.png){kind=icon}
返回
Attribute reduction for concept cognition over knowledge graphs
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2026.114740.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
概念认知知识图谱提供了先验知识，增强了机器的理解和思考能力。然而，一些冗余属性可能会严重影响获取上述先验知识的速度。属性约简是通过识别并移除冗余属性来简化数据集的过程，同时保持分类或决策能力，而知识图谱上的概念认知属性约简呈现出两个独特特征。因此，提出一种创新性度量方法以及适应上述独特特征的属性约简方法变得至关重要。首先，提出高区分度的划分邻近度以避免过度细化并减少交叉，与现有度量方法不同，它可以区分仅在不同粗细划分上的属性集。提出了一个度量方法和约简方法，能够在知识图谱的概念认知背景下实现属性约简。引入确定性算法和启发式算法用于生成属性约简，增加执行次数可以确保启发式算法在准确性和速度上都具有优势。实验表明，属性约简能够保留数据的原始特征并提高数据分析的效率。
Keyword:
attribute reduction
concept cognition
knowledge graphs
partition closeness
data analysis
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
引用论文
暂无论文信息