社交电商与微信CRM.ppt

社交电商与微信CRM.ppt.ppt第三章规则学习算法
1. 基本概念:
定义1 (例子). 设E=D1×D2 ×…×Dn 是n维有穷向量空间,其中 Dj是有穷离散符号集。E中的元素e=(V1,V2, …,Vn)简记为<Vj>叫做例子。其中Vj∈Dj。
例如:
D1={高,矮};D2={淡黄,红,黑};D3={兰,褐}
E=D1 × D2 × D3
例子 e=(矮,淡黄,兰)
定义2。选择子是形为[xj=Aj]的关系语句,其中xj为第j个属性,Aj  Dj; 公式(或项)是选择子的合取式,即[xj=Aj],
其中 J {1, …,n}; 规则是公式的析取式,即,其中Li为公式。
一个例子e=<V1, …Vn>满足选择子[xj=Aj]当且仅当Vj是Aj的元素,即Vj Aj; e满足一个公式当且仅当它满足该公式的每一个选择子;e满足一条规则当且仅当e满足该规则的至少一个公式。
例子满足选择子(公式、规则)也称做选择子(公式、规则)覆盖该例子。
例如: 例子e=<矮,淡黄,兰> 满足选择子[头发=淡黄∨红色]和[眼睛=蓝色] ;满足公式[头发=淡黄∨红色] [眼睛=蓝色] 。
定义3:普化(generalize) :减少规则的约束,使其覆盖更多的训练例子叫普化。
定义4:特化(specialize) : 增加规则的约束,使其覆盖训练例子较少叫特化。
定义5:一致:只覆盖正例不覆盖反例的规则被称为是一致的。
定义6:完备:覆盖所有正例的规则被称为是完备的。
2. GS算法:
GS算法
输入: 例子集;
输出: 规则;
原则: (a) 从所有属性中选出覆盖正例最多的属性;
(b) 在覆盖正例数相同的情况下,优先选择只覆盖正例不覆盖反例的属性值;
设PE,NE是正例,反例的集合。 PE’,NE’是临时正,反例集。CPX表示公式,F表示规则(概念描述)。
F←true;
PE’←PE, NE’←NE, CPX←true;
按上述(a) (b)两规则选出一个属性值V 0 , 设V 0 为第j0个属性的取值,建立选择子[Xj0=V0]并加入公式中,CPX←CPX∧[Xj0=V0]
如果[Xj0=V0]覆盖NE’中的反例,转(5);
否则 F←F∨CPX, 转(6);
(5) 重新构造PE’和NE’, PE’含有原来PE’中被[Xj0=V0]覆盖的例子,NE’含有原来NE’中被[Xj0=V0]覆盖的例子,转(3);
(6) PE←PE\PE’,如果PE= ,停止,否则转(2);
GS算法举例:

学习结果:
[ESR=normal][Ausculation=bublelike]
[X-ray=spot][ESR=normal]
:
普化(generalize) :
特化(specialize) :
一致
完备
肺炎
AQ算法:
输入:例子集、参数#SOL、#CONS、Star的容量m、优化标准;
输出:规则;
1)Pos和NEG分别代表某概念的正例和反例的事件集合
①从Pos中随机地选择一事件
②生成事件e相对于反例集NEG的一个约束Star(reduced star),
G(e|NEG,m) , 其中元素不多于m个。
③在得到的star中,根据设定的优化标准LEF找出一个最优的描述D。
④若描述D完全覆盖集合Pos,则转⑥
⑤否则,减少Pos的元素使其只包含不被D覆盖的事件。从步骤①开始重复整个过程。
⑥生成所有描述D的析取,它是一个完备且一致的概念描述。
2) Star生成: Induce方法
事件e的各个选择符被放入PS(partial star)中,将ps中的元素按照各种标准排序.
在ps中保留最优的m个选择符.
对ps中的选择符进行完备性和一致性检查,从ps中取出完备一致的描述放入SOLUTION表中,若SOLUTION表的大小大于参数#SOL,则转.一致但不完备的描述从ps中取出放入表CONSISTENT中,若CONSISTENT表的大小大于参数#COS,则转;
对每个表达式进行特殊化处理,所有得到的表达式根据优化标准排列,, .
得到的一般化描述按优先标准排序,保留m个最优的表达式构成约束Star(e|NEG,m).
举例:
例子集:
#SOL=2
#CONS=2
M=2
优化标准: 正例数/反例数
种子: [Fever=high][Cough=heavy][X-ray=flack][ESR=normal]
[Ausculation=bubblelike]
第一轮:
(进入Induce算法)
Ps:
[Fever=high] <2,1>
[Cough=heavy] <2,1>
[X-ray=flack] <4,1>