文摘
致力于增加利益的动态环境中,一个重要方面是显示在上下文感知系统应对快速变化发生在用户在运行时周围的环境。然而,大多数使用预定义的上下文感知规则可能不支持上下文感知系统在动态环境中有效的决策。这些环境敏感规则,考虑不同的上下文信息来达到一个适当的决定,可以在运行时失去效率。因此,越来越多的新兴解决决策问题需要的是利用动态环境。为了解决这个问题,我们提出一个方法,依靠提高决策的动态环境中通过自动丰富规则知识库与新环境敏感规则在运行时被发现的。提出方法的主要功能如下:(i)两个机器学习算法对规则的杂交一代,(2)一个扩展规则优化遗传算法(GA),和(3)规则转换为知识库浓缩在一个自动化的方式。此外,广泛的实验在不同的数据集进行评估提出的方法的有效性。获得的实验结果描述,这种方法表现出更好的效果相比,一些算法和先进的工作。
1。介绍
在上下文感知计算,存在一个转变,从静态环境动态环境(1]。这一转变反映了日益增长的兴趣致力于动态环境。日益增长的兴趣,关键需要显示上下文感知系统需要注意的,在高度动态的环境中适应变化了的情况下在运行时(2]。支持这种需求,一个大的挑战是上下文感知系统应该调整他们的行为动力学意味着在运行时在周围的环境中。为了迎接这一挑战,决策过程改进提供适当的服务用户位于高度变化的环境出现了使上下文感知系统在运行时动态的环境适应能力更强。然而,目前,大多数环境敏感系统通常使用预定义的上下文感知规则适用于静态环境只能对环境变化的行为属性和上下文信息(3]。他们可以处理动态环境和在运行时上下文更改从预定义的规则可能不适合环境的动态特性。账户,规则需要随着时间的推移不断进化保持相关(4]。这引发了更多地关注如何丰富知识库规则通过有效的生成规则在运行时产生环境的变化及时做出反应。数据挖掘和专门为获利机器学习可以更准确更好的规则(5),探索最新进展在机器学习的应用可能是有益的在提供学习方法并生成一组nonredundant规则,很容易理解和能够代表语境知识在一个非常清晰和有效的方法。
为了实现这一持续的关注,我们建议,在这工作,自动的方法,旨在提高决策过程来支持在运行时动态的环境。该方法的主要特征是提供一个规则知识库,在运行时环境敏感规则是流体和发展的减轻负担的手动创建规则对用户环境的变化做出反应。这种方法的新颖性和贡献可以来自三个方面:首先,我们提出一种新颖的混合学习方法有效地生成一组简洁的nonredundant关联规则的自动化通过应用两种学习算法。我们杂交机器学习算法来生成一个更准确的和完整的一套规则,避免冗余,并建立一个强大的规则知识库在上下文感知系统中,我们感兴趣的。第二,我们将遗传算法(GA) [6)与多元分析技术规则优化的方向。规则优化应用于找到well-performed规则从生成的规则因为机器学习算法是不太精通优化规则。第三,我们介绍了关联规则的自动转换规则表达在耶拿7]。规则执行转换表达well-performed规则以这样一种方式,他们可以运行在一个基于本体的上下文模型和一个上下文感知系统的原因。此外,我们进行一系列的实验来评估的有效性的建议的方法在不同的数据集UCI机器学习库(8]。首先,我们比较该方法与传统的关联规则挖掘算法来分析生成规则的数量。然后,我们评估建议的方法的性能与最常见的机器学习算法和某些先进的作品。最后,我们分析该方法的计算时间和机器学习算法。所提供的结果证明了该方法的有效性,实现最佳结果的规则数量,精确,回忆,和准确性在一定的工作和算法如先验的、FP增长,再,朴素贝叶斯、JRip和决策表。
本研究的其余部分安排如下。我们在部分评审相关工作2。节3,我们将介绍该方法并详细大纲的总体体系结构和模块。我们现在的实验装置和结果部分生成的环境敏感规则的一个例子4。节5,我们说明的讨论结果。最后,我们得出结论,突出了未来工作的方向6。
2。相关工作
数据挖掘,特别是机器学习和关联规则挖掘算法从数据规则发现起到至关重要的作用。通过文献搜索,有一个广泛的研究基础支持关联规则发现从数据决策改善解决的挑战。在下面,我们首先回顾一些适合发现规则的区域内环境意识。然后,我们提供一个讨论突出研究的差距,激励我们提出我们的方法。
大量的工作介绍了关联规则学习使用关联规则挖掘算法。从这个意义上讲,Gabroveanu和迪亚科内斯库9)提出了一个为学生推荐系统。他们用从学习数据库获得数据和先验的关联规则挖掘算法,以确定学生强关联规则。这些规则,获得在离线挖掘过程中,翻译成耶拿规则允许推理在RDF模型。此外,Kaliappan和赛(10)提出了一种新的修正先验的算法寻找大型数据集之间的关联规则,促进销售和用户交互。他们表明,该算法提高了生成关联规则的效率。此外,Davagdorj和Ryu [11]提供了一个关联规则挖掘方法发现有用的模式,其中包括医学知识,从医疗数据集。他们应用了FP增长算法提取一组关联规则。然后,获得规则用于支持医疗决策解释诊断患者信息。此外,Asadianfam et al。12)引入了一个新方法来改善建议,可用于预测下一个通航页面的用户。目标考虑的方法之一是提供适当的建议,用户有不同的配置文件从现有用户的配置文件。处理目标,作者使用了先天生成关联规则算法从用户的行为,然后做出适当的建议。他们表明,生成的关联规则可以提高推荐系统的整体效率。最近,Miswan et al。13)提出了一个框架重新接纳的关联规则挖掘的任务。该框架包括两个过程,即数据预处理和提取规则挖掘。先验的算法用于提取隐藏的输入变量模式和承认病人之间的关系通过生成监督学习规则。开采规则由领域专家进行了讨论和验证,这是一个有价值的指导在决策目标再次住院的时间根据不同病人的临床资源。
除了这些作品,也有一些作品探索使用机器学习算法的关联规则的学习。在这种背景下,香港等。14)提出了一个基于代理的框架提供个性化服务利用提取用户的偏好和关联规则。决策树算法是推断出关联规则推荐为用户个性化服务。同样,Zulkernain et al。15]介绍了一个智能手机中断管理系统。提出系统的主要想法是明智地帮助用户在日常活动。为此,决策树算法做出明智的决策。此外,衬衣(16)提出了一种关联规则学习方法,可以用来发现一组nonredundant和有用的规则。在他们的方法,他们认为,首先,朴素贝叶斯(NB)算法从数据和消除噪声,其次,决策树算法生成一组关联规则。这些算法用于构建一个健壮的预测模型,提高预测精度。最后,岜沙(17)提供一个预测心血管系统,结合了传统再(资讯)算法与遗传算法提取强关联规则,促进决策过程。首先,提出使用资讯系统提取关联规则的算法。然后,输出规则成为GA的人口删除冗余和不相关的规则。
然而,一个共同的弱点,可以发现在大多数讨论的作品(9- - - - - -13)主要是站在使用传统的关联规则挖掘算法,如FP增长和先验的。这个弱点是由狭窄的应用这些算法由于大量关联规则生成(18]。然而,这些作品产生大量冗余关联规则,导致产生大量的无趣的规则,成为决策无用。这种冗余代使得不仅规则集过于庞大,而且使决策过程更加复杂,也是无效的。因此,传统的关联规则挖掘算法不能有效地提取有趣的关联规则。相反,使用机器学习算法可以克服这个弱点,避免规则冗余和开采过程中的冲突。尽管如此,在许多情况下,基于机器学习算法(14- - - - - -17生成关联规则)不能保证精度高(19]。此外,这些作品的限制在一些(9,13]是他们只适用于离线采矿和不适合新传入的不断变化的动态环境中运行时收到所以决定可能错误地预测基于规则推理的定义。另一个重要的限制是某些作品像Miswan等的工作。13)需要领域专家干预验证生成的关联规则。上面的讨论后,我们的目标是关闭间隙内讨论的作品提出这种方法依赖于自动丰富规则知识库与新环境敏感规则生成运行时执行一个有效的决策进行动态环境。该方法着重于发现和关联规则生成nonredundant和well-performed通过使用机器学习算法以及延长GA来减少冗余规则。解决决策准确性问题,提出方法代表了一种杂交相结合的优势两个监督机器学习算法,决策树,随机树算法。此外,它所得的规则转换支持自动浓缩在运行时规则知识库。
3所示。建议的方法
在这项工作中,我们提出一个方法,在动态环境中支持决策的改进在运行时通过允许自动浓缩的规则与新生成的环境敏感规则知识库。该方法首先旨在生成一组简洁的nonredundant关联规则假定的结构后,然后优化生成的规则,最后将规则Jena丰富规则知识库和规则提供合适的服务给用户位于在运行时动态的环境。图1说明了该方法体系结构的示意图。
如图1,该方法通常包括两个主要模块,即规则生成模块和规则转换模块。在下面,我们将讨论这些模块生成关联规则和他们的角色,并将它们转换为耶拿规则。
3.1。规则生成模块
规则自动生成模块的目的是获取关联规则需要满足的变化发生在用户的动态环境。这意味着,它的目标是一个候选数据集进行预处理,生成决策树,并推断well-performed关联规则为了进一步丰富规则知识库,提高运行时的决策过程。当前模块运行每次当到达新变化和先验规则被认为是不相关的这些变化。该模块定义如图考虑两个主要阶段1。
3.1.1。关联规则学习
关联规则学习阶段负责学习和从候选数据集提取关联规则。这一阶段包括各个步骤从预处理的数据集的验证规则。
(1)数据预处理。这是关联规则学习阶段的第一步,这是应用于提高候选数据集的质量,以确保准确、一致、并完成生成的决策树和进一步的关联规则。这一步是负责准备候选数据集的数据。因此,在数据预处理步骤中两个主要阶段,即数据清洗和数据简化,执行。第一阶段包括两个操作,比如填充缺失数据和平滑噪声数据。它的目标是取代缺失的数据与现有的平均数据,使用不同的传统归责方法(即。均值和中位数)。来平滑噪声数据,我们进行技术,如聚类、回归,装箱,消除噪音的数据集,因为它上涨由于随机变化。第二阶段是用来获取数据简化与相关数据的简化表示数据集。用最简单的方式,我们删除冗余和不一致的数据。
(2)上优于规则生成。基于数据预处理步骤完成后,学习规则生成步骤发生第一次自动构建决策树学习训练模型,然后推导出关联规则,最后将它们集成到关联规则存储库。为此,当前步骤提供了两个基本机制。这些机制的主要观点可以简单描述图2。
第一个机制,称为混合监督学习,利用机器学习和模式识别的学习数据,提取相关的关系,并消除冗余。因此,它结合了广泛采用监督机器学习算法,即J48决策树(20.)和随机树(21),训练数据集预处理。据我们所知,这是第一次J48决策树和随机树算法结合到关联规则学习。提高学习的准确性,我们想出的想法组合J48决策树和随机树算法基于树的技术,提供最高的决策树(精度图22]。结果训练模型由一组决策树结构,可以利用从每个叶节点(生成规则23]。如算法1所示,第一个机制列车J48决策树建立相应的决策树决策树训练模型。随后,它适用于随机树算法得到第二个决策树的随机树的训练模型。
|
第二个机制,称为关联规则提取,获取关联规则从以前训练的决策树。这样做,它跟踪,以自动化的方式,从根节点到每个叶节点的路径在树木为了分离关联规则的集合。
这种机制的输出是一组关联规则IF - THEN语句:如果<一> < C >、< >表示,前期部分周边用户的上下文信息,如时间背景下,空间环境,社会环境,或其他相关的上下文信息,例如,“前景=阴”和随之而来的< C >部分代表相应的行为活动的决策,例如,“玩= yes。”
(3)验证规则。在完成生成步骤,应用规则验证步骤通过以下方法:(我)规则结构验证,负责检查是否提取保存固有的if - then规则结构。(2)规则的一致性验证,负责验证关联规则的一致性。考虑到关联规则是由前期的约束和顺向约束,规则一致性约束的可满足性有关。确保无冲突关联规则存储库,推理程序用于列举所有不一致的规则,在随之而来的约束并不指先行词的约束。
3.1.2。关联规则优化
关联规则优化是第二个和最后阶段的规则生成模块。目前阶段负责识别well-performed规则从一组早期的关联规则进行验证。从这个意义上讲,GA扩展以支持一个多元分析技术。扩展的主要观点与多元分析技术是优化遗传算法的关联规则发现well-performed规则采用GA的优化策略。更准确地说,在这一阶段有两个主要步骤如图3。第一,有趣的规则提取步骤是使用遗传算法是一种有效的优化技巧由于健壮和全局搜索能力24]。第二,进化规则提取步骤包括多元分析技术来扩展GA和提取well-performed关联规则。
(1)有趣的规则提取。这个步骤决定了有趣的关联规则应用GA候选数据集。遗传算法用于产生一个强烈程度的关联规则自监督学习算法可以生成无关的规则。这种选择背后的动机是双重的:首先,GA优化规则是一个最好的方法(25),其次,它执行一个全球搜索技术寻找有趣的规则比其他算法复杂性较低(26]。GA创建一个初始种群染色体的集合,每个染色体代表一个关联规则。然后,它的发展通过编码、初始种群在多个代选择、交叉和变异操作,达到最优的一组有趣的关联规则。最后,它引入了一组有趣的关联规则,满足一个适应度函数。遗传算法的流程图如图4。
遗传算法的具体步骤如下:(我)步骤1。编码步骤:候选数据集编码GA的启动试验。在我们的示例中,使用的是二进制编码模式。(2)步骤2。初始种群生成:初始种群的大小K染色体是随机生成的一组优化的解决方案。这些染色体的表示规则产生的候选数据集。(3)步骤3。计算健身:人口中的每个染色体的健身价值由适应度函数计算发现关联规则,他们的支持和信心是比其他规则。为此,被描述的适应度函数的工作Qodmanan et al。27)被认为是在方程。 在方程(1),的支持吗一个⟶C和是前期的支持它的一部分。(iv)步骤4。选择:选择染色体具有较高的健身价值从人口的基础上一个适应度函数。(v)第5步。交叉:下一代的人口是生成基于适应度值计算。交叉背后的想法是将两个父染色体产生两个新的后代。转换的结果是两个新染色体的诞生。根据定义交叉进行交叉概率。(vi)步骤6。变异:突变随机变化选择位从0到1或从1到0。它是应用于新的后代有一定的变异概率。不同代之间的目的是保持多样性提高遗传算法的全局优化。(七)第七步:在一系列的选择,交叉,变异,遗传算法停止时生成的染色体满足最优性或几代人的最大数量。否则,它将返回到步骤3继续优化规则。
(2)进化规则提取。在前面的步骤中,选择有趣的关联规则。然而,我们不能得到well-performed规则可能导致获得适当的决策性能由于事实,即适应度函数,在遗传算法中定义,可能会发生冲突。处理这个问题,进化关联规则扩展GA的步骤提出了多元分析技术以提高优化结果的规则。,应用规则排名和优化流程如图3。多元分析技术始于rule-ranking过程负责自动分析和排名有趣的关联规则,生成的规则从监督学习算法对发生频率和统计信息。提出rule-ranking过程中,规则发生频率被认为是最高优先级分类规则,其次是统计信息,如适应度函数的重量。然后,执行规则细化过程获得well-performed规则的集合。这个过程始于找到相关用户生成规则,加载用户配置文件对应的用户的基于本体的上下文模型和推断well-performed规则能够显著与概要文件。
3.2。规则转换模块
第二个模块在建议的方法是自生成if - then规则转换模块关联规则是不够的。这个模块旨在获得Jena well-performed协会的规则为了原因在一个基于本体的上下文模型,推断出高层知识使用Jena的推理引擎。动机选择耶拿是它的内置支持基于规则的推理在RDF和OWL (28]。从这个意义上讲,规则转换跟踪well-performed关联规则集,生成在前面的模块,并将其转化为耶拿规则根据Jena的规则语法。在下面,规则在耶拿格式诱导well-performed协会的规则由模块加载到规则知识库在运行时自动浓缩的目的。规则转换模块设计时和运行时的目标。翻译是确保在设计时,一个规则,一个元模型提出了耶拿规则指定Jena的抽象语法规则。图5显示了耶拿的元模型规则。规则集的规则。耶拿规则有一个名称和是由概念组成的。解释一个概念作为前提和结论。因此,耶拿规则可以包含一个或多个原子在前期部分,只有一个原子的部分。每个原子有一个属性、类型和值。然后,该元模型转化为一个特定于域的语言(DSL)元模型。后者被定义为使用Xtext的文本结构。DSL的一个片段元模型如图6。
在运行时,转换模块执行两个重要阶段:(i) DSL的实例化元模型和(2)代Jena规则的基础上DSL模型如图1。
3.2.1之上。DSL规则实例化
DSL规则实例化阶段致力于介绍DSL模型,这是一个正式的规则规范定义DSL的元模型。DSL模型代表了well-performed获取关联规则。在这里,规则在运行时实例化自动执行。
3.2.2。耶拿规则生成
耶拿规则生成阶段被认为是自动生成相应的耶拿规则基于DSL模型使用Xtend作为转换语言。因此,一套耶拿规则生成从DSL模型而DSL的语义元模型是定义良好的。
4所示。实验结果
在本实验评估中,我们提供了生成的规定,我们建议的方法的一个例子。此外,我们讨论了我们建议的方法的有效性。为此,进行了一系列的实验来调查方面的有效性规则的数量,性能和计算时间。
4.1。实验装置
所有实验在6个不同复杂性的基准数据集。实例的名称,数量,数量的属性和类标签的数量在每个数据集获得来自UCI机器学习库包括在表中1。
评估的目的,我们使用标准的开源实现监督学习算法和关联规则挖掘算法提供的Weka [29日)在一个10倍交叉验证评估协议为了得到准确的结果数据集。在10倍交叉验证协议,整个基准数据集划分为若干个相等大小的十个部分,其中九个部分一次用于训练,剩下的一个是用于测试。这个过程重复十次,不同的分区作为训练数据和测试数据。此外,我们将最小期望加权信任阈值设置为1,支持阈值为0.5,以生成描述在接下来的实验结果。此外,各种遗传算法参数选择。交叉和变异概率,分别为0.5和0.01。初始种群的大小取决于数量的基准数据集的生成规则。因此,初始种群大小范围从14到439和几代人的最大数量设置为100。
4.2。实验指标
分析该方法的有效性,一些著名的指标。因此,以下参数被认为是对这些指标:(我)真阳性(TP)是积极的规则数量预测,实际上是积极的。(2)真阴性(TN)是负面的规则数量预测,实际上是负面的。(3)假阳性(FP)是积极的规则数量预测,实际上是负面的。(iv)假阴性(FN)是负面的规则数量预测,实际上是积极的。
基于前面的参数,提出了以下指标的评价:(我)精确反映能力的一个方法返回相关规则在一组不相关及相关规则。精度可以通过方程计算。 (2)回忆的能力反映了一个方法返回相关规则。召回的定义是在方程。 (3)准确反映能力的一个方法返回准确的规则随着数据集的所有规则中可以看到方程。
除了这些指标,我们考虑计算时间反映生成所需的平均时间的if - then关联规则集的第二。
4.3。规则知识库浓缩
我们现在的环境敏感规则的一个例子来自上述天气数据集使用我们的方法。候选数据集包含四个条件属性,如前景,温度、湿度、风、和一个决策属性,即“玩。“这是生成规则,有助于决策关于用户是否可以到外面玩。首先,我们展示在表2,生成的if - then规则通过培训获得的样本决策树和随机树算法。仔细看看表2,我们可以注意到前期的一部分规则反映了用户的上下文知识和随之而来的部分代表相关联的行为动作。因此,实时用户的环境上下文如前景,风、湿度或温度被用来制作这些游戏的决定。
然后,我们说明表3和4,well-performed规则提取的样本生成规则通过优化过程考虑建议的方法。如表中所示3和4,well-performed发现关联规则变化从一个用户到另一个根据当前概要文件。与花粉过敏,例如,一个用户在一个大风天,不能出去因为风最能引发花粉过敏症状。结果,关联规则,比如R9机型和R10,哪个表示一天风(风= true)和一个用户可以在外面玩的快乐(玩= yes),忽略了用户有花粉过敏。
最后,经过自动DSL元模型实例化和转换,我们名单表5和6的样本well-performed规则转化为耶拿规则丰富规则知识库,提高运行时的决策过程。因此,我们可以得出结论,我们建议的方法能够生成规则,可以丰富规则知识库。
4.4。有效性分析
4.1.1。规则分析
在第一个实验中,该方法生成的关联规则的数量和传统的关联规则挖掘算法,如先天和FP增长,是评估。数据7- - - - - -12说明了不同的候选数据集的生成规则。
观察数据7- - - - - -12,我们可以看到,传统的算法生成最多的规则,而我们的方法生成规则的最低数量在所有候选数据集。特别是,我们的方法生成4103平均关联规则对数据集,而先天和FP增长算法平均获得9211年和10582年,分别。因此,结果表明,使用传统算法生成的关联规则的数量是大的和巨大的。除了这些结果的原因是传统算法仅仅考虑所有的属性组合而生成规则。相比之下,结果表明,生成的规则,我们的方法的数量很小。下降趋势表明,我们的方法可以生成最小数量的关联规则比较先天和FP增长,可以发现规则的数量尽可能小。因此,高信心值,传统算法满足关联明显多于我们建议的方法。因此,我们建议的方法可以生成一个相当少的关联规则与传统关联规则挖掘算法相比,因为它放弃冗余规则和保留nonredundant规则。
10/24/11。性能分析
在第二个实验中,我们讨论了我们的方法在性能方面的有效性等措施精度,回忆,和准确性。为此,我们比较建议的方法的性能和著名的监督学习算法,即NB, JRip,决策表(DT)。选择这些算法的原因是他们生成基于规则的分类器和与其他算法相比具有很高的性能30.]。我们也比较我们的方法的性能和一些类似的作品,包括香港et al。14],衬衣[16],岜沙(17]。实验结果对性能措施中突出显示的数字13- - - - - -18。
持续候选数据集上我们的观察表明,我们的方法优于生成关联规则的监督学习算法相比,最大限度地提高精度和召回。此外,我们的观察表明,我们建议的方法实现精度比NB, JRip, DT对心脏、肝炎、天气、虹膜数据集。JRip,例如,NB的精度和DT虹膜数据集是95.33%,96%,95.3%,和92.66%,分别,而对于该方法的准确性为98%。此外,结果证明我们的方法有杰出的表现而先进的作品。例如,我们实现一个大约2%和3.2%的准确率获得与香港等人的作品。14],衬衣[16],岜沙(17)在处理乳腺癌和成人的数据集,分别。因此,结果表明,我们建议的方法往往会得到合理的高精度数据集。因此,我们可以得出结论,我们建议的方法是更有效的监督学习算法相比相对于和先进的工程生成关联规则时因为我们从更高效的监督学习获取关联规则的算法,导致改善性能结果。
4.4.3。计算时间分析
在第三个实验中,我们比较和分析该方法的计算时间,前面提到的监督学习算法,最先进的工作(14,16]。在这个实验中,我们没有考虑岜沙的工作17GA以来不是公开。为此,数据集的大小是固定的,因为计算时间根据数据集的大小可能会有所不同。表7说明了时间消耗的建议的方法生成关联规则对所选择的监督学习算法和最先进的适用于所有的数据集。
从说明结果,平均时间花在每个数据集生成一组关联规则在建议的方法是0.38秒。实验结果清楚地表明,该方法的计算时间略有增加而选择的监督学习算法和先进的作品,但计算时间总体上并没有太大的区别。轻微的增加可以解释为我们应用GA优化监督学习算法的基础上,这可能会略微增加规则生成过程的时间复杂度与选定的监督学习算法。
5。讨论
我们讨论该方法的令人鼓舞的结果。首先,我们的方法优于著名的传统关联规则挖掘算法相比而言,通过消除冗余的规则数量为每个数据集生成。它生成,平均,少比传统算法生成的关联规则包含在比较。因此,它提供了一个合理的规则数量小和更大的数据集相比,传统的算法。这是由于这样的事实,我们的方法是基于混合监督学习,利用机器学习中提取相关关系和消除冗余而产生关联规则。简而言之,我们的方法可以显著减少的总数生成规则和输出well-performed使用遗传算法的关联规则集。这样nonredundant和well-performed关联规则生成使我们的方法更有效和可用于自动改善决策过程有关的变化发生在用户在运行时周围的环境。第二,我们的方法超过了著名的选择监督学习算法和某些先进的工作精度,回忆,和准确性。特别是,我们的方法达到最好的准确性对心脏,肝炎、天气、和虹膜数据集在所有选择的监督学习算法。然而,成绩稍差的精度在乳腺癌和成年以来数据集不平衡数据集可能导致精度稍差的结果。 Even though not achieving the best accuracy results on these datasets, our approach achieves almost reasonably high accuracy in most datasets. Moreover, we must stress that the main advantage of our approach in contrast to the compared state-of-art works is its ability to achieve a good trade-off between precision, recall, and accuracy on multiple datasets. Third, our approach could be somewhat more time-consuming than the selected supervised learning algorithms and the compared state-of-the-art works. The slight increase in time is reasonable due to the hybridization and optimization. However, this loss of the little running efficiency will result in a significant improvement in the quality of the results in terms of the number of rules, precision, recall, and accuracy. Regarding the time-consuming results, it is noted that the effectiveness of the proposed approach does have room for improvement, which is also the need for further improvement in the future work.
总的来说,实验研究的结果表明,我们的方法可以有效(i)最小化冗余规则生成的问题,(2)提供一种很有前途的性能和高精度提取一组简洁的关联规则,和(3)稍微时间生成一组well-performed规则。
6。结论
这项工作旨在提出改善决策的方法去面对在运行时动态的环境,规则知识库的浓缩通过自动生成和转换环境敏感规则执行。该方法首先关注生成nonredundant关联规则与混合监督学习机制,第二个使用一个扩展的GA优化关联规则上,最后将关联规则转换为上下文感知规则在耶拿的语法。作为这项工作的一部分,我们提出了一个实验性的评价来评估建议的方法的有效性。结果表明,该方法有可能实现最好的结果的规则数量,精确,回忆,和准确性在所有比较算法。此外,这些结果指出该方法的局限性的耗时,主要是由于杂交和优化。此外,在不久的将来,我们希望我们的方法应用于真实场景的上下文感知系统。
数据可用性
公共数据集收集来自UCI机器学习库。应请求数据集访问https://archive.ics.uci.edu/ml/index.php/。
的利益冲突
作者宣称没有利益冲突。