基于多方论据博弈的决策知识萃取与联合学习方法研究

The rapid development of information techniques has led to the growing interest of academic researchers at home and abroad for the Big Data. It is one of the most important challenges confronted with industries and governments that how to extract knowledge from the massive and complex data to promote the capability of decision supporting. This project focuses on the analysis and extraction method for inconsistent, incomplete and uncertain knowledge derived from different data sources using distributed mining, and multi-agent joint learning method for big data environment, in order to explore a novel approach for data-driven joint decision. We take decision knowledge extraction based on distributed association rules mining as the main research object of the project, and study the representation of experience rules using the form of plausible arguments, the methods of generating arguments automatically by combining static and dynamic data mining and multi-party argument game model integrated with multiple arguments aggregation and dialectical analysis. Then the approaches of multi-agent extracting decision knowledge and joint learning from argumentation are proposed, in order to achieve the data-driven joint decision-making. The experiential knowledge representation approach using arguments, decision-making knowledge extraction methods based on multi-party argument games and online multi-agent joint learning methods can be applied to decision support systems with large amounts of data resources.

随着信息技术的迅速发展，大数据（Big Data）现象开始引起国内外学术界的高度关注。如何从这些海量、复杂的数字化数据中抽取知识，提升辅助决策能力，已成为当前工业界和政府部门面临的重大挑战。本项目重点研究不同数据源和不同类型数据分布挖掘获得的不一致、不完整或不确定知识的分析和萃取（Extraction）方法，以及面向大数据环境的多agent联合学习方法，目的在于探索数据驱动的联合决策新途径。项目以分布式关联规则挖掘的决策知识萃取为主要研究对象，通过研究经验规则的合情论据表示、静动态数据挖掘相结合的论据自动生成方法、集成多论据聚集与辩证分析的多方论据博弈模型等，提出多agent从辩论中实现决策知识萃取和联合学习的方法，从而达到数据驱动的联合决策目的。课题所研究的基于论据的经验知识表示、基于多方论据博弈的决策知识萃取方法以及在线的多Agent联合学习方法可推广应用到具有丰富数据资源的决策支持系统。

本项目重点研究了不同数据源和不同类型数据分布挖掘获得的不一致、不完整或不确定知识的分析和萃取方法；基于知识发现的应用本体建模方法；面向大数据环境的多agent联合学习方法，以及这些方法在空间目标识别领域的应用。取得的创新成果包括：（1）提出了“基于辩证推理的规则知识萃取方法”。该方法采用论据表示经验规则，能够有效地利用领域规则和语境知识辩证分析各Agent数据挖掘规则的相关性和合理性，为基于计算辩论实现数据挖掘规则筛选提供了良好的理论基础。实验表明，本项目提出的基于辩证推理的规则萃取新方法，能够抽取出泛化能力较好的优质规则。（2）提出了“基于计算辩论的多Agent联合学习方法”。该方法通过局部知识生成、多Agent辩论、全局知识生成和全局知识应用与求精等自底向上的四个阶段，逐步实现了规则知识的挖掘、优质规则的萃取、全局知识的集成和组合强化学习的知识优化。（3）提出了一种基于知识发现的应用本体建模方法SPIRALS。SPIRALS方法是一种螺旋式迭代的本体建模方法，强调本体模型的建造过程是一个不断反复、迭代求精的渐进过程。在领域知识的共享和复用基础上，SPIRALS提供了人工建模知识和机器学习知识有效集成的可操作方法，并将应用本体的评估以数据测试的方式进行量化，保证了本体模型知识质量的螺旋式提升，为改善本体建模质量提供了新的方法论。（4）研制了具有自主知识产权的空间目标识别本体OntoStar3.01和空间目标识别系统Clairvoyant 2.02，并申请了国家发明专利。本项目的研究成果已用于空间目标识别领域，通过分布式信息融合解决了空间目标识别问题，提高了空间目标识别的精度，降低了目标识别的误判率。项目研究成果对大数据环境下其他领域的数据挖掘和辅助决策具有普遍的指导意义。