Association rule extraction method based on triadic fuzzy linguistic formal context

doi:10.11772/j.issn.1001-9081.2024081152

Journal of Computer Applications ›› 2025, Vol. 45 ›› Issue (9): 2926-2933.DOI: 10.11772/j.issn.1001-9081.2024081152

• Advanced computing • Previous Articles

Association rule extraction method based on triadic fuzzy linguistic formal context

Huaizhe ZHAO, Zheng YANG, Li ZOU, Yi LIU()

School of Computer Science and Technology，Shandong Jianzhu University，Jinan Shandong 250101，China

Received:2024-08-16 Revised:2024-10-15 Accepted:2024-10-22 Online:2024-11-07 Published:2025-09-10
Contact: Yi LIU
About author:ZHAO Huaizhe， born in 2000， M. S. candidate. His research interests include formal concept analysis.
YANG Zheng， born in 1998， M. S. candidate. His research interests include formal concept analysis.
ZOU Li， born in 1971， Ph. D.， professor. Her research interests include intelligent information processing， non-classical logic and uncertainty reasoning.
Supported by:
National Natural Science Foundation of China(62176142)

基于三元模糊语言形式背景的关联规则提取方法

赵怀喆, 杨政, 邹丽, 刘毅()

山东建筑大学计算机科学与技术学院，济南 250101

通讯作者: 刘毅
作者简介:赵怀喆（2000—），男，山东聊城人，硕士研究生，CCF会员，主要研究方向：形式概念分析
杨政（1998—），男，山东滕州人，硕士研究生，CCF会员，主要研究方向：形式概念分析
邹丽（1971—），女，辽宁大连人，教授，博士，CCF会员，主要研究方向：智能信息处理、非经典逻辑与不确定性推理
基金资助:
国家自然科学基金资助项目(62176142)

Abstract

Abstract:

Handling complex data in uncertain environments has been concerned for a long time. In order to solve the problems of dealing with multidimensional data in fuzzy linguistic environments and mining rules contained between attributes described by linguistic values in different domains， an association rule extraction method based on triadic fuzzy linguistic formal context was proposed. Firstly， a triadic fuzzy linguistic formal context was developed by combining a linguistic term set with triadic concept analysis theory. Subsequently， triadic fuzzy linguistic concepts were defined on the basis of derivation operators， and an incremental construction idea was applied to develop a knowledge discovery algorithm based on triadic fuzzy linguistic formal context， thereby acquiring conceptual knowledge with semantic information under fuzzy triadic relations， as the result， the relationships between concept knowledge were depicted through constructing a triadic fuzzy linguistic diagram. Finally， an association rule extraction method based on triadic fuzzy linguistic concepts was introduced to explore correlations between attributes， resulting in semantic rules with conditional constraints. Experimental results on real datasets of different domains show that the proposed method handles multidimensional data effectively in fuzzy linguistic environments， acquires conceptual knowledge with semantic information， and mines semantic rules with high credibility.

Key words: linguistic term set, triadic concept analysis, triadic fuzzy linguistic formal context, incremental construction, association rule

摘要：

在不确定性环境下，如何处理复杂数据一直受到广泛关注。对于模糊语言环境下的多维数据处理以及不同领域中语言值描述的属性间蕴含的规则挖掘问题，提出一种基于三元模糊语言形式背景的关联规则提取方法。首先，结合语言术语集与三元概念分析理论提出三元模糊语言形式背景；其次，基于诱导算子定义三元模糊语言的概念，结合增量式构造思想给出基于三元模糊语言形式背景的知识发现算法，从而获取模糊三元关系下具有语义信息的概念知识，通过构建三元模糊语言图刻画出概念知识间的关系；最后，为了挖掘属性间的关联性，提出基于三元模糊语言概念的关联规则提取方法，从而得到具有条件约束的语义规则。在不同领域的真实数据集上的实验结果表明，所提方法可以有效处理模糊语言环境下的多维数据，获取具有语义信息的概念知识，并且挖掘出具有高可信度的语义规则。

关键词: 语言术语集, 三元概念分析, 三元模糊语言形式背景, 增量式构造, 关联规则

CLC Number:

TP183

Huaizhe ZHAO, Zheng YANG, Li ZOU, Yi LIU. Association rule extraction method based on triadic fuzzy linguistic formal context[J]. Journal of Computer Applications, 2025, 45(9): 2926-2933.

赵怀喆, 杨政, 邹丽, 刘毅. 基于三元模糊语言形式背景的关联规则提取方法[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2926-2933.

Figures/Tables 15

Tab. 1 Triadic fuzzy linguistic formal context G,LSa,T,I?

G	$T 1$						$T 2$						$T 3$
G	$l S - 1 1$	$l S 0 1$	$l S 1 1$	$l S - 1 2$	$l S 0 2$	$l S 1 2$	$l S - 1 1$	$l S 0 1$	$l S 1 1$	$l S - 1 2$	$l S 0 2$	$l S 1 2$	$l S - 1 1$	$l S 0 1$	$l S 1 1$	$l S - 1 2$	$l S 0 2$	$l S 1 2$
$A$	0.1	0.2	0.7	0.2	0.2	0.6	0.0	0.1	0.9	0.1	0.2	0.7	0.3	0.7	0.0	0.2	0.4	0.4
$B$	0.7	0.2	0.1	0.0	0.2	0.8	0.1	0.3	0.6	0.2	0.2	0.6	0.2	0.3	0.5	0.0	0.1	0.9
$C$	0.1	0.4	0.5	0.4	0.5	0.1	0.1	0.4	0.5	0.0	0.8	0.2	0.0	0.6	0.4	0.2	0.5	0.3

Tab. 1 Triadic fuzzy linguistic formal context G,LSa,T,I?

G	$T 1$						$T 2$						$T 3$
G	$l S - 1 1$	$l S 0 1$	$l S 1 1$	$l S - 1 2$	$l S 0 2$	$l S 1 2$	$l S - 1 1$	$l S 0 1$	$l S 1 1$	$l S - 1 2$	$l S 0 2$	$l S 1 2$	$l S - 1 1$	$l S 0 1$	$l S 1 1$	$l S - 1 2$	$l S 0 2$	$l S 1 2$
$A$	0.1	0.2	0.7	0.2	0.2	0.6	0.0	0.1	0.9	0.1	0.2	0.7	0.3	0.7	0.0	0.2	0.4	0.4
$B$	0.7	0.2	0.1	0.0	0.2	0.8	0.1	0.3	0.6	0.2	0.2	0.6	0.2	0.3	0.5	0.0	0.1	0.9
$C$	0.1	0.4	0.5	0.4	0.5	0.1	0.1	0.4	0.5	0.0	0.8	0.2	0.0	0.6	0.4	0.2	0.5	0.3

Tab. 2 Triadic fuzzy linguistic concept knowledge

序号	概念知识
1#	$A, (l S 1 1, 0.7), (l S 1 2, 0.6), T 1 T 2$
2#	$B, (l S - 1 1, 0.7), (l S 1 2, 0.8), T 1$
3#	$B, (l S 1 2, 0.6), T 1 T 2 T 3$
4#	$C, (l S 0 2, 0.8), T 2$
5#	$A B, (l S 1 2, 0.6), T 1 T 2$
6#	$A B, (l S 1 1, 0.6), (l S 1 2, 0.6), T 2$
7#	$A C, (l S 0 1, 0.6), T 3$
8#	$∅, (l S - 1 1, 1), (l S 0 1, 1), (l S 1 1, 1), (l S - 1 2, 1), (l S 0 2, 1), (l S 1 2, 1), T 1 T 2 T 3$
9#	$(A B C, ∅, T 1 T 2 T 3)$
10#	$A B C, (l S - 1 1, 1), (l S 0 1, 1), (l S 1 1, 1), (l S - 1 2, 1), (l S 0 2, 1), (l S 1 2, 1), ∅$

Tab. 2 Triadic fuzzy linguistic concept knowledge

序号	概念知识
1#	$A, (l S 1 1, 0.7), (l S 1 2, 0.6), T 1 T 2$
2#	$B, (l S - 1 1, 0.7), (l S 1 2, 0.8), T 1$
3#	$B, (l S 1 2, 0.6), T 1 T 2 T 3$
4#	$C, (l S 0 2, 0.8), T 2$
5#	$A B, (l S 1 2, 0.6), T 1 T 2$
6#	$A B, (l S 1 1, 0.6), (l S 1 2, 0.6), T 2$
7#	$A C, (l S 0 1, 0.6), T 3$
8#	$∅, (l S - 1 1, 1), (l S 0 1, 1), (l S 1 1, 1), (l S - 1 2, 1), (l S 0 2, 1), (l S 1 2, 1), T 1 T 2 T 3$
9#	$(A B C, ∅, T 1 T 2 T 3)$
10#	$A B C, (l S - 1 1, 1), (l S 0 1, 1), (l S 1 1, 1), (l S - 1 2, 1), (l S 0 2, 1), (l S 1 2, 1), ∅$

Fig. 1 Triadic fuzzy linguistic diagram representation

Tab. 3 Frequent item set

约束条件	频繁项集	支持度	约束条件	频繁项集	支持度
$T 1 T 2$	$l S 1 1$	0.33	$T 2$	$l S 1 1$	0.67
$T 1 T 2$	$l S 1 2$	0.67	$T 2$	$l S 1 2$	0.67
$T 1 T 2$	$l S 1 1 l S 1 2$	0.33	$T 2$	$l S 1 1 l S 1 2$	0.67
$T 1$	$l S - 1 1$	0.33	$T 2$	$l S 0 2$	0.33
$T 1$	$l S 1 2$	0.67	$T 3$	$l S 0 1$	0.67
$T 1$	$l S - 1 1 l S 1 2$	0.33	$T 1 T 2 T 3$	$l S 1 2$	0.33

Tab. 3 Frequent item set

约束条件	频繁项集	支持度	约束条件	频繁项集	支持度
$T 1 T 2$	$l S 1 1$	0.33	$T 2$	$l S 1 1$	0.67
$T 1 T 2$	$l S 1 2$	0.67	$T 2$	$l S 1 2$	0.67
$T 1 T 2$	$l S 1 1 l S 1 2$	0.33	$T 2$	$l S 1 1 l S 1 2$	0.67
$T 1$	$l S - 1 1$	0.33	$T 2$	$l S 0 2$	0.33
$T 1$	$l S 1 2$	0.67	$T 3$	$l S 0 1$	0.67
$T 1$	$l S - 1 1 l S 1 2$	0.33	$T 1 T 2 T 3$	$l S 1 2$	0.33

Tab. 4 Association rule base

关联规则	置信度
$r 1 : l S 1 1 ⇒ T 1 T 2 l S 1 2$	1.0
$r 2 : l S - 1 1 ⇒ T 1 l S 1 2$	1.0
$r 3 : l S 1 2 ⇒ T 2 l S 1 1$	1.0

Tab. 4 Association rule base

关联规则	置信度
$r 1 : l S 1 1 ⇒ T 1 T 2 l S 1 2$	1.0
$r 2 : l S - 1 1 ⇒ T 1 l S 1 2$	1.0
$r 3 : l S 1 2 ⇒ T 2 l S 1 1$	1.0

Tab. 5 Dataset characteristics

数据集	特征名称	特征描述	特征类型
数据集1	Company	公司名称	离散型
	Education	应聘者学历要求	离散型
	District	工作地点GDP水平	连续型
	Salary	薪资待遇	连续型
	WorkYear	应聘者经验要求	连续型
数据集2	MSSubClass	建筑类别	离散型
	MSZoning	总区域规划分类	离散型
	LotArea	土地面积	连续型
	OverallQual	材料和装修质量	连续型
	YearBuilt	建造日期	连续型
	StorageArea	储藏室面积	连续型
	SalePrice	房产售价	连续型
数据集3	Name	二手车型	离散型
	Location	销售地点	离散型
	Year	车型年份	连续型
	Kilometers	已行驶公里数	连续型
	Owner_Type	新旧情况	连续型
	Engine	发动机排量	连续型
	Price	价格	连续型

Fig. 2 Image of membership functions

Tab. 6 Triadic fuzzy linguistic formal sub-context under condition T0， T1 and T2 （Dataset 1）

条件	对象	$l S - 1 1$	$l S 0 1$	$l S 1 1$	$l S - 1 2$	$l S 0 2$	$l S 1 2$	$l S - 1 3$	$l S 0 3$	$l S 1 3$
$T 0$	$x 1$	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0
	$x 2$	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0
	$x 3$	0.0	0.4	0.6	0.4	0.6	0.0	1.0	0.0	0.0
	$x 4$	0.0	0.4	0.6	0.0	0.6	0.4	1.0	0.0	0.0
	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$
	$x 30$	0.9	0.1	0.0	0.5	0.5	0.0	0.0	1.0	0.0
	$x 31$	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0
$T 1$	$x 1$	0.0	0.5	0.5	0.0	0.6	0.4	0.0	1.0	0.0
	$x 2$	0.4	0.6	0.0	0.0	0.6	0.4	1.0	0.0	0.0
	$x 3$	0.0	0.5	0.5	0.0	0.4	0.6	0.0	1.0	0.0
	$x 4$	0.0	0.4	0.6	0.6	0.4	0.0	0.0	1.0	0.0
	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$
	$x 30$	0.9	0.1	0.0	0.5	0.5	0.0	0.5	0.5	0.0
	$x 31$	0.0	0.6	0.4	0.0	0.9	0.1	0.0	0.0	1.0
$T 2$	$x 1$	0.0	0.5	0.5	1.0	0.0	0.0	1.0	0.0	0.0
	$x 2$	0.4	0.6	0.0	0.0	0.0	1.0	1.0	0.0	0.0
	$x 3$	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0
	$x 4$	0.0	0.4	0.6	0.0	0.5	0.5	0.0	0.0	1.0
	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$
	$x 30$	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0
	$x 31$	0.0	0.6	0.4	0.0	0.3	0.7	0.0	0.0	1.0

Tab. 6 Triadic fuzzy linguistic formal sub-context under condition T0， T1 and T2 （Dataset 1）

条件	对象	$l S - 1 1$	$l S 0 1$	$l S 1 1$	$l S - 1 2$	$l S 0 2$	$l S 1 2$	$l S - 1 3$	$l S 0 3$	$l S 1 3$
$T 0$	$x 1$	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0
	$x 2$	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0
	$x 3$	0.0	0.4	0.6	0.4	0.6	0.0	1.0	0.0	0.0
	$x 4$	0.0	0.4	0.6	0.0	0.6	0.4	1.0	0.0	0.0
	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$
	$x 30$	0.9	0.1	0.0	0.5	0.5	0.0	0.0	1.0	0.0
	$x 31$	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0
$T 1$	$x 1$	0.0	0.5	0.5	0.0	0.6	0.4	0.0	1.0	0.0
	$x 2$	0.4	0.6	0.0	0.0	0.6	0.4	1.0	0.0	0.0
	$x 3$	0.0	0.5	0.5	0.0	0.4	0.6	0.0	1.0	0.0
	$x 4$	0.0	0.4	0.6	0.6	0.4	0.0	0.0	1.0	0.0
	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$
	$x 30$	0.9	0.1	0.0	0.5	0.5	0.0	0.5	0.5	0.0
	$x 31$	0.0	0.6	0.4	0.0	0.9	0.1	0.0	0.0	1.0
$T 2$	$x 1$	0.0	0.5	0.5	1.0	0.0	0.0	1.0	0.0	0.0
	$x 2$	0.4	0.6	0.0	0.0	0.0	1.0	1.0	0.0	0.0
	$x 3$	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0
	$x 4$	0.0	0.4	0.6	0.0	0.5	0.5	0.0	0.0	1.0
	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$
	$x 30$	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0
	$x 31$	0.0	0.6	0.4	0.0	0.3	0.7	0.0	0.0	1.0

Tab. 7 Triadic fuzzy linguistic formal sub-context under condition T0， T1 and T2 （Dataset 2）

条件	对象	$l S - 1 1$	$l S 0 1$	$l S 1 1$	$l S - 1 2$	…	$l S 1 4$	$l S - 1 5$	$l S 0 5$	$l S 1 5$
$T 0$	$x 1$	0.0	0.8	0.2	0.0	…	0.0	0.1	0.9	0.0
	$x 2$	0.0	0.2	0.8	0.2	…	0.0	0.3	0.7	0.0
	$x 3$	0.0	0.6	0.4	0.2	…	0.0	0.8	0.2	0.0
	$x 4$	0.0	0.1	0.9	0.2	…	0.0	0.4	0.6	0.0
	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$
	$x 13$	0.0	0.0	1.0	0.2	…	0.1	0.0	0.7	0.3
	$x 14$	0.0	0.4	0.6	0.2	…	0.0	0.5	0.5	0.0
$T 1$	$x 1$	0.3	0.7	0.0	0.2	…	0.0	0.7	0.3	0.0
	$x 2$	0.5	0.5	0.0	0.6	…	0.0	1.0	0.0	0.0
	$x 3$	0.5	0.5	0.0	0.2	…	0.0	0.9	0.1	0.0
	$x 4$	0.3	0.7	0.0	0.0	…	0.0	0.5	0.5	0.0
	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$
	$x 13$	0.0	1.0	0.0	0.2	…	0.7	0.0	0.6	0.4
	$x 14$	0.0	0.8	0.2	0.2	…	0.0	1.0	0.0	0.0
$T 2$	$x 1$	0.0	0.9	0.1	0.6	…	0.0	0.9	0.1	0.0
	$x 2$	0.6	0.4	0.0	1.0	…	0.0	1.0	0.0	0.0
	$x 3$	0.0	0.9	0.1	0.0	…	0.0	1.0	0.0	0.0
	$x 4$	0.5	0.5	0.0	0.2	…	0.3	0.0	0.3	0.7
	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$
	$x 13$	0.1	0.9	0.0	0.2	…	0.0	0.3	0.7	0.0
	$x 14$	0.0	0.0	0.0	0.0	…	0.0	0.0	0.0	0.0

Tab. 7 Triadic fuzzy linguistic formal sub-context under condition T0， T1 and T2 （Dataset 2）

条件	对象	$l S - 1 1$	$l S 0 1$	$l S 1 1$	$l S - 1 2$	…	$l S 1 4$	$l S - 1 5$	$l S 0 5$	$l S 1 5$
$T 0$	$x 1$	0.0	0.8	0.2	0.0	…	0.0	0.1	0.9	0.0
	$x 2$	0.0	0.2	0.8	0.2	…	0.0	0.3	0.7	0.0
	$x 3$	0.0	0.6	0.4	0.2	…	0.0	0.8	0.2	0.0
	$x 4$	0.0	0.1	0.9	0.2	…	0.0	0.4	0.6	0.0
	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$
	$x 13$	0.0	0.0	1.0	0.2	…	0.1	0.0	0.7	0.3
	$x 14$	0.0	0.4	0.6	0.2	…	0.0	0.5	0.5	0.0
$T 1$	$x 1$	0.3	0.7	0.0	0.2	…	0.0	0.7	0.3	0.0
	$x 2$	0.5	0.5	0.0	0.6	…	0.0	1.0	0.0	0.0
	$x 3$	0.5	0.5	0.0	0.2	…	0.0	0.9	0.1	0.0
	$x 4$	0.3	0.7	0.0	0.0	…	0.0	0.5	0.5	0.0
	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$
	$x 13$	0.0	1.0	0.0	0.2	…	0.7	0.0	0.6	0.4
	$x 14$	0.0	0.8	0.2	0.2	…	0.0	1.0	0.0	0.0
$T 2$	$x 1$	0.0	0.9	0.1	0.6	…	0.0	0.9	0.1	0.0
	$x 2$	0.6	0.4	0.0	1.0	…	0.0	1.0	0.0	0.0
	$x 3$	0.0	0.9	0.1	0.0	…	0.0	1.0	0.0	0.0
	$x 4$	0.5	0.5	0.0	0.2	…	0.3	0.0	0.3	0.7
	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$
	$x 13$	0.1	0.9	0.0	0.2	…	0.0	0.3	0.7	0.0
	$x 14$	0.0	0.0	0.0	0.0	…	0.0	0.0	0.0	0.0

Tab. 8 Each dimensional data of dataset and number of concepts

数据集	对象数	属性数	条件数	概念数
数据集1	31	3	3	122
数据集2	14	5	3	180
数据集3	95	5	8	3 198

Fig. 3 Relationship between support and number of association rules

Fig. 4 Relationship between confidence and number of association rules

Tab. 9 Association rule base in Dataset 1

关联规则	置信度	关联规则	置信度
$r 1 : l S 0 2 ⇒ T 2 l S 1 1$	0.75	$r 4 : l S 1 3 ⇒ T 2 l S 1 1$	0.74
$r 2 : l S 1 1 ⇒ T 1 l S 0 2$	0.74	$r 5 : l S 0 1 ⇒ T 1 l S 0 2$	0.56
$r 3 : l S 1 3 ⇒ T 1 l S 0 2$	0.74	$r 6 : l S 0 2 ⇒ T 1 l S 0 1$	0.53

Tab. 9 Association rule base in Dataset 1

关联规则	置信度	关联规则	置信度
$r 1 : l S 0 2 ⇒ T 2 l S 1 1$	0.75	$r 4 : l S 1 3 ⇒ T 2 l S 1 1$	0.74
$r 2 : l S 1 1 ⇒ T 1 l S 0 2$	0.74	$r 5 : l S 0 1 ⇒ T 1 l S 0 2$	0.56
$r 3 : l S 1 3 ⇒ T 1 l S 0 2$	0.74	$r 6 : l S 0 2 ⇒ T 1 l S 0 1$	0.53

Tab. 10 Association rule base in Dataset 2

关联规则	置信度	关联规则	置信度
$r 1 : l S 0 4 ⇒ T 0 l S 0 5$	1.00	$r 5 : l S 0 2 ⇒ T 1 l S - 1 5 l S 0 3$	0.86
$r 2 : l S - 1 4 ⇒ T 1 l S 0 3$	1.00	$r 6 : l S 0 1 ⇒ T 1 l S - 1 5$	0.84
$r 3 : l S - 1 5 ⇒ T 1 l S 0 3$	0.89	$r 7 : l S 0 3 ⇒ T 1 l S - 1 5$	0.80
$r 4 : l S 0 5 ⇒ T 0 l S 0 4$	0.89

Tab. 10 Association rule base in Dataset 2

关联规则	置信度	关联规则	置信度
$r 1 : l S 0 4 ⇒ T 0 l S 0 5$	1.00	$r 5 : l S 0 2 ⇒ T 1 l S - 1 5 l S 0 3$	0.86
$r 2 : l S - 1 4 ⇒ T 1 l S 0 3$	1.00	$r 6 : l S 0 1 ⇒ T 1 l S - 1 5$	0.84
$r 3 : l S - 1 5 ⇒ T 1 l S 0 3$	0.89	$r 7 : l S 0 3 ⇒ T 1 l S - 1 5$	0.80
$r 4 : l S 0 5 ⇒ T 0 l S 0 4$	0.89

Tab. 11 Association rule base in Dataset 3

关联规则	置信度	关联规则	置信度
$r 1 : l S - 1 5 ⇒ T 4 l S - 1 3$	0.97	$r 7 : l S 0 1 ⇒ T 6 l S - 1 3$	0.83
$r 2 : l S 0 4 ⇒ T 3 T 4 l S - 1 3$	0.97	$r 8 : l S - 1 5 ⇒ T 2 l S - 1 3$	0.83
$r 3 : l S 0 1 ⇒ T 5 l S - 1 3$	0.93	$r 9 : l S 0 2 ⇒ T 3 l S - 1 3$	0.83
$r 4 : l S - 1 3 ⇒ T 5 T 6 l S 0 1$	0.84	$r 10 : l S 0 1 ⇒ T 2 l S - 1 5$	0.79
$r 5 : l S - 1 3 ⇒ T 4 l S - 1 5$	0.84	$r 11 : l S - 1 5 ⇒ T 2 l S 0 1$	0.71
$r 6 : l S - 1 3 ⇒ T 6 l S 0 4$	0.84

Tab. 11 Association rule base in Dataset 3

关联规则	置信度	关联规则	置信度
$r 1 : l S - 1 5 ⇒ T 4 l S - 1 3$	0.97	$r 7 : l S 0 1 ⇒ T 6 l S - 1 3$	0.83
$r 2 : l S 0 4 ⇒ T 3 T 4 l S - 1 3$	0.97	$r 8 : l S - 1 5 ⇒ T 2 l S - 1 3$	0.83
$r 3 : l S 0 1 ⇒ T 5 l S - 1 3$	0.93	$r 9 : l S 0 2 ⇒ T 3 l S - 1 3$	0.83
$r 4 : l S - 1 3 ⇒ T 5 T 6 l S 0 1$	0.84	$r 10 : l S 0 1 ⇒ T 2 l S - 1 5$	0.79
$r 5 : l S - 1 3 ⇒ T 4 l S - 1 5$	0.84	$r 11 : l S - 1 5 ⇒ T 2 l S 0 1$	0.71
$r 6 : l S - 1 3 ⇒ T 6 l S 0 4$	0.84

References 20

[1]	WILLE R. Restructuring lattice theory： an approach based on hierarchies of concepts ［C］// REIDEL I. Ordered Sets： NATO Advanced Study Institutes series 83. Dordrecht： Springer， 1982： 445-470.
[2]	郭晓波，赵书良，赵娇娇，等. 基于概念格的多值属性关联规则可视化［J］. 计算机应用， 2013， 33（8）： 2198-2203.
	GUO X B， ZHAO S L， ZHAO J J， et al. Visualization of multi-valued attribute association rules based on concept lattice ［J］. Journal of Computer Applications， 2013， 33（8）： 2198-2203.
[3]	LEHMANN F， WILLE R. A triadic approach to formal concept analysis［C］// Proceedings of the 1995 International Conference on Conceptual Structures， LNCS 954. Berlin： Springer， 1995： 32-43.
[4]	魏玲，万青，钱婷，等. 三元概念分析综述［J］. 西北大学学报（自然科学版）， 2014， 44（5）： 689-699.
	WEI L， WAN Q， QIAN T， et al. An overview of triadic concept analysis ［J］. Journal of Northwest University （Natural Science Edition）， 2014， 44（5）： 689-699.
[5]	王霞，李俊余，吴伟志. 三元概念的布尔矩阵表示方法［J］. 计算机科学， 2023， 50（6）： 109-115.
	WANG X， LI J Y， WU W Z. Boolean matrix representation of triadic concepts ［J］. Computer Science， 2023， 50（6）： 109-115.
[6]	王霞，全园，李俊余，等. 三元概念的增量式构造方法［J］. 南京大学学报（自然科学）， 2022， 58（1）： 19-28.
	WANG X， QUAN Y， LI J Y， et al. Incremental construction method of triadic concepts ［J］. Journal of Nanjing University （Natural Science）， 2022， 58（1）： 19-28.
[7]	刘忠慧，赵琦，邹璐，等. 三元概念的启发式构建及其在社会化推荐中的应用［J］. 计算机科学， 2021， 48（6）： 234-240.
	LIU Z H， ZHAO Q， ZOU L， et al. Heuristic construction of triadic concept and its application in social recommendation ［J］. Computer Science， 2021， 48（6）： 234-240.
[8]	李俊余，李星璇，王霞，等. 基于三元因子分析的三元概念约简［J］. 南京大学学报（自然科学）， 2020， 56（4）： 480-493.
	LI J Y， LI X X， WANG X， et al. Reduction of triadic concepts based on triadic factor analysis ［J］. Journal of Nanjing University （Natural Science）， 2020， 56（4）： 480-493.
[9]	李俊余，朱荣杰，王霞，等. 三元概念与形式概念的关系［J］. 南京大学学报（自然科学）， 2018， 54（4）： 786-793.
	LI J Y， ZHU R J， WANG X， et al. The relationship between triadic concepts and formal concepts ［J］. Journal of Nanjing University （Natural Science）， 2018， 54（4）： 786-793.
[10]	汤亚强，范敏，李金海. 三元形式概念分析下的认知系统模型及信息粒转化方法［J］. 山东大学学报（理学版）， 2014， 49（8）： 102-106.
	TANG Y Q， FAN M， LI J H. Cognitive system model and approach to transformation of information granules under triadic formal concept analysis ［J］. Journal of Shandong University （Natural Science）， 2014， 49（8）： 102-106.
[11]	祁建军，魏玲. 三元背景及概念三元格的简化［J］. 计算机科学， 2017， 44（9）： 53-57.
	QI J J， WEI L. Simplification of triadic contexts and concept trilattices ［J］. Computer Science， 2017， 44（9）： 53-57.
[12]	李贞，张卓，王黎明. 基于三元概念分析的文本分类算法研究［J］. 计算机科学， 2017， 44（8）： 207-215.
	LI Z， ZHANG Z， WANG L M. Research on text classification algorithm based on triadic concept analysis ［J］. Computer Science， 2017， 44（8）： 207-215.
[13]	ZADEH L A. Fuzzy logic = computing with words ［J］. IEEE Transactions on Fuzzy Systems， 1996， 4（2）： 103-111.
[14]	ZHANG X， SUN B， CHEN X， et al. An approach to evaluating sustainable supply chain risk management based on BWM and linguistic value soft set theory ［J］. Journal of Intelligent and Fuzzy Systems， 2020， 39（3）： 4369-4382.
[15]	PANG K， LI S， LU Y， et al. Association rule mining with fuzzy linguistic information based on attribute partial ordered structure［J］. Soft Computing， 2023， 27（23）： 17447-17472.
[16]	ZOU L， SHI P， PEI Z， et al. On an algebra of linguistic truth-valued intuitionistic lattice-valued logic ［J］. Journal of Intelligent and Fuzzy Systems， 2013， 24（3）： 447-456.
[17]	ZHOU Y， ZOU L. TOPSIS method based on intuitionistic fuzzy linguistic concept ［C］// Proceedings of the 2022 International Conference on AI Logic and Applications， CCIS 1657. Singapore： Springer， 2022： 106-116.
[18]	CUI H， DENG A， YUE G， et al. The linguistic concept’s reduction methods under symmetric linguistic-evaluation information ［J］. Symmetry， 2023， 15（4）： No.813.
[19]	李贞. 基于三元概念分析的机器学习算法研究及应用［D］. 郑州：郑州大学， 2017： 13-14.
	LI Z. The research and application of machine learning algorithms based on triadic concept analysis［D］. Zhengzhou： Zhengzhou University， 2017： 13-14.
[20]	王冰洁，张卓，王黎明. 概念三元格渐进式构造算法［J］. 小型微型计算机系统， 2017， 38（9）： 2101-2106.
	WANG B J， ZHANG Z， WANG L M. Incremental algorithm for constructing concept trilattices ［J］. Journal of Chinese Computer Systems， 2017， 38（9）： 2101-2106.

Association rule extraction method based on triadic fuzzy linguistic formal context

基于三元模糊语言形式背景的关联规则提取方法

RichHTML

PDF

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 15

References 20

Related Articles 15

Recommended Articles

Metrics

[1]	LI Xingjia, YANG Qiuhui, HONG Mei, PAN Chunxia, LIU Ruihang. Test case prioritization approach based on historical data and multi-objective optimization [J]. Journal of Computer Applications, 2023, 43(1): 221-226.
[2]	Xuanyi LI, Yun ZHOU. BNSL-FIM： Bayesian network structure learning algorithm based on frequent item mining [J]. Journal of Computer Applications, 2021, 41(12): 3475-3479.
[3]	TONG Yuzhen, WANG Yingming. Multi-attribute group decision making method for probabilistic linguistic term set based on regret theory and distance from average solution method [J]. Journal of Computer Applications, 2020, 40(11): 3152-3158.
[4]	WANG Chunying, ZHANG Xun, ZHAO Jinxiong, YUAN Hui, LI Fangjun, ZHAO Bo, ZHU Xiaoqin, YANG Fan, LYU Shichao. Analysis of attack events based on multi-source alerts [J]. Journal of Computer Applications, 2020, 40(1): 123-128.
[5]	YU Yongbin, QI Minhui, Nyima Tashi, WANG Lin. Association rule mining algorithm for Hopfield neural network based on threshold adaptive memristor [J]. Journal of Computer Applications, 2019, 39(3): 728-733.
[6]	CHEN Liu, FENG Shan. Two-level confidence threshold setting method for positive and negative association rules [J]. Journal of Computer Applications, 2018, 38(5): 1315-1319.
[7]	YIN Yuan, ZHANG Chang, WEN Kai, ZHENG Yunjun. Maximal frequent itemset mining algorithm based on DiffNodeset structure [J]. Journal of Computer Applications, 2018, 38(12): 3438-3443.
[8]	GU Junhua, WU Junyan, XU Xinyun, XIE Zhijian, ZHANG Suqi. Optimization and implementation of parallel FP-Growth algorithm based on Spark [J]. Journal of Computer Applications, 2018, 38(11): 3069-3074.
[9]	WANG Shuai, YANG Qiuhui, ZENG Jiayan, WAN Ying, FAN Zhening, ZHANG Guanglan. Application of weighted incremental association rule mining in communication alarm prediction [J]. Journal of Computer Applications, 2018, 38(10): 2875-2880.
[10]	TAN Zheng, LIU JingLei, YU Hang. Conditional preference mining based on MaxClique [J]. Journal of Computer Applications, 2017, 37(11): 3107-3114.
[11]	WANG Tao, QIN Xizhong, JIA Zhenhong, NIU Hongmei, CAO Chuanling. Association rules recommendation of microblog friend based on similarity and trust [J]. Journal of Computer Applications, 2016, 36(8): 2262-2267.
[12]	XU Kaiyong, GONG Xuerong, CHENG Maocai. Audit log association rule mining based on improved Apriori algorithm [J]. Journal of Computer Applications, 2016, 36(7): 1847-1851.
[13]	XU Yongxiu, LIU Xumin, XU Weixiang. Improved frequent itemset mining algorithm based on interval list [J]. Journal of Computer Applications, 2016, 36(4): 997-1001.
[14]	YANG Pengkun, PENG Hui, ZHOU Xiaofeng, SUN Yuqing. FP-MFIA: improved algorithm for mining maximum frequent itemsets based on frequent-pattern tree [J]. Journal of Computer Applications, 2015, 35(3): 775-778.
[15]	HU Shiyu, LUO Diansheng, YANG Shuang, YANG Jingwei. Load forecasting based on multi-variable LS-SVM and fuzzy recursive inference system [J]. Journal of Computer Applications, 2015, 35(2): 595-600.