张庐婧 林国平 林艺东 寇 毅
ZHANG Lujing1,2, LIN Guoping1,2 , LIN Yidong1, KOU Yi1
粒计算[1-2]是知识发现和数据挖掘的重要方法之一,源自Zadeh[3]在模糊集理论背景下提出的“信息粒度”.而后Pawlak[4]提出经典粗糙集理论,便于分析和处理语义型的数据,尤其善于处理不确定问题.
然而经典粗糙集仅适用于处理语义型数据,并不适用于实际生活中广泛存在的异构数据.因此,胡清华等[5]利用拓扑空间中的球形邻域概念构造邻域粗糙集,用于研究数值型数据.此后,Hu等[6]通过邻域粗糙集模型解决异构特征选择的问题.Chen等[7]提出基于优势关系的邻域粗糙集模型,并设计并行的特征选择算法.Hu等[8]为了挖掘特征与决策之间的相关性,在邻域关系中引入权重的概念,构造加权邻域粗糙集模型.
上述研究均为单尺度决策表,即仅研究特征在单一尺度下的取值问题，而实际生活中存在的信息大多需要从多个尺度进行研究.针对该问题,Wu等[9]提出多尺度信息系统，描述不同尺度下信息粒之间的关系,并针对不一致的多尺度决策系统提出知识获取算法[10],进一步分析多尺度决策系统的最优尺度选择问题[11].She等[12]研究局部规则归纳法.Wu等[13]提出不完备信息系统的规则获取方法.Li等[14]以Wu-Leung研究的特殊案例为例,研究不同特征在不同尺度等级下的多尺度决策系统,提出补模型和格模型.吴伟志团队[15-20]利用D-S理论，提出一系列多尺度决策系统的扩展模型.牛东苒等[21]基于对偶概率粗糙集模型讨论广义多尺度决策系统中的最优尺度组合选择问题.Huang等[22-23]研究具有多尺度决策属性的广义多尺度决策系统,将划分扩展到覆盖,建立多尺度覆盖数据分析模型.Li等[24]在多尺度覆盖的基础上研究邻域算子和近似算子的一些性质,建立基于多尺度覆盖的粗糙集模型.Zheng等[25]研究基于优势关系的多尺度序决策系统.Wang等[26]构造基于多粒度的多尺度决策系统扩展模型，用于知识发现.
近年来,Li等[27-29]研究动态多尺度决策系统的最优尺度选择问题.陈应生等[30]构造多尺度集值信息系统,讨论协调和不协调情况下的最优尺度选择问题.陈应生等[31]又采用布尔矩阵方法研究多尺度覆盖决策信息系统.Huang等[32-33]研究基于优势关系的多尺度IF决策表.之后Huang等[34]又提出多尺度模糊决策系统,用于研究多尺度粗糙集的模糊泛化及其在数值数据特征选择中的应用.杨璇等[35]将模糊相似关系引入多尺度决策系统,拓展模糊决策粗糙集模型的应用.但是,目前针对适用于研究多源异构多尺度数据的多尺度决策信息系统模型仍较少见.
随着大数据时代的到来,数据表现形式多样化.例如,同一部电影在不同平台的评价体系拥有多个评价方式,评分可记录为0～10之间的数值型数据,也可用0～5颗星星数进行评价,再或是留言评价等.值得注意的是,数据来源于多个平台,并且每个平台的评分细则是多尺度的.与此同时,这类多源异构多尺度数据集不仅包含语义型数据,同时也包含数值型数据.在此情况下,无法使用现有的一些模型进行有效处理.为此,本文针对这一类型数据集构建多尺度邻域决策信息系统,便于实际生活中多源异构多尺度数据集的研究,并讨论模型的相关性质.
1.1 邻域决策系统
定义1[5]给定非空有限集合
U={x1,x2,…,xn},
A为描述U的特征集,D为决策特征,若A生成论域上的一族邻域关系,则称NDT=〈U,A,D〉为一个邻域决策系统.对于U上的任意对象xi,定义由xi生成的δ邻域信息粒：
δ(xi)={x|x∈U,Δ(x,xi)≤δ},
其中，δ≥0，Δ为RN上的一个度量,满足自反性、对称性和三角不等性.
定义2[5]给定一个邻域决策系统NDT=〈U,A,D〉,根据决策特征D可将U划分为N个等价类{X1,X2,…,XN},∀B⊆A,定义决策D关于B的下近似和上近似:
其中，
δB(xi)为样本xi在特征子集B中的邻域信息粒.
决策的边界定义为
决策D的下近似也称为决策正域,记为POSB(D).决策特征D对条件特征B的依赖度定义为
1.2 多尺度信息系统
定义3[11]多尺度信息系统可表示为
即
性质1[11]给定一个多尺度信息系统
对于B⊆A,k∈{1,2,…,I},有
RBk={(x,y)∈U×U|ak(x)=ak(y)∀a∈B},
[x]Bk={y∈U|(x,y)∈RBk}=
{y∈U|ak(x)=ak(y)∀a∈B},
U/RBk={[x]Bk|x∈U}，
则
RB1⊆RB2⊆…⊆RBI,
[x]B1⊆[x]B2⊆…⊆[x]BI,
U/RB1U/RB2…U/RBI.
定义4[11]给定一个系统
为多尺度决策系统,其中
为一个多尺度信息系统,d∶U→Vd称为决策.
定义5[11]给定一个多尺度决策系统
S称为协调的决策系统当且仅当最细尺度等级下的决策系统S1为协调的.若Sk为协调的,但Sk+1为不协调的,则称S的第k尺度等级为最优尺度.
在经典的多尺度信息系统[9]中,每个特征在不同尺度下的特征值不一致,但约束每个特征的尺度等级个数相同,本文仍保持此假定.
定义7给定一个多尺度邻域决策信息系统
对于邻域半径δ关于特征子集B的多尺度邻域相似关系定义如下:
当I=1时,多尺度邻域相似关系退化为经典的邻域相似关系.因此,多尺度邻域相似关系可视为邻域相似关系的推广.
邻域半径δ的选取是影响多尺度邻域相似关系的关键因素之一,本文参考文献[36]中利用标准差的方法,改进后得到更适用于本文的邻域半径δ的定义.
定义8给定一个多尺度邻域决策信息系统
对于∀B⊆A,定义邻域半径：
例1给定一个多尺度邻域决策信息系统,
其中U为对象集,表示不同的电影,
表示电影在不同平台上对应的不同评价标准,第一尺度等级为每部电影在该平台上评分的标准化数据,第二尺度等级为观众在该平台上的留言评价,即
V2={1,2,3}={不好看,一般,好看},
第三个尺度等级为该平台上专业影评的评价,即
V3={1,2}={不喜欢,喜欢},
决策d为电影的最终评价分类.多尺度邻域决策信息系统如表1所示.
表1 多尺度邻域决策信息系统
根据定义8，α=1/3,μ=0.4,计算得到每个特征在不同尺度下的邻域半径分别为
性质2给定一个多尺度邻域决策信息系统,
证明先证明1).若x∈U,对于(x,x),有
定义9给定一个多尺度邻域决策信息系统
L={(l1,l2,…,lm)|lj∈{1,2,…,I},j={1,2,…,m}},
表示为多尺度组合全体.若
K1={l1,l2,…,lm},K2={k1,k2,…,km},
且
lj≤kj,j=1,2,…,m,
则表示K1细于K2,记为K1⪯K2;若
lj 则表示K1严格细于K2,记为K1K2. 定义10给定一个多尺度邻域决策信息系统 性质3对于 ∀K1=(k1,k2,…,km)∈L,K2=(l1,l2,…,lm)∈L, x∈U,对应的多尺度邻域相似关系族及多尺度邻域信息粒有如下性质: 证明先证明1).若δ1≤δ2,由于 再证明2).由于 设 K1=(k1,k2,…,km)∈L,K2=(l1,l2,…,lm)∈L, 对于K1⪯K2,∀1≤j≤m,有kj≤lj,可得 可得 最后证明4).由2)可得:若K1⪯K2,有 (RK1)δ⊆(RK2)δ, 又 可得 定义11给定一个多尺度邻域决策信息系统 对于 2)若δ1≤δ2,则POSRKδ1(d)⊇POSRKδ2(d); 证明先证明1).根据性质3中3)可得,若δ1≤δ2,则 可得 再证明2).由1)根据性质3中3)可得,若δ1≤δ2,则 对∀y∈U,可得,若δ1≤δ2,则 又 可得 POSRKδ1(d)⊇POSRKδ2(d). 再证明3).根据性质3中4)可得,若K1⪯K2,则 可得 最后证明4).根据3)可得,若K1⪯K2,则 又 可得 定义12给定一个多尺度邻域决策信息系统 K=(k1,k2,…,km)∈L, 1)若δ1≤δ2,则γRKδ1(d)≥γRKδ2(d); 证明先证明1).由性质4中2)可得,若δ1≤δ2,则 POSRKδ1(d)⊇POSRKδ2(d), 又 可得 γRKδ1(d)>γRKδ2(d). 再证明2).由性质4中4)可得,若K1⪯K2,则 又 可得 现有的关于多尺度决策信息系统特征子集选择的研究多数采用首先选出最优尺度再进行特征选择的方式.与之不同的是,本文采用特征选择和最优尺度选择结合的方式对多尺度邻域决策信息系统进行特征子集选择.面对多尺度模型中最优尺度选择时间复杂度过大的问题,文献[37]中提出逐步最优尺度算法,相比格模型[14],可有效减少最优尺度选择的时间成本.受逐步最优尺度算法[37]启发,本文引入特征重要度阈值λ进行特征子集选择. 定义13给定一个多尺度邻域决策信息系统 K0=(1,1,…,1)∈L,K=(k1,k2,…,km)∈L, 定义14给定一个多尺度邻域决策信息系统 K=(1,1,…,kj,…,1)∈L, 因此,根据定义14可得 并且对于特征aj的重要度采用加权和的方式进行定义,即 由此根据定义14给出的特征子集选择算法.首先基于最细的尺度组合计算每个特征在不同尺度下特征的重要度,采用加权和的方式计算每个特征的重要度.由于重要度较小的特征对分类的影响较小,根据设定的阈值λ,删除重要度小于阈值λ的特征,对于其余特征，根据特征的重要度由小到大排序,根据所得的排序依次对每个特征进行选择最优尺度,得到特征子集.具体算法步骤如下. 算法1多尺度邻域决策信息系统的特征子集选择 算法 输入多尺度邻域决策信息系统 S=(U,A∪{d}, 阈值λ 输出特征子集X 初始化X=[],S′=[] Fork=1∶Im //Im为每个特征的最粗尺度 令K←(1;1;…;k;…;1) Foraj∈A(j=1,2,…,m) 令S′←S′∪{aj} End End End Forap∈S′(j=1,2,…,q) 特征进行排序,得到τ Forapinτ Fork=Ip∶1 令K′(p)←k∥K′(p)表示中的第p个元素 得到特征子集选择后的最优尺度组合K′ End End End 得到特征子集X End 特征子集选择算法的时间复杂度为 因此,本文算法同时进行最优尺度选择和特征选择,减少搜索最优尺度组合的遍历次数,有效提高特征子集选择的效率. 例2(续例1) 根据定义14得到每个特征在每个尺度下的重要度： 进而得到每个特征的重要度: 由于每个特征的重要度一致,设λ=0.根据特征的重要度排序得到τ=123， 1)考虑特征a1.当K1=(3,1,1)时,计算得到 2)考虑特征a2.当K2=(3,3,1)时,计算得到 3)考虑特征a3.当K4=(3,2,3)时,计算得到 K′=(3,2,1). 对于本文提出的多尺度邻域决策信息系统模型及对应的特征子集选择算法,本节通过实验分析验证其可行性和有效性.所有实验硬件环境配置为Inter(R)Core(TM)i5-8250U CPU@1.60 GHz和4 GB内存的个人计算机,算法运行的软件环境为Matlab R2021a. 实验数据集选择UCI数据库上的7个数据集,具体如表2所示.由于均为相应的单尺度决策表，因此需要进行预处理,构建相应的多尺度邻域决策表. 表2 实验数据集 通过文献[14]中方法类比得到多源异构多尺度数据集.鉴于语义型数据需转化为整数的数值型数据进行实验,故后续数据获取均用整数表示. 1)若对象的某一特征值缺失,删除该对象. 2)设σa为标准差,ma为最小值,a(x)表示原始数据的特征值,则多尺度邻域决策信息表中第一尺度的对象x的特征值为 根据特征值a1(x)得到相应的特征值,若对象的某一特征值为0,删除该对象,得到第一尺度的特征值. 3)利用定义8中的邻域半径定义求取第一尺度的邻域相似类的平均值,并保留两位小数作为第二尺度对应的特征值a2(x),删除特征值为0所在的对象,其中对应δ中的a1的取值为决策类的个数d.以此类推,ak的取值递减,直到k的取值为d/3-1,即 其中d为决策类的个数. 4)从k=d/3开始,求取前一个尺度级别的邻域相似类的平均值后取整.对于后续尺度等级的获取,将在前一个尺度级别的基础上,通过从上到下的方式合并某个值,直到某个特征的当前尺度级别中的等价类数量不超过3个. 对于所得特征子集结果，采用十折交叉验证法分别在SVM和KNN两个分类器上进行分类性能评估.将本文算法得到的特征子集(简记为Opt)分类精度与原始数据集(简记为Raw)、最细尺度数据集(简记为Fin)、最粗尺度数据集(简记为Coa)在分类器上的分类精度进行对比,详情如表3和表4所示，表中参数设置为α=0.1,μ=0.8.从实验结果可知,通过本文的模型与算法,可获得较好的特征子集,分类精度近似于原始数据集在分类器上的分类精度,且绝大多数分类精度优于最细尺度数据集和最粗尺度数据集.由此说明本文的模型与算法是有效的. 表3 在分类器SVM上的分类精度对比 表4 在分类器KNN(K=2)上的分类精度 本文针对多源异构多尺度数据进行研究,通过构造多尺度邻域信息粒,提出多尺度邻域决策信息系统模型,给出多尺度邻域半径的形式化定义,对多尺度邻域相似关系及上下近似的相关定义进行理论分析.最后,给出基于特征重要度的多尺度邻域决策系统的特征子集选择算法,并通过实验验证算法的有效性.今后将进一步探索多尺度信息系统在多源异构多尺度数据上的研究,着重考虑大型数据集的多尺度邻域决策信息系统的知识表示、规则提取等问题.
