Verfügbarkeit: Intelligent technologies for information analysis

Intelligent technologies for information analysis: with 48 tables

Gespeichert in:

Bibliographische Detailangaben
Weitere beteiligte Personen:	Zhong, Ning 1956- (HerausgeberIn)
Format:	Buch
Sprache:	Englisch
Veröffentlicht:	Berlin [u.a.] Springer 2004
Links:	http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=019961856&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
Umfang:	XXVII, 711 S. Ill., graph. Darst.
ISBN:	3540406778

Internformat

MARC


LEADER	00000nam a2200000 c 4500
001	BV025332769
003	DE-604
005	00000000000000.0
007	t\|
008	100417s2004 xx ad\|\| \|\|\|\| 00\|\|\| eng d
020			\|a 3540406778 \|9 3-540-40677-8
035			\|a (OCoLC)249564995
035			\|a (DE-599)BVBBV025332769
040			\|a DE-604 \|b ger \|e rakwb
041	0		\|a eng
049			\|a DE-11
082	0		\|a 006.3
084			\|a ST 302 \|0 (DE-625)143652: \|2 rvk
245	1	0	\|a Intelligent technologies for information analysis \|b with 48 tables \|c Ning Zhong... (Eds.)
264		1	\|a Berlin [u.a.] \|b Springer \|c 2004
300			\|a XXVII, 711 S. \|b Ill., graph. Darst.
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
700	1		\|a Zhong, Ning \|d 1956- \|0 (DE-588)120946491 \|4 edt
856	4	2	\|m SWB Datenaustausch \|q application/pdf \|u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=019961856&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
943	1		\|a oai:aleph.bib-bvb.de:BVB01-019961856

Datensatz im Suchindex

_version_	1819352199125270528
adam_text	TABLE OF CONTENTS 1. THE ALCHEMY OF INTELLIGENT IT (IIT): A BLUEPRINT FOR FUTURE INFORMATION TECHNOLOGY NING ZHONG AND JIMING LIU : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 1 1.1 WHAT IS IIT? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 WHY IIT? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.3 IIT AS THE NEW GENERATION OF INFORMATION TECHNOLOGY . . . . . . . 2 1.4 IIT FOR E-BUSINESS INTELLIGENCE . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.4.1 VIRTUAL INDUSTRY PARK: AN EXAMPLE OF ENTERPRISE PORTALS 5 1.4.2 WEB MINING AND FARMING . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4.3 SEMANTIC SOCIAL NETWORKS FOR INTELLIGENT ENTERPRISE PORTALS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.4.4 DATA MINING GRIDS FOR WEB-BASED TARGETED MARKETING 8 1.4.5 WISDOM WEB-BASED COMPUTING . . . . . . . . . . . . . . . . . . . . 9 1.5 DIMENSIONS OF IIT RESEARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.6 AN OVERVIEW OF THIS BOOK. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 PART I. EMERGING DATA MINING TECHNOLOGY 2. GRID-BASED DATA MINING AND KNOWLEDGE DISCOVERY MARIO CANNATARO, ANTONIO CONGIUSTA, CARLO MASTROIANNI, ANDREA PUGLIESE, DOMENICO TALIA, AND PAOLO TRUNFLO : : : : : : : : : : : : : : : : : : : : 19 2.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2 KNOWLEDGE DISCOVERY ON GRIDS . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.3 THE KNOWLEDGE GRID ARCHITECTURE . . . . . . . . . . . . . . . . . . . . . . . . 26 2.3.1 KNOWLEDGE GRID SERVICES . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.4 AN XML-BASED METADATA MODEL FOR THE KNOWLEDGE GRID . . . . 28 2.4.1 DATA MINING SOFTWARE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.4.2 DATA SOURCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.4.3 ABSTRACT AND CONCRETE RESOURCES . . . . . . . . . . . . . . . . . . . 32 2.4.4 EXECUTION PLANS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.4.5 DATA MINING MODELS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 2.4.6 METADATA MANAGEMENT . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 VIII TABLE OF CONTENTS 2.5 DESIGN OF A PDKD COMPUTATION . . . . . . . . . . . . . . . . . . . . . . . . . 34 2.5.1 TASK COMPOSITION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 2.5.2 TASK CONSISTENCY CHECKING . . . . . . . . . . . . . . . . . . . . . . . . 38 2.5.3 EXECUTION PLAN GENERATION . . . . . . . . . . . . . . . . . . . . . . . . 39 2.6 EXECUTION OF A PDKD COMPUTATION . . . . . . . . . . . . . . . . . . . . . . 42 2.7 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 3. THE MININGMART APPROACH TO KNOWLEDGE DISCOVERY IN DATABASES KATHARINA MORIK AND MARTIN SCHOLZ : : : : : : : : : : : : : : : : : : : : : : : : : : : : 47 3.1 INTRODUCTION: ACQUIRING KNOWLEDGE FROM EXISTING DATABASES . 47 3.2 THE MININGMART APPROACH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.2.1 THE META-MODEL OF METADATA M4 . . . . . . . . . . . . . . . . . . 52 3.2.2 EDITING THE CONCEPTUAL DATA MODEL . . . . . . . . . . . . . . . . 54 3.2.3 EDITING THE RELATIONAL MODEL . . . . . . . . . . . . . . . . . . . . . . 55 3.2.4 THE CASE AND ITS COMPILER . . . . . . . . . . . . . . . . . . . . . . . . 56 3.3 THE CASE BASE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 3.4 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 4. ENSEMBLE METHODS AND RULE GENERATION YONGDAI KIM, JINSEOG KIM, AND JONGWOO JEON : : : : : : : : : : : : : : : : : : : 67 4.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 4.2 ENSEMBLE ALGORITHMS: A REVIEW . . . . . . . . . . . . . . . . . . . . . . . . . . 69 4.2.1 BAGGING . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 4.2.2 BOOSTING . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 4.2.3 CONVEX HULL ENSEMBLE MACHINE: CHEM . . . . . . . . . . . . . 75 4.2.4 COMMENTS ON ROLES OF BASE LEARNERS . . . . . . . . . . . . . . . 80 4.3 RULE GENERATION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 4.4 ILLUSTRATION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 4.5 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 5. EVALUATION SCHEME FOR EXCEPTION RULE/GROUP DISCOVERY EINOSHIN SUZUKI : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 89 5.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 5.2 EXCEPTION RULE/GROUP DISCOVERY . . . . . . . . . . . . . . . . . . . . . . . . . 90 5.2.1 NOTICE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90 5.2.2 USE OF DOMAIN KNOWLEDGE . . . . . . . . . . . . . . . . . . . . . . . . . 91 5.2.3 HYPOTHESIS-DRIVEN DISCOVERY . . . . . . . . . . . . . . . . . . . . . . . 95 5.3 EVALUATION SCHEME AND CLASSIFLCATION OF EXISTING METHODS . . . 102 5.3.1 GENERALITY . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 TABLE OF CONTENTS IX 5.3.2 BREAK OF MONOTONICITY IN DISCOVERED PATTERNS . . . . . . . . 103 5.3.3 EVALUATION OF RELIABILITY. . . . . . . . . . . . . . . . . . . . . . . . . . . 103 5.3.4 SEARCH RANGE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 5.3.5 INTERPRETATION OF THE EVALUATION MEASURE . . . . . . . . . . . . 104 5.3.6 USE OF DOMAIN KNOWLEDGE . . . . . . . . . . . . . . . . . . . . . . . . . 105 5.3.7 SUCCESSES IN REAL APPLICATIONS . . . . . . . . . . . . . . . . . . . . . 105 5.4 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 6. DATA MINING FOR TARGETED MARKETING NING ZHONG, YIYU YAO, CHUNNIAN LIU, JIAJIN HUANG, AND CHUANGXIN OU : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 109 6.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 6.2 THE PROCESS OF TARGETED MARKETING . . . . . . . . . . . . . . . . . . . . . . . 110 6.3 PROBLEMS IN TARGETED MARKETING . . . . . . . . . . . . . . . . . . . . . . . . . 110 6.4 TARGET SELECTION ALGORITHMS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 6.4.1 SEGMENTATION MODELS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 6.4.2 RESPONSE MODELS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 6.5 MINING MARKET VALUE FUNCTIONS . . . . . . . . . . . . . . . . . . . . . . . . . . 118 6.5.1 UTILITY FUNCTIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 6.5.2 ATTRIBUTE WEIGHTING . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 6.6 EVALUATION OF THE LEARNING ALGORITHMS . . . . . . . . . . . . . . . . . . . . 123 6.7 EXPERIMENTAL RESULTS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 6.8 NEW DIRECTIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 6.8.1 WEB-BASED TARGETED MARKETING . . . . . . . . . . . . . . . . . . . . 125 6.8.2 MULTI-ASPECT ANALYSIS IN MULTIPLE DATA SOURCES . . . . . . 127 6.8.3 BUILDING A DATA MINING GRID . . . . . . . . . . . . . . . . . . . . . . 127 6.9 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128 REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129 PART II. DATA MINING FOR WEB INTELLIGENCE 7. MINING FOR INFORMATION DISCOVERY ON THE WEB: OVERVIEW AND ILLUSTRATIVE RESEARCH HWANJO YU, ANHAI DOAN, AND JIAWEI HAN : : : : : : : : : : : : : : : : : : : : : : 135 7.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 7.2 FINDING INFORMATION ON THE WEB . . . . . . . . . . . . . . . . . . . . . . . . . 136 7.2.1 EXPLORING AND NAVIGATING THE WEB . . . . . . . . . . . . . . . . . 136 7.2.2 QUERYING WITH INFORMATION PROCESSING SYSTEMS . . . . . . . 138 7.3 WEB PAGE CLASSIFLCATION FROM POSITIVE EXAMPLES . . . . . . . . . . . . 141 7.3.1 RELATED WORK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142 7.3.2 SVM MARGIN-MAXIMIZATION PROPERTY . . . . . . . . . . . . . . . 143 7.3.3 THE MAPPING-CONVERGENCE (M-C) ALGORITHM . . . . . . . . . 144 X TABLE OF CONTENTS 7.3.4 EXPERIMENTAL RESULTS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148 7.4 OBJECT MATCHING ACROSS DISPARATE DATA SOURCES . . . . . . . . . . . 153 7.4.1 PROBLEM DEFLNITION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156 7.4.2 THE PROM APPROACH. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156 7.4.3 EMPIRICAL EVALUATION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158 7.4.4 RELATED WORK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161 7.4.5 SUMMARY. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162 7.5 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163 REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163 8. MINING WEB LOGS FOR ACTIONABLE KNOWLEDGE QIANG YANG, CHARLES X. LING, AND JIANFENG GAO : : : : : : : : : : : : : : : : : 169 8.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169 8.2 WEB LOG MINING FOR PREFETCHING . . . . . . . . . . . . . . . . . . . . . . . . . . 170 8.2.1 DATA CLEANING ON WEB LOG DATA . . . . . . . . . . . . . . . . . . . 170 8.2.2 MINING WEB LOGS FOR PATH PROFLLES . . . . . . . . . . . . . . . . . 171 8.2.3 WEB OBJECT PREDICTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171 8.2.4 LEARNING TO PREFETCH WEB DOCUMENTS . . . . . . . . . . . . . . . 173 8.3 WEB PAGE CLUSTERING FOR INTELLIGENT USER INTERFACES . . . . . . . . . 175 8.4 WEB QUERY LOG MINING . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178 8.4.1 WEB QUERY LOGS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178 8.4.2 MINING GENERALIZED QUERY PATTERNS . . . . . . . . . . . . . . . . . 181 8.4.3 A BOTTOM-UP GENERALIZATION ALGORITHM . . . . . . . . . . . . . 182 8.4.4 IMPROVEMENT 1: A HIERARCHY OVER KEYWORDS . . . . . . . . . 183 8.4.5 IMPROVEMENT 2: FLEXIBLE GENERALIZATIONS . . . . . . . . . . . . 184 8.4.6 IMPROVEMENT 3: MORPHOLOGY CONVERSION . . . . . . . . . . . . . 185 8.4.7 IMPROVEMENT 4: SYNONYM CONVERSION . . . . . . . . . . . . . . . 185 8.4.8 IMPLEMENTATIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186 8.4.9 SIMULATION EXPERIMENTS . . . . . . . . . . . . . . . . . . . . . . . . . . . 187 8.4.10 ANALYSES OF THE RESULTS . . . . . . . . . . . . . . . . . . . . . . . . . . . 187 8.4.11 RELATION TO PREVIOUS WORK . . . . . . . . . . . . . . . . . . . . . . . . 188 8.5 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189 REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190 9. DISCOVERY OF WEB ROBOT SESSIONS BASED ON THEIR NAVIGATIONAL PATTERNS PANG-NING TAN AND VIPIN KUMAR : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 193 9.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193 9.2 WEB ROBOT DETECTION: OVERVIEW . . . . . . . . . . . . . . . . . . . . . . . . . . 197 9.2.1 LIMITATIONS OF CURRENT ROBOT DETECTION TECHNIQUES . . . 197 9.2.2 MOTIVATION FOR PROPOSED ROBOT DETECTION TECHNIQUE . . 200 9.3 METHODOLOGY . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202 9.3.1 DATA SOURCE AND PREPROCESSING . . . . . . . . . . . . . . . . . . . . . 202 9.3.2 FEATURE VECTOR CONSTRUCTION . . . . . . . . . . . . . . . . . . . . . . . 204 TABLE OF CONTENTS XI 9.3.3 SESSION LABELING . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207 9.3.4 CLASSIFLCATION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209 9.3.5 IDENTIFYING MISLABELED SESSIONS . . . . . . . . . . . . . . . . . . . . . 210 9.4 EXPERIMENTAL EVALUATION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211 9.4.1 EXPERIMENTAL DATA SET . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211 9.4.2 CORRELATION ANALYSIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212 9.4.3 CLASSIFLER PERFORMANCE . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215 9.4.4 FINDING MISLABELED DATA . . . . . . . . . . . . . . . . . . . . . . . . . . 217 9.5 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219 REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221 10. WEB ONTOLOGY LEARNING AND ENGINEERING: AN INTEGRATED APPROACH ROBERTO NAVIGLI, PAOLA VELARDI, AND MICHELE MISSIKOFI : : : : : : : : : : : 223 10.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223 10.2 THE ONTOLEARN SYSTEM. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227 10.2.1 IDENTIFLCATION OF RELEVANT DOMAIN TERMINOLOGY . . . . . . . 228 10.2.2 SEMANTIC INTERPRETATION OF TERMS . . . . . . . . . . . . . . . . . . . 230 10.2.3 CREATING A SPECIFLC DOMAIN ONTOLOGY . . . . . . . . . . . . . . . 234 10.2.4 CREATING A DOMAIN ONTOLOGY FROM WORDNET . . . . . . . . . 237 10.3 EVALUATION OF THE ONTOLEARN SYSTEM . . . . . . . . . . . . . . . . . . . . . . 237 10.4 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239 REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241 11. BROWSING SEMI-STRUCTURED TEXTS ON THE WEB USING FORMAL CONCEPT ANALYSIS RICHARD COLE, FLORENCE AMARDEILH, AND PETER EKLUND : : : : : : : : : : : : 243 11.1 INTRODUCTION: INFORMATION EXTRACTION AND THE WEB . . . . . . . . . . 243 11.1.1 DEFLNITIONS { INFORMATION EXTRACTION . . . . . . . . . . . . . . . . 244 11.1.2 WEB DOCUMENTS AND TEXT DIVERSITY . . . . . . . . . . . . . . . . 244 11.1.3 ARCHITECTURE AND COMPONENTS. . . . . . . . . . . . . . . . . . . . . . 245 11.1.4 RELATED WORK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246 11.1.5 THE INTERACTION PARADIGM AND LEARNING CONTEXT . . . . . 247 11.2 FORMAL CONCEPT ANALYSIS AND RDBMSS . . . . . . . . . . . . . . . . . . . 248 11.3 WEB-ROBOT FOR EXTRACTING STRUCTURED DATA FROM UNSTRUCTURED SOURCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252 11.4 RFCA { THE WEB-BASED FCA INTERFACE . . . . . . . . . . . . . . . . . . . . 255 11.5 REUSING CEM FOR NESTING AND ZOOMING . . . . . . . . . . . . . . . . . . . . 259 11.6 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262 REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263 XII TABLE OF CONTENTS 12. GRAPH DISCOVERY AND VISUALIZATION FROM TEXTUAL DATA VINCENT DUBOIS AND MOHAMED QUAFAFOU : : : : : : : : : : : : : : : : : : : : : : : 265 12.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265 12.2 GRAPH STRUCTURE DISCOVERY . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266 12.2.1 GRAPH STRUCTURE SEMANTIC . . . . . . . . . . . . . . . . . . . . . . . . . 266 12.2.2 NETWORK EVALUATION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267 12.2.3 METHODS AND ALGORITHMS . . . . . . . . . . . . . . . . . . . . . . . . . . 268 12.3 VISUALIZATION CONSTRAINS DISCOVERY . . . . . . . . . . . . . . . . . . . . . . . 269 12.3.1 GRAPH STRUCTURE VISUALIZATION . . . . . . . . . . . . . . . . . . . . . 269 12.3.2 INCREMENTAL AND DYNAMIC PROPERTIES. . . . . . . . . . . . . . . . 271 12.4 EXPERIMENTAL RESULTS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272 12.4.1 RESULTS ON CORPUS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272 12.4.2 CONVERGENCE PROBLEM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274 12.4.3 EFIECT OF INITIAL POSITION ON RESULT . . . . . . . . . . . . . . . . . . 275 12.4.4 EFIECT OF NEW DATA INSERTION . . . . . . . . . . . . . . . . . . . . . . . 275 12.4.5 INUENCE OF DATA ORDER . . . . . . . . . . . . . . . . . . . . . . . . . . . 276 12.5 APPLICATION: WEB CONTENT MINING . . . . . . . . . . . . . . . . . . . . . . . . 277 12.5.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 277 12.5.2 GENERAL ARCHITECTURE. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281 12.5.3 RELATED WORK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282 12.5.4 DYNAMIC SEARCH AND CRAWLING . . . . . . . . . . . . . . . . . . . . . 283 12.5.5 INTEGRATION AND IMPLEMENTATION ISSUES . . . . . . . . . . . . . . 284 12.5.6 EXPERIMENTAL RESULTS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285 12.6 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 287 REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 287 PART III. EMERGING AGENT TECHNOLOGY 13. AGENT NETWORKS: TOPOLOGICAL AND CLUSTERING CHARACTERIZATION XIAOLONG JIN AND JIMING LIU : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 291 13.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291 13.1.1 SMALL WORLD PHENOMENA . . . . . . . . . . . . . . . . . . . . . . . . . . 291 13.1.2 AGENT NETWORKS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291 13.1.3 SATISFLABILITY PROBLEMS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 292 13.1.4 PROBLEM STATEMENTS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293 13.1.5 ORGANIZATION OF THIS CHAPTER . . . . . . . . . . . . . . . . . . . . . . 293 13.2 TOPOLOGIES OF AGENT NETWORKS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293 13.2.1 REPRESENTATION I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294 13.2.2 REPRESENTATION II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297 13.3 DISCUSSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299 13.3.1 COMPLEXITIES IN DIFIERENT REPRESENTATIONS . . . . . . . . . . . 299 TABLE OF CONTENTS XIII 13.3.2 BALANCED COMPLEXITIES IN INTRA- AND INTER-AGENT COMPUTATIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300 13.3.3 A GUIDING PRINCIPLE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300 13.4 AVERAGE VALUE OF THE CLUSTERING COECIENT . . . . . . . . . . . . . . . . 301 13.5 LOWER BOUNDS OF THE CLUSTERING COECIENT . . . . . . . . . . . . . . . . 303 13.6 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 306 REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 308 14. FINDING THE BEST AGENTS FOR COOPERATION FRANCESCO BUCCAFURRI, LUIGI PALOPOLI, DOMENICO ROSACI, AND GIUSEPPE M.L. SARNE : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 311 14.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311 14.2 RELATED WORK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312 14.3 THE KNOWLEDGE BASES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 314 14.3.1 AN ONTOLOGY FOR DESCRIBING THE DOMAIN OF INTEREST . . . 314 14.3.2 THE LOCAL KNOWLEDGE BASE . . . . . . . . . . . . . . . . . . . . . . . . 315 14.4 EXTRACTION OF THE SEMANTIC PROPERTIES . . . . . . . . . . . . . . . . . . . . . 315 14.4.1 LOCAL PROPERTIES: SIMILARITY . . . . . . . . . . . . . . . . . . . . . . . . 316 14.4.2 GLOBAL PROPERTIES: INTEREST AND ATTRACTIVENESS. . . . . . . . 317 14.4.3 CHOICE LISTS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 321 14.4.4 REACTIVE PROPERTIES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 322 14.5 LOCAL KNOWLEDGE BASE INTEGRATION . . . . . . . . . . . . . . . . . . . . . . . . 324 14.6 THE SPY SYSTEM ARCHITECTURE . . . . . . . . . . . . . . . . . . . . . . . . . . . 325 14.7 EXPERIMENTS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 329 14.8 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 330 REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 330 15. CONSTRUCTING HYBRID INTELLIGENT SYSTEMS FOR DATA MINING FROM AGENT PERSPECTIVES ZILI ZHANG AND CHENGQI ZHANG : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 333 15.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 333 15.2 DATA MINING NEEDS HYBRID SOLUTIONS . . . . . . . . . . . . . . . . . . . . . . 335 15.3 AGENT PERSPECTIVES ARE SUITABLE FOR MODELING HYBRID INTELLIGENT SYSTEMS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 337 15.4 AGENT-ORIENTED METHODOLOGIES . . . . . . . . . . . . . . . . . . . . . . . . . . . 338 15.4.1 THE ROLE MODEL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 339 15.4.2 THE INTERACTION MODEL . . . . . . . . . . . . . . . . . . . . . . . . . . . . 342 15.4.3 ORGANIZATIONAL RULES. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 343 15.4.4 THE AGENT MODEL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 343 15.4.5 THE SKILL MODEL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 344 15.4.6 THE KNOWLEDGE MODEL . . . . . . . . . . . . . . . . . . . . . . . . . . . . 344 15.4.7 ORGANIZATIONAL STRUCTURES AND PATTERNS . . . . . . . . . . . . . 345 15.5 AGENT-BASED HYBRID SYSTEMS FOR DATA MINING. . . . . . . . . . . . . . 346 15.5.1 ANALYSIS AND DESIGN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 346 XIV TABLE OF CONTENTS 15.5.2 IMPLEMENTATION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 352 15.5.3 CASE STUDY . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 355 15.6 EVALUATION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 357 15.7 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 357 REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 358 16. MAKING AGENTS ACCEPTABLE TO PEOPLE JEFIREY M. BRADSHAW, PATRICK BEAUTEMENT, MAGGIE R. BREEDY, LARRY BUNCH, SERGEY V. DRAKUNOV, PAUL J. FELTOVICH, ROBERT R. HOFIMAN, RENIA JEFIERS, MATTHEW JOHNSON, SHRINIWAS KULKARNI, JAMES LOTT, ANIL K. RAJ, NIRANJAN SURI, AND ANDRZEJ USZOK : : : : : : : : : : : : : : : : : 361 16.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 361 16.2 ADDRESSING AGENT ACCEPTABILITY THROUGH THE USE OF POLICY . . 367 16.2.1 WHAT IS POLICY? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 368 16.2.2 DISTINGUISHING POLICY FROM RELATED CONCEPTS . . . . . . . . . 369 16.2.3 TYPES OF POLICY . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 370 16.2.4 AUTONOMY AND POLICY . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 371 16.2.5 BENEFLTS OF POLICY MANAGEMENT . . . . . . . . . . . . . . . . . . . . . 375 16.2.6 APPLICATIONS OF POLICY USING KAOS AND NOMADS . . . . . . 377 16.3 TECHNICAL ASPECTS OF AGENT ACCEPTABILITY . . . . . . . . . . . . . . . . . . 379 16.3.1 EXAMPLES OF POLICY TYPES RELATING TO TECHNICAL ASPECTS OF AGENT ACCEPTABILITY . . . . . . . . . . . . . . . . . . . . . 380 16.4 SOCIAL ASPECTS OF AGENT ACCEPTABILITY . . . . . . . . . . . . . . . . . . . . . 386 16.4.1 EXAMPLES OF POLICY TYPES RELATING TO SOCIAL ASPECTS OF AGENT ACCEPTABILITY . . . . . . . . . . . . . . . . . . . . . . . . . . . . 387 16.4.2 COGNITIVE AND ROBOTIC PROSTHESES . . . . . . . . . . . . . . . . . . 394 16.5 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 398 REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 398 PART IV. EMERGING SOFT COMPUTING TECHNOLOGY 17. CONSTRAINT-BASED NEURAL NETWORK LEARNING FOR TIME SERIES PREDICTIONS BENJAMIN W. WAH AND MINGLUN QIAN : : : : : : : : : : : : : : : : : : : : : : : : : 409 17.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 409 17.2 PREVIOUS WORK IN TIME SERIES MODELING . . . . . . . . . . . . . . . . . . . 410 17.2.1 LINEARITY . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 411 17.2.2 PIECEWISE CHAOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 412 17.2.3 RANDOM NOISE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 412 17.2.4 ARTIFLCIAL NEURAL NETWORKS . . . . . . . . . . . . . . . . . . . . . . . . . 415 17.3 PREDICTIONS OF NOISE-FREE STATIONARY AND PIECEWISE CHAOTIC TIME SERIES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 417 17.3.1 RECURRENT FIR NEURAL NETWORKS . . . . . . . . . . . . . . . . . . . . 417 TABLE OF CONTENTS XV 17.3.2 CONSTRAINED FORMULATIONS FOR ANN LEARNING . . . . . . . . . 418 17.3.3 VIOLATION-GUIDED BACKPROPAGATION ALGORITHM . . . . . . . . 420 17.3.4 EXPERIMENTAL RESULTS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 422 17.4 PREDICTIONS OF NOISY TIME SERIES WITH HIGH FREQUENCY RANDOM NOISE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 423 17.4.1 REVIEW ON FINANCIAL TIME SERIES PREDICTIONS . . . . . . . . . 424 17.4.2 CONSTRAINT IN THE LAG PERIOD . . . . . . . . . . . . . . . . . . . . . . . 424 17.4.3 EXPERIMENTAL RESULTS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 425 17.5 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 428 REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 429 18. APPROXIMATE REASONING IN DISTRIBUTED ENVIRONMENTS ANDRZEJ SKOWRON : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 433 18.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 433 18.2 INFORMATION GRANULES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 439 18.2.1 ROUGH SETS AND APPROXIMATION SPACES . . . . . . . . . . . . . . 439 18.2.2 SYNTAX AND SEMANTICS OF INFORMATION GRANULES . . . . . . . 441 18.2.3 GRANULE INCLUSION AND CLOSENESS . . . . . . . . . . . . . . . . . . . . 447 18.2.4 ROUGH{FUZZY GRANULES . . . . . . . . . . . . . . . . . . . . . . . . . . . . 451 18.2.5 CLASSIFLERS AS INFORMATION GRANULES . . . . . . . . . . . . . . . . . 451 18.3 ROUGH-NEURAL COMPUTING: WEIGHTS DEFLNED BY APPROXIMATION SPACES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 452 18.4 ROUGH-NEURAL COMPUTING: ROUGH MEREOLOGICAL APPROACH . . . . 457 18.4.1 DISTRIBUTED SYSTEMS OF AGENTS . . . . . . . . . . . . . . . . . . . . . 458 18.4.2 APPROXIMATE SYNTHESIS OF COMPLEX OBJECTS . . . . . . . . . . 461 18.5 EXTRACTING AR -SCHEMES FROM DATA AND BACKGROUND KNOWLEDGE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 464 18.5.1 GRANULE DECOMPOSITION . . . . . . . . . . . . . . . . . . . . . . . . . . . 465 18.6 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 469 REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 472 19. SOFT COMPUTING PATTERN RECOGNITION, DATA MINING AND WEB INTELLIGENCE SANKAR K. PAL, SUSHMITA MITRA, AND PABITRA MITRA : : : : : : : : : : : : : : 475 19.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 475 19.2 SOFT COMPUTING PATTERN RECOGNITION . . . . . . . . . . . . . . . . . . . . . . 478 19.2.1 RELEVANCE OF FUZZY SET THEORY IN PATTERN RECOGNITION 478 19.2.2 RELEVANCE OF NEURAL NETWORK APPROACHES . . . . . . . . . . . . 479 19.2.3 GENETIC ALGORITHMS FOR PATTERN RECOGNITION . . . . . . . . . 481 19.2.4 RELEVANCE OF ROUGH SETS . . . . . . . . . . . . . . . . . . . . . . . . . . 481 19.2.5 INTEGRATION AND HYBRID SYSTEMS . . . . . . . . . . . . . . . . . . . . 482 19.3 KNOWLEDGE DISCOVERY AND DATA MINING . . . . . . . . . . . . . . . . . . . . 485 19.3.1 DATA MINING . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 485 19.4 SOFT COMPUTING FOR DATA MINING . . . . . . . . . . . . . . . . . . . . . . . . . 486 XVI TABLE OF CONTENTS 19.4.1 FUZZY SETS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 486 19.4.2 NEURAL NETWORKS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 489 19.4.3 NEURO-FUZZY COMPUTING . . . . . . . . . . . . . . . . . . . . . . . . . . 490 19.4.4 GENETIC ALGORITHMS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 491 19.4.5 ROUGH SETS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 492 19.5 WEB MINING . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 492 19.5.1 WEB MINING COMPONENTS AND THE METHODOLOGIES . . . . . 493 19.6 SOFT COMPUTING FOR WEB MINING . . . . . . . . . . . . . . . . . . . . . . . . . . 494 19.6.1 FUZZY LOGIC FOR WEB MINING . . . . . . . . . . . . . . . . . . . . . . . 494 19.6.2 NEURAL NETWORKS AND LEARNING SYSTEMS FOR WEB MINING . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 497 19.6.3 GENETIC ALGORITHMS FOR WEB MINING . . . . . . . . . . . . . . . . 502 19.6.4 ROUGH SETS FOR WEB MINING. . . . . . . . . . . . . . . . . . . . . . . . 503 19.7 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 505 REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 506 20. DOMINANCE-BASED ROUGH SET APPROACH TO KNOWLEDGE DISCOVERY (I): GENERAL PERSPECTIVE SALVATORE GRECO, BENEDETTO MATARAZZO, AND ROMAN SLOWINSKI : : : : : 513 20.1 INTRODUCTION: THREE TYPES OF PRIOR KNOWLEDGE TO BE INCLUDED IN KNOWLEDGE DISCOVERY . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 513 20.2 THE INUENCE OF PREFERENCE ORDER IN DATA ON GRANULAR COMPUTING . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 516 20.3 DOMINANCE-BASED ROUGH SET APPROACH (DRSA) . . . . . . . . . . . . 518 20.3.1 GRANULAR COMPUTING WITH DOMINANCE CONES . . . . . . . . 518 20.3.2 INDUCTION OF DECISION RULES . . . . . . . . . . . . . . . . . . . . . . . . 523 20.3.3 ILLUSTRATIVE EXAMPLE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 525 20.4 DRSA FOR MULTICRITERIA CHOICE AND RANKING . . . . . . . . . . . . . . . 529 20.4.1 PAIRWISE COMPARISON TABLE (PCT) AS A PREFERENTIAL INFORMATION AND A LEARNING SAMPLE . . . . . . . . . . . . . . . . . 530 20.4.2 ROUGH APPROXIMATION OF OUTRANKING AND NON-OUTRANKING RELATIONS SPECIFLED IN PCT . . . . . . . . . . . . . . . . . . . . . . . . 532 20.4.3 INDUCTION OF DECISION RULES FROM ROUGH APPROXIMA- TIONS OF OUTRANKING AND NON-OUTRANKING RELATIONS. . . . 534 20.4.4 USE OF DECISION RULES FOR DECISION SUPPORT . . . . . . . . . . 536 20.4.5 ILLUSTRATIVE EXAMPLE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 537 20.4.6 SUMMARY. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 539 20.5 DRSA WITH MISSING VALUES OF ATTRIBUTES AND CRITERIA . . . . . . . 540 20.5.1 GENERALIZED INDISCERNIBILITY RELATION . . . . . . . . . . . . . . . . 540 20.5.2 ILLUSTRATIVE EXAMPLE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 542 20.5.3 GENERALIZED DOMINANCE RELATION . . . . . . . . . . . . . . . . . . . 543 20.5.4 ILLUSTRATIVE EXAMPLE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 546 20.6 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 547 REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 548 TABLE OF CONTENTS XVII 21. DOMINANCE-BASED ROUGH SET APPROACH TO KNOWLEDGE DISCOVERY (II): EXTENSIONS AND APPLICATIONS SALVATORE GRECO, BENEDETTO MATARAZZO, AND ROMAN SLOWINSKI : : : : : 553 21.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 553 21.2 FUZZY SET EXTENSIONS OF DRSA . . . . . . . . . . . . . . . . . . . . . . . . . . . 553 21.2.1 FUZZY DRSA FOR MULTICRITERIA CLASSIFLCATION . . . . . . . . . 554 21.2.2 FUZZY DRSA FOR MULTICRITERIA CHOICE AND RANKING . . . 560 21.2.3 GRADUAL RULES AND FUZZY ROUGH APPROXIMATIONS WITHOUT FUZZY LOGICAL CONNECTIVES . . . . . . . . . . . . . . . . . 564 21.3 DRSA FOR DECISION UNDER RISK . . . . . . . . . . . . . . . . . . . . . . . . . . . 575 21.3.1 DRSA BASED ON STOCHASTIC DOMINANCE . . . . . . . . . . . . . . 576 21.3.2 ILLUSTRATIVE EXAMPLE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 577 21.4 DRSA FOR HIERARCHICAL DECISION MAKING . . . . . . . . . . . . . . . . . . . 580 21.4.1 ROUGH SET APPROACH FOR ATTRIBUTE SUBSET VALUES AND INTERVAL ORDER . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 582 21.4.2 PROPAGATION OF INCONSISTENCIES AND APPLICATION OF DECISION RULES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 587 21.4.3 ILLUSTRATIVE EXAMPLE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 589 21.5 COMPARISON OF DRSA WITH OTHER PARADIGMS . . . . . . . . . . . . . . . 596 21.5.1 AXIOMATIC FOUNDATIONS OF MULTICRITERIA CLASSIFLCATION PROBLEMS AND ASSOCIATED PREFERENCE MODELS . . . . . . . . . 596 21.5.2 CONJOINT MEASUREMENT FOR MULTICRITERIA CLASSIFLCATION PROBLEMS WITH INCONSISTENCIES . . . . . . . . . . . . . . . . . . . . . . 605 21.5.3 SUMMARY. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 606 21.6 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 606 REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 607 PART V. STATISTICAL LEARNING THEORY 22. BAYESIAN YING YANG LEARNING (I): A UNIFLED PERSPECTIVE FOR STATISTICAL MODELING LEI XU : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 615 22.1 INTRODUCTION: BASIC ISSUES OF STATISTICAL LEARNING . . . . . . . . . . . 615 22.2 DEPENDENCE AMONG SAMPLES FROM ONE-OBJECT WORLD . . . . . . . 616 22.3 DEPENDENCE AMONG SAMPLES FROM A MULTI-OBJECT WORLD . . . . 620 22.3.1 DEPENDENCE AMONG SAMPLES FROM A MULTI-OBJECT WORLD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 620 22.3.2 MINING DEPENDENCE STRUCTURE ACROSS INVISIBLE MULTI-OBJECT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 621 22.4 A SYSTEMIC VIEW ON VARIOUS DEPENDENCE STRUCTURES . . . . . . . . 623 22.5 BAYESIAN YING YANG SYSTEM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 627 22.6 BYY HARMONY LEARNING . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 631 XVIII TABLE OF CONTENTS 22.6.1 KULLBACK DIVERGENCE, HARMONY MEASURE, AND Z -REGULARIZATION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 631 22.6.2 BYY HARMONY LEARNING . . . . . . . . . . . . . . . . . . . . . . . . . . 634 22.6.3 A FURTHER EXTENSION: FROM LN( R ) TO CONVEX FUNCTION . 637 22.7 YING-YANG ALTERNATIVE PROCEDURE FOR PARAMETER LEARNING . . . 640 22.8 LEARNING IMPLEMENTATION: FROM OPTIMIZATION SEARCH TO ACCUMULATION CONSENSUS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 643 22.9 MAIN RESULTS AND BIBLIOGRAPHIC REMARKS . . . . . . . . . . . . . . . . . . 647 22.9.1 MAIN RESULTS ON TYPICAL LEARNING PROBLEMS . . . . . . . . . 647 22.9.2 BIBLIOGRAPHIC REMARKS ON BYY SYSTEM WITH KL LEARNING . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 650 22.9.3 BIBLIOGRAPHIC REMARKS ON COMPUTING TECHNIQUES . . . . 654 22.10 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 654 REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 655 23. BAYESIAN YING YANG LEARNING (II): A NEW MECHANISM FOR MODEL SELECTION AND REGULARIZATION LEI XU : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 661 23.1 INTRODUCTION: A KEY CHALLENGE AND EXISTING SOLUTIONS . . . . . . 661 23.2 EXISTING SOLUTIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 663 23.2.1 EFIORTS IN THE FIRST STREAM . . . . . . . . . . . . . . . . . . . . . . . . 663 23.2.2 EFIORTS IN THE SECOND STREAM . . . . . . . . . . . . . . . . . . . . . . . 664 23.3 BAYESIAN YING YANG HARMONY LEARNING . . . . . . . . . . . . . . . . . . . 667 23.3.1 BAYESIAN YING YANG HARMONY LEARNING . . . . . . . . . . . . . 668 23.3.2 STRUCTURAL INNER REPRESENTATIONS . . . . . . . . . . . . . . . . . . . 672 23.4 REGULARIZATION VERSUS MODEL SELECTION . . . . . . . . . . . . . . . . . . . . 675 23.4.1 ML, HL, AND Z -REGULARIZATION . . . . . . . . . . . . . . . . . . . . . 675 23.4.2 KL- -HL SPECTRUM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 678 23.5 AN INFORMATION TRANSFER PERSPECTIVE . . . . . . . . . . . . . . . . . . . . . . 681 23.6 BYY HARMONY LEARNING VERSUS RELATED APPROACHES . . . . . . . . 684 23.6.1 RELATION AND DIFIERENCE TO THE BITS-BACK BASED MDL AND BAYESIAN APPROACHES. . . . . . . . . . . . . . . . . . . . . . . . . . 684 23.6.2 RELATIONS TO INFORMATION GEOMETRY, HELMHOLTZ MACHINE AND VARIATIONAL APPROXIMATION . . . . . . . . . . . . 686 23.6.3 A PROJECTION GEOMETRY PERSPECTIVE . . . . . . . . . . . . . . . . . 688 23.7 BIBLIOGRAPHIC REMARKS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 693 23.7.1 ON BYY HARMONY LEARNING (I): MODEL SELECTION CRITERIA VS. AUTOMATIC MODEL SELECTION . . . . . . . . . . . . . . 693 23.7.2 ON BYY HARMONY LEARNING (II): MODEL SELECTION CRITERIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 694 23.7.3 ON BYY HARMONY LEARNING (III): AUTOMATIC MODEL SELECTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 696 23.7.4 ON REGULARIZATION METHODS . . . . . . . . . . . . . . . . . . . . . . . . 698 23.8 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 700 TABLE OF CONTENTS XIX REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 700 AUTHOR INDEX : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 707 SUBJECT INDEX : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 709
any_adam_object	1
author2	Zhong, Ning 1956-
author2_role	edt
author2_variant	n z nz
author_GND	(DE-588)120946491
author_facet	Zhong, Ning 1956-
building	Verbundindex
bvnumber	BV025332769
classification_rvk	ST 302
ctrlnum	(OCoLC)249564995 (DE-599)BVBBV025332769
dewey-full	006.3
dewey-hundreds	000 - Computer science, information, general works
dewey-ones	006 - Special computer methods
dewey-raw	006.3
dewey-search	006.3
dewey-sort	16.3
dewey-tens	000 - Computer science, information, general works
discipline	Informatik
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>01073nam a2200289 c 4500</leader><controlfield tag="001">BV025332769</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">00000000000000.0</controlfield><controlfield tag="007">t\|</controlfield><controlfield tag="008">100417s2004 xx ad\|\| \|\|\|\| 00\|\|\| eng d</controlfield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3540406778</subfield><subfield code="9">3-540-40677-8</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)249564995</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)BVBBV025332769</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rakwb</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">eng</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-11</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">006.3</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 302</subfield><subfield code="0">(DE-625)143652:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Intelligent technologies for information analysis</subfield><subfield code="b">with 48 tables</subfield><subfield code="c">Ning Zhong... (Eds.)</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Berlin [u.a.]</subfield><subfield code="b">Springer</subfield><subfield code="c">2004</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">XXVII, 711 S.</subfield><subfield code="b">Ill., graph. Darst.</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Zhong, Ning</subfield><subfield code="d">1956-</subfield><subfield code="0">(DE-588)120946491</subfield><subfield code="4">edt</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">SWB Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=019961856&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-019961856</subfield></datafield></record></collection>
id	DE-604.BV025332769
illustrated	Illustrated
indexdate	2024-12-20T14:25:56Z
institution	BVB
isbn	3540406778
language	English
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-019961856
oclc_num	249564995
open_access_boolean
owner	DE-11
owner_facet	DE-11
physical	XXVII, 711 S. Ill., graph. Darst.
publishDate	2004
publishDateSearch	2004
publishDateSort	2004
publisher	Springer
record_format	marc
spellingShingle	Intelligent technologies for information analysis with 48 tables
title	Intelligent technologies for information analysis with 48 tables
title_auth	Intelligent technologies for information analysis with 48 tables
title_exact_search	Intelligent technologies for information analysis with 48 tables
title_full	Intelligent technologies for information analysis with 48 tables Ning Zhong... (Eds.)
title_fullStr	Intelligent technologies for information analysis with 48 tables Ning Zhong... (Eds.)
title_full_unstemmed	Intelligent technologies for information analysis with 48 tables Ning Zhong... (Eds.)
title_short	Intelligent technologies for information analysis
title_sort	intelligent technologies for information analysis with 48 tables
title_sub	with 48 tables
url	http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=019961856&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT zhongning intelligenttechnologiesforinformationanalysiswith48tables

Verfügbarkeit

‌

Inhaltsverzeichnis