面向动态数据认知的知识发现理论模型与方法

Data’s strongly dynamic changes have led to a sudden increase in the difficulty of data cognition, and how to improve the data cognitive ability and knowledge discovery ability in the dynamic environment has become a key issue in the field of data science. In view of several key issues, such as failure of traditional statistical methods, difficulty in knowledge discovery, weak knowledge evolution ability, knowledge drift and so on, caused by the high dimensionality, sparsity, instability and timeliness of strongly dynamic big data, by simulating human brain’s cognition and multi-granularity solving complex problems mechanism, and integrating granular computing, statistical analysis and cognitive technology and other data processing methods, the project will focus on several key research issues, such as the multi-granularity random sampling modeling for dynamic big data, dimensionality reduction and feature extraction of high dimensional sparse data, efficient knowledge discovery, evolution analysis of knowledge, uncertainty measurement in the process of knowledge discovery and so on. The main purpose of this project is to build a multi-granularity cognitive computing model from data space to knowledge space, analyze the evolution rule from dynamic data to decision knowledge, reveal the transformation mechanism and formal representation mechanism from big data to knowledge, and enhance data cognition ability. The expected results of this project will provide theoretical basis and technical methods for intelligent robots in adaptive knowledge acquisition, knowledge inheritance, knowledge proliferation and dynamic evolution in complex environments, and promote the development of human-machine hybrid enhanced intelligence.

数据强动态变化导致数据认知难度骤增，如何提高动态环境下数据的认知能力和知识发现能力成为数据科学领域的关键问题。针对强动态大数据因高维、稀疏、不稳定和实时性强等特性导致传统统计分析方法可能失效、知识发现难、知识演化能力弱、知识漂移等的难题，本课题拟模拟人脑认知事物和求解复杂问题的多粒度机理，采用粒计算、统计分析、认知技术等相融合的数据处理方法，紧紧围绕动态数据的多粒度随机抽样建模、高维稀疏数据降维与特征提取、高效知识发现、知识渐进式演化分析、知识发掘过程的不定性度量等主要内容开展具体研究。本课题旨在构建从数据空间到知识空间的多粒度认知计算模型，分析从动态数据到决策知识的演化规律，揭示从数据到知识的转化机理和形式化表示机制，提升动态数据认知能力。本课题的成果将为智能机器人在复杂环境下的自适应知识获取、继承、增殖及其动态演化的表达处理等提供理论基础和技术方法，促进人机混合增强智能的研究发展。

本项目针对动态大数据环境下知识发现面临的关键技术问题展开了系统地研究，通过分析知识发现过程中数据和知识的不确定性、提出多粒度数据粒化方法、构建高效特征提取和知识发现模型、研究渐进式知识演化的规律，解决了动态数据知识发现过程中复杂数据约简、知识不确定性度量、高效规则获取以及知识演化、智能决策算法等问题。本项目重点围绕数据粒化与表示、特征提取、知识发现与知识演化、三支决策等内容，构建了从数据空间到粒度空间到知识空间的多粒度认知计算模型，提出了粒度空间下的数据约简模型、建立了不确定性概念在多粒度近似空间中的优化分析模型、分析了从动态数据到决策知识的演化规律、研究了知识发现过程的不确定性，并构建了不确定性度量模型和方法。本项目在动态数据的粒化、多粒度表示、粒度空间下的数据约简与降维、面向不确定性数据的高效知识发现与智能决策、知识发现过程中的不确定性分析与度量等方面展开了深入研究，全面完成项目预期的研究任务，发表学术论文56篇（其中SCI期刊收录34篇，EI期刊收录9篇）、出版学术著作1部、申请发明专利25项，培养青年教师5名、博士研究生8名（其中毕业博士生3名）；硕士研究生28名（其中毕业硕士生20名）。本项目的研究成果为动态复杂环境下的知识发现、智能决策、慢病知识图谱、知识演化与概念漂移等提供了理论基础和技术方法，促进了不确定人工智能基础理论发展。