2.4.2 基于信息挖掘的智能决策支持系统IDSSIM

该项内容已获国家发明专利《一种基于信息挖掘的智能决策支持系统构造方法》（ZL 03105330.0）（见附件 ）。

1) 总体结构（如图17所示）

2) 主要模块与功能

粗略地讲：IDSSIM = DM + WM + KAS + RM

上式中，DM：数据挖掘（Data Mining），在此我们主要指知识发现创新技术中的结构化数据的挖掘即KDD*系统；

WM：Web挖掘（Web Mining），主要包括基于Web的文本挖掘、用户访问日志挖掘及Web结构挖掘；

KAS：交互式知识获取构件（Knowledge Acquirement System），主要用于领域专家知识的归纳获取;

RM：推理机构件（Reasoning Machine），主要由智能决策支持系统进行推理时使用。

以上四部分通过综合知识库和Web知识库贯穿在一起。

(1) 结构化数据挖掘模块（KDD*系统）。主要实现对结构化数据进行的挖掘过程；我们分两点进行说明：

a. 新的数据挖掘结构模型——KDD*。简单的说，KDD*=KDD+双库协同机制，所

谓双库协同机制，即构建数据库与基础知识库的内在联系“通道”，从而用基础知识库去制约与驱动KDD的发掘过程，改变KDD固有的运行机制，在结构与功能上形成了相对于KDD而言的一个开放的、优化的扩体。具体实现是通过启发式构件和中断式构件完成的。

b. 数据挖掘过程中的集成算法库：数据库经预处理后形成挖掘数据库，挖掘数据库是本部分的挖掘基础。在本部分中，我们设计了一个集成挖掘算法库，此库集成于决策支持系统的模型库中，其中针对几类主要的知识类型，对应的聚集一些有效的挖掘算法；同时该算法库具有可扩展性特征。算法库连接于一个接口引擎，接口引擎在系统控制器的作用下根据用户需求选择合适的发掘方法，进行相应的工作。挖掘出的知识放入衍生知识库。

(2) Web挖掘模块。主要实现对非结构化、复杂的信息（包括文本信息、用户访问日志信息）进行的发掘过程；

这里主要包括两大部分，一是文本信息的挖掘，二是对用户访问日志信息的挖掘。对于文本信息的挖掘，我们主要利用小波分析、潜在语义索引、概念格等方法地集成和融合，对于用户访问日志信息的挖掘，我们将利用序贯模式进行挖掘处理。

另外考虑到Web信息的知识挖掘需要实时从Web网络中获取复杂类型信息，所以我们将结合智能搜索引擎技术从Internet上检索得到初始数据集，经过预处理后形成挖掘数据集合以便进行后续挖掘处理。

(3) 交互式知识获取模块。它为用户提供了友好的交互界面，使系统可以较方便的获取专家知识。

(4) 推理机模块。它将针对不同问题集形成相对应的决策树，以便使用决策树进行推理进程。在推理机实现过程中将集成各种有效的推理机制（例如案例推理等），为对决策问题进行问题求解，产生相应的解决方案。

3) 动态知识库系统

在以上各模块的基础上，知识库的提升和融合将贯穿整个过程。在此过程中，对于内部数据挖掘而言，知识库经过了基础知识库、衍生知识库、合成知识库、扩展知识库的不断提升过程。基础知识库中存放的是初始知识和专家领域知识，该知识库通过一个知识获取构件连接在人机对话部件，专家可随时加入新的领域知识，因此这个知识库是一个动态的知识库；衍生知识库中存放的是KDD*发现的新知识，衍生知识库和基础知识库通过冗容性等处理形成合成知识库。

对于Web信息挖掘而言，将构造一个Web知识库，并且最终在该智能决策系统中与内部知识发现过程形成的综合知识库进行融合,即把不同知识表示的、异构的、不同源的知识相融合，形成最终的知识发掘知识库。

上一页  [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23]  下一页