基于 kdd 的知识自动获取及其应用
DESCRIPTION
基于 KDD 的知识自动获取及其应用. 答 辩 人：黄 瑞 指导教师：赵远东 副教授 史忠植 研究员. 主要内容. 一、研究背景及意义 二、基于 KDD 的知识自动获取模型概述 三、基于知识库的 KDD 四、自动演化知识库 五、模型在自动化测井数据分析中的应用 六、总结与展望. 研究背景及意义. 知识获取研究概述 知识获取的基本过程 知识获取研究的主要内容 知识自动获取研究发展 KDD ( Knowledge Discovery in Databases ) 研究概述 KDD 的基本过程 KDD 的主要任务 数据挖掘的常用方法 - PowerPoint PPT PresentationTRANSCRIPT
<>KDD
KDD
KDD
Intranet Web “”“””“”“”“
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
Wheeler Schneider AUTOKNAQ
KDD
KDD
KDD
Web
CKMP
KDD
KDD
/
?
KDD
KDD
KDD
KDD
/
KDD
KDD
KDD
Web
KDD
KDD
KDD
KDD
KDD
IBM WatsonSEAS“”
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
/
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDDKDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
“(X < 0)(Y > ?)Z”
KDD
KDD
then FORMATION = “gas”
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
“”
KDD
KDD
KDD
KDD
RuleBNF
_1177310187.unknown
_1177310318.unknown
KDD
KDD
3 ABABABA&B
KDD
KDD
5 ABABABA B
KDD
KDD
_1177314891.unknown
_1177314934.unknown
_1177314883.unknown
KDD
KDD
OA
OB
_1177328567.unknown
_1177328608.unknown
_1177314883.unknown
KDD
KDD
6 RSRSSR RS
7 RSSR RS RSRS
8 RSRSSR RS RS
KDD
KDD
10 RSRSSRSRS
KDD
KDD
KDD
KDD
Rule
KDD
KDD
Rule
r1r2r1r2
r1 r2 PQRS r1r2
KDD
KDD
Rule
KDD
KDD
Rule
KDD
KDD
Rule
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
“DEPTH” “CALI” “CNL” “DEN” “GR”“RI” “RT” “RXO” “SP” “AC”
“thickness” “starting depth” “ending depth” “Result”
KDD
KDD
MSMiner ——
KDD
KDD
MSMiner——
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
f :- SP>=-0.398 (56/0).
c :- AC>=94.375, RT>=5.426, SP<=-46.669, CALI>=8.654 (23/1).
c :- RT>=7.198, CNL>=28 (31/6).
c :- CALI>=8.966 (6/2).
c :- AC>=101.787 (2/0).
Hypothesis size: 8 rules, 23 conditions
Learning time: 0.98 sec
KDD
KDD
OKPS ——KAMT
KDD
KDD
OKPS ——OOIE
KDD
KDD
KDD
KDD
KDD
KDD
KDD
MSMiner
KDD
KDD
KDD
KDD
KDD
KBSWebKDD
KDD
KDD
)C R Z(⇒...∧)B Q Y(∧)A P X(
*⇒)0<X(
KDD
KDD
Intranet Web “”“””“”“”“
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
Wheeler Schneider AUTOKNAQ
KDD
KDD
KDD
Web
CKMP
KDD
KDD
/
?
KDD
KDD
KDD
KDD
/
KDD
KDD
KDD
Web
KDD
KDD
KDD
KDD
KDD
IBM WatsonSEAS“”
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
/
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDDKDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
“(X < 0)(Y > ?)Z”
KDD
KDD
then FORMATION = “gas”
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
“”
KDD
KDD
KDD
KDD
RuleBNF
_1177310187.unknown
_1177310318.unknown
KDD
KDD
3 ABABABA&B
KDD
KDD
5 ABABABA B
KDD
KDD
_1177314891.unknown
_1177314934.unknown
_1177314883.unknown
KDD
KDD
OA
OB
_1177328567.unknown
_1177328608.unknown
_1177314883.unknown
KDD
KDD
6 RSRSSR RS
7 RSSR RS RSRS
8 RSRSSR RS RS
KDD
KDD
10 RSRSSRSRS
KDD
KDD
KDD
KDD
Rule
KDD
KDD
Rule
r1r2r1r2
r1 r2 PQRS r1r2
KDD
KDD
Rule
KDD
KDD
Rule
KDD
KDD
Rule
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
“DEPTH” “CALI” “CNL” “DEN” “GR”“RI” “RT” “RXO” “SP” “AC”
“thickness” “starting depth” “ending depth” “Result”
KDD
KDD
MSMiner ——
KDD
KDD
MSMiner——
KDD
KDD
KDD
KDD
KDD
KDD
KDD
KDD
f :- SP>=-0.398 (56/0).
c :- AC>=94.375, RT>=5.426, SP<=-46.669, CALI>=8.654 (23/1).
c :- RT>=7.198, CNL>=28 (31/6).
c :- CALI>=8.966 (6/2).
c :- AC>=101.787 (2/0).
Hypothesis size: 8 rules, 23 conditions
Learning time: 0.98 sec
KDD
KDD
OKPS ——KAMT
KDD
KDD
OKPS ——OOIE
KDD
KDD
KDD
KDD
KDD
KDD
KDD
MSMiner
KDD
KDD
KDD
KDD
KDD
KBSWebKDD
KDD
KDD
)C R Z(⇒...∧)B Q Y(∧)A P X(
*⇒)0<X(