｈ ｏ ａ ｏｒ ｒ ｏ ｎｎ ｍ ｉ ｒ ｔ
ｓ ｕ ｔ ． ｅｕｔ Ｔ ｅｍｕｔｇａ ｕａ ｏ ｂｅｔ ｒ ｎｅ ｏ ｃｐ ｔｃ ａ ｅｃｎｔ ｃ ｄｂ ｏ ｉ ｌ ｇａ ｕａ ｔ ｃｅ Ｒ ｓｌ ｈ ｌ— ｎ ｌ ｉ ｏｊｃ ｏ ｅ ｔｄｃｎｅ ｔａｔ ｅｃｎｂ ｏ ｓｕ ｔ ｙｓｍｅｓ ｇｅｒ ｎ ｌ ｒ ｄ ｓ ｉ ｒ ｔｎ ｉ ｌｉ ｒ ｅ ｎ — ｔ ｎｌｔｃｓ Ｃ ｎ ｌｓ ｎ Ｔ ｅｉｔ ｄ ｃ ｏ ｆ ｕｔ ｇａｕａｉ ｂｅｔ ｒ ｎｅ ｏ ｃｐ ｔｃ ｐｏｅｔｅｏ — ｉ ｔ ｅ． ｏ ｃ ｉ ｈ ｒ ｕｔ ｎｏ ｌ— ｎ ｌｔ ｎｏｊｃ ｏ ｅ ｔ ｃｎ ｅｔａｔ ｅｉ ｔ ｉ ｒｖ ｂ ｏ ａｉ ｕｏ ｎｏ ｉ ｍ ｉ ｒ ｏ ｉ ｄ ｌ ｉ ｓｏ ｍ ｈ
多粒度数据的区间形式概念分析方法
1 引言
形式概念分析[1-2（] Formal Concept Analysis，FCA） 是由德国数学家 Wille 于 1982 年以重建格理论为目的 提出的一种数学理论。它的数据表现形式为二维交 叉 表 ，即 形 式 背 景 。 形 式 概 念 分 析 理 论 实 现 了 对 概 念 的 数 学 化 和 形 式 化 的 描 述 ，以 及 以 此 为 基 础 的 格 结 构
构造。 近年来，人们根据不同的数据类型，提出了不同的
形式概念分析模型。例如，通过将粗糙集近似算子融入 到形式概念分析之中，文献[3-4]提出了面向属性与面向 对象的形式概念分析模型，文献[5]基于不完备形式背 景引入了近似概念，No.61976244，No.11801440）；陕西省创新人才推进计划-青年科技新星项目（No.2017KJXX-60）；陕 西省教育厅专项科研计划项目（No.18JK0625）。
Abstract：Classical concept lattice and property（object）oriented are both important data structures in formal concept analysis,by introducing interval set into these concept lattices, it can obtain interval concept lattice and property（object） oriented concept lattice. It is firstly proved that property-oriented interval set concept lattice and object-oriented interval set concept lattice are anti-order isomorphic. Then, by introducing the idea of multigranularity into formal concept analysis, the paper studies the relationship between interval set concept lattice and that after granulation. Lastly, the internal relationship between objec（t property）oriented concept lattices is further studied in multigranulation formal contexts. Key words：multigranulation formal context; interval-set concept lattice; granularity tree
面向时空数据的多粒度结构化表示
面向时空数据的多粒度结构化表示
随着时空数据的不断增长，如何对其进行高效的存储、管理、分析和应用成为一个重要的问题。
多粒度结构化表示技术提供了一种方法，使时空数据可以在不同粒度上进行表示和处理，从而更好地满足不同应用的需求。
本文就面向时空数据的多粒度结构化表示进行详细介绍。
时空数据是指在时间和空间维度上均具有参照系的数据。
它既包含了时间信息，又包含了空间信息。
时空数据可以是物理量，也可以是统计量，从而包含了很多种不同类型的数据。
多粒度表示是指在不同粒度上对数据进行表示和处理。
粗粒度的表示强调空间上的局部特征，而细粒度的表示强调更详细的空间细节。
多粒度表示的目的是为了适应不同应用场景。
时空数据的多粒度表示技术包括以下几种：
（1）基于图像金字塔的多粒度表示
图像金字塔是一种将图像进行多层次分解的方法。
在这种方法中，每一层都是原始图像的某种不同分辨率的近似。
利用这种方法，可以在不同的粒度上对时空数据进行表示和处理。
3. 应用案例
多粒度结构化表示技术在很多应用领域中都有广泛的应用。
例如，它可以用于天气预报、交通管理、环境监测等领域。
在天气预报中，可以利用多粒度表示技术将地面和卫星观测到的气象数据进行结合，提高天气预报的精度。
在交通管理中，可以利用多粒度表示技术对道路网络进行分层表示，从而实现对交通拥堵的监测和预警。
4. 总结。
面向时空数据的多粒度结构化表示
面向时空数据的多粒度结构化表示时空数据是指在时间和空间维度上具有特定关联关系的数据，如地理信息数据、天气数据、交通数据等。
随着时空数据的不断增加和广泛应用，对于这类数据的处理和分析也变得日益重要。
针对时空数据，多粒度结构化表示是一种有效的数据处理方法，可以更好地挖掘数据中的规律和信息。
一、时空数据的特点时空数据具有以下特点：1. 多维度性：时空数据包含时间和空间两个维度，数据具有多维度的特性。
2. 动态性：时空数据随着时间的推移而不断变化，具有动态性。
3. 多样性：时空数据种类繁多，涵盖了不同的领域和行业。
由于上述特点，时空数据的处理与分析相对复杂，需要采用特定的方法和工具进行有效处理和结构化表示。
二、多粒度结构化表示的概念多粒度结构化表示是一种数据处理方法，通过对数据进行多层次、多角度的分割和分类，将数据按照不同的粒度进行表示。
这种方法可以更好地理解和利用数据，揭示数据中的内在规律和关联。
1. 时间粒度表示在时空数据的处理中，时间是一个重要的维度。
可以根据不同的时间粒度对时空数据进行表示，如年、月、日、小时等。
不同粒度的时间表示可以反映数据的不同特征和变化规律，为数据分析和应用提供更多的选择和可能。
3. 多维度结构化表示在时空数据处理中，除了时间和空间之外，还可以考虑其他维度的表示，如气候、人口、经济等。
通过多维度结构化表示，可以更全面地了解时空数据的特征和内在关联。
多粒度结构化表示在时空数据处理中具有重要的价值和意义：1. 更全面地理解数据：通过多粒度结构化表示，可以更全面地了解时空数据的特征和规律，揭示数据中的内在联系和关联。
2. 更灵活地应用数据：不同粒度的表示可以为数据分析和挖掘提供更多的选择和可能，使数据可以更灵活地应用于不同的领域和需求。
3. 促进数据集成和共享：通过多粒度结构化表示，可以更好地促进不同数据之间的集成和共享，有利于数据的综合利用和价值提升。
多粒度结构化表示在时空数据处理中虽然具有重要的价值和意义，但也面临一些挑战和问题。
覆盖粒度空间的多层次粒度结构研究
覆盖粒度空间的多层次粒度结构研究王青海;耿生玲;鲁小云【摘要】10.3969/j.issn.1000-386x.2012.10.047% 针对覆盖粒度空间中的知识表示、基本运算、层次结构及粒度结构度量问题进行分析与研究。
首先，定义覆盖近似空间中对象的相容类，构造覆盖粗糙集模型的相容关系，定义相容类中对象之间的相容度，由此相容关系诱导出覆盖粒度空间的概念。
其次，给出覆盖粒度空间下对象的矩阵表示，定义覆盖粒度空间中基本运算，并诱导出覆盖信息粒的概念，从而对覆盖粒度空间中粒度的大小进行了度量。
接着，定义覆盖粒度空间的三种偏序关系，以此揭示覆盖粒度空间的层次关系。
最后，定义覆盖粒度空间的信息粒度、粗糙度和粗糙熵，研究在覆盖粒度空间中多层次粒度结构度量的各种关系。
研究结果统一了覆盖粒度空间下信息粒度的相关度量，从而为粒计算的多层次粒结构理论进一步的完善提供依据。
【期刊名称】《计算机应用与软件》【年(卷),期】2012(000)010【总页数】5页(P180-183,215)【关键词】粒度计算;覆盖粗糙集;偏序关系;粗糙熵;覆盖粒度空间【作者】王青海;耿生玲;鲁小云【作者单位】青海师范大学计算机学院青海西宁810008;青海师范大学计算机学院青海西宁810008;青海师范大学计算机学院青海西宁810008【正文语种】中文【中图分类】TP180 引言粒度计算GrC(Granular computering)是近几年来研究的热点内容，它以姚一豫提出的粒计算三元论(即多视角、多层次粒结构和粒计算三角形)为基本研究框架，从哲学、方法论、信息处理三个侧面进行结构化思维、结构化问题求解、结构化信息处理的深入探究，并吸纳、提炼及抽象各个学科中粒处理思想以期建立系统的、与具体学科知识无关的粒计算原理，从而指导人类问题求解和实现机器问题求解［1］。
传统的观点将粗糙集理论、模糊理论及熵空间理论视作粒度计算的主要模型，但随粒度计算的发展与研究表明，粒计算不仅仅是文献［2］所认为的“信息处理方向的一种新的概念和计算范式”。
大数据的多粒度智能认知分析与决策
大数据的多粒度智能认知分析与决策
王国胤
【期刊名称】《重庆理工大学学报》
【年(卷),期】2016(030)008
【摘要】基于大数据的科学决策，是公共管理、工业生产、健康医疗、金融服务等众多行业领域未来发展的方向和目标。
云计算、大数据、互联网＋、人工智能等新技术，正在影响和推动社会各方面的飞速发展。
如何进行大数据的智能分析与处理，实现大数据的价值，成为了当前大数据研究中的关键挑战问题。
【总页数】1页(P4-4)
【作者】王国胤
【作者单位】重庆邮电大学计算机科学与技术学院,重庆400065
【正文语种】中文
【中图分类】TP18
【相关文献】
1.大数据的多粒度智能认知分析与决策
2.多粒度认知计算——一种大数据u2009智能计算的新模型
3.多粒度认知计算——一种大数据智能计算的新模型
4.基于大数据分析的作战智能决策支持系统构建
5.基于大数据应用的智能公交决策分析平台
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
大数据时代下概念格的多粒度构造研究
作者：方芳
来源：《科技资讯》2019年第30期
摘 ;要：概念格被认为是数据分析的有力工具，在诸多领域得到了研究和应用。
随着大数据时代的发展需要，要求概念格的完整性，概念格的节点大小随着形式背景大小的增加呈指数增长。
鉴于大数据时代构思概念格所面临的挑战，该文将粒计算融于概念格的研究中，在概念格的多粒度计算模型的基础上，通过概念格多粒度构造的渐进式算法，对概念格的概念进行分层次构造。
同时，分析概念格多粒度构造与存储模型的验证及应用，来分析概念格构造的问题。
关键词：概念格 ;粒计算 ;粒化概念格
中图分类号：O153.1 ; 文献标识码：A 文章编号：1672-3791（2019）10（c）-0013-02
概念格是基于对象和数据集中的属性之间的二元关系的概念层次结构。
它是形式概念分析理论的核心数据结构，最初由德国的Wille R教授在1982年提出。
概念格被认为是数据分析的有力工具，在诸多领域得到了研究和应用。
目前概念格的构造研究主要有三大类：批处理构造、渐进式构造和分布式构造。
粒计算是指通过系统访问粒结构来解决问题，包括同一粒层中的粒子之间和不同粒层中的粒子之间的变换和推理。
粒计算与概念格的融合研究，主要基于联合概念格的概念层次结构与粒计算的粒度结构之间的天然关系来建立数学模型，形式概念对应于粒子，概念层对应为粒层，整个概念格的Hasse图结构反映了其粒结构。
1 ;概念格的多粒度计算模型
在概念格的理论中，形式背景表示的数据就是不同概念及概念之间的关系。
2 ;概念格多粒度构造的渐进式算法
（1）概念格的多粒度构造有3种情况：①形式背景的变化带来的概念格的变化，需要对每个粒层的粒子重新计算;②概念格的粒结构自身的调整，需要在粒层间进行转换;③对完整概念格结构的展现，需要将若干个粒子概念格展现为一个完整概念格。
对应的，此部分内容包含粒子构造算法、粒层转换算法和粒子合并算法3个部分内容。
（2）粒子构造算法是对包含形式背景变化的相应对象和属性的粒子格的计算。
构造算法根据对象与属性的增加或删除，对每个粒层的粒子重新计算。
可以证明，此种情况下不影响同粒层中粒子之间的偏序关系，也不影响不同粒层间粒子的映射关系。
因此可以采用经典概念格渐进式构造算法来完成。
（3）粒层转换算法的实质是Zoom-in算子与Zoom-out 算子的算法实现，是该部分内容的核心工作。
其中，Zoom-in算子用于产生新的粒层、Zoom-out算子用于由下层粒层重构上层粒层。
需要通过转换算法进行粒层的构造发生在两种情形：产生新粒层、由下层粒层重构上层粒层，分别对应于Zoom-in算子和Zoom-out算子。
（4）粒子合并算法是将同粒度层的若干个粒子概念格合并为一个概念格，实质是对不同子格上概念间被割裂的前驱后继关系的重新增补。
需要指出的是同粒度的粒子格之间的偏序关系在构造粒层时已经被计算和存储算法可以借助这些偏序关系来渐进式地实现粒子合并。
粒子合并算法中，粒的合并与相交：设（X1，Y1）和（X2，Y2）是任意两个粒子，规定：
负载均衡算法的核心工作是根据粒子的节点规模来建立运算时间的概率分布函数，再结合运筹学中的规划问题进行求解，找出冲突概率最小的一个任务规划。
3 ;概念格多粒度构造与存储模型的验证及应用
（1）概念格对10年以上的民航气象数据进行分析。
将民航气象数据库的数据清洗格式化后形成形式背景，然后对接到原型系统进行概念格的构造。
从粗粒度开始，将发现的有意义的规则交给气象工作人员研究分析，逐步深化构造粒度，直到找到气象工作人员认可的精度为止。
验证和探索系统的时间性能、粒度、知识发现之间的关系，如图1所示。
图1是由形式背景、概念格、本体知识库、知識库应用组成的形式概念分析模型。
该模型从纵向看是形式背景、概念格、本体知识库、知识库应用，也就是概念格多粒度构造方面的研究;从横向看是形式概念分析、气象数据、服务应用，也就是根据气象数据来进行概念格粒计算出气象知识，并且应用到实践气象数据分析中。
（2）其中，形式背景是将多值概念图像背景转化为单值概念图像背景，以表达气象服务领域的内涵和外延的过程。
内涵是气象数据中影响气象变化的因素，外延是气象数据在概念上的集合，这是概念格分析的基础，构成了概念结构主体;概念格是气象服务领域的概念进行整体集合，构成气象服务概念的核心数据结构，并通过根系气象服务中的层次关系、分级关系，为气象服务形式概念模型提供知识库映射，为概念格的逻辑关系提供描述方法;本体知识库就是在概念格里得到的对象或者关系运用开源软件将其工程化;知识库应用是开展形式概念分析和本体知识库设计的最终落脚点，将气象数据实时转化为气象知识，并根据民航气象要求提供服务。
4 ;结语
该文介绍了大数据集支撑下概念格的多粒度构造研究，包括概念格的多粒度计算模型、概念格多粒度构造的渐进式算法、概念格多粒度构造与存储模型的验证以及应用这3个方面的研究。
通过该研究实现了构造和数据分析的同步，形成概念分析与粒计算的新融合。
将以概念为基本粒子单元、整个概念格为粒架构的概念格粒计算的理论和模型，拓展到了以子概念格为基本粒子单元、整个概念格为复杂系统结构的概念格粒计算的理论和模型。
这个拓展和深化符合人类从元知识系统到复杂知识系统的认识过程和一般规律，对认知科学和人工智能结合的研究有一定的参考作用。
参考文献
[1] 李粉宁，范敏，李金海.形式概念分析中面向对象粒概念的动态更新[J].山东大学学报：理学版，2019，54（4）：105-115.
[2] 李金海，吴伟志.形式概念分析的粒计算方法及其研究展望[J].山东大学学报：理学版，2017，52（7）：1-12.
[3] 曾望林，折延宏.面向对象的多粒度形式概念分析[J].计算机科学，2018，45（10）：51-53，63.。