大数据环境下的模糊信息抽取：改进混沌分区算法

"基于改进混沌分区算法的模糊信息抽取" 本文提出了一种针对大数据环境下的模糊信息抽取方法，旨在解决由于数据之间的微小扰动导致的特征聚类性不佳的问题。传统的信息抽取方法在处理大数据时往往受到类间干扰的影响，而此方法则通过采用改进混沌分区算法来优化这一过程。 首先，该方法利用了Lorenz混沌吸引子作为训练测试集，对高维数据信息流进行分布式结构重组。Lorenz混沌吸引子是一种在复杂系统中常见的非线性动力学模型，它的引入有助于模拟和理解大数据的动态行为。通过这种自适应学习训练，算法能够更好地适应大数据的特性。 接着，文章采用了相空间重构技术，这是一种从时间序列数据中恢复混沌系统的完整状态空间的方法。通过对大数据混沌吸引子的负载特征量进行自相关特征匹配处理，可以提取出与混沌系统相关的平均互信息特征量。平均互信息是衡量两个随机变量之间依赖性的度量，用于量化模糊信息中的相关性。 接下来，该方法结合关联规则和模糊配对方法进行混沌分区。关联规则是数据挖掘中的一种技术，用于发现变量之间的有趣关系，而模糊配对则允许不精确或部分匹配，适应了模糊信息的特性。通过这种方式，可以实现对大数据的混沌状态进行更精确的分区，进而优化模糊信息的聚类效果。 根据数据聚类的结果，算法能实现模糊信息的准确抽取，减少了由于类间扰动引起的错误。最后，为了降低计算开销，对抽取的高维模糊信息进行特征压缩，保持关键信息的同时减少计算负担。 仿真实验表明，该方法在处理大数据样本序列时，具有良好的聚类性能和较强的抗类间扰动能力，模糊信息抽取的准确率也较高。因此，这种方法在数据挖掘和特征提取领域具有很高的应用潜力，尤其适用于处理包含大量模糊信息和复杂关系的大数据集。 关键词: 大数据、混沌、分区算法、聚类、模糊信息抽取 中图分类号: TP391 文献标志码: A 文章编号: 1001-3695(2019)10-015-2952-03 doi: 10.19734/j.issn.1001-3695.2018.03.0209 作者简介: 万福成（1985-），男，副教授，博士，主要研究方向为自然语言处理（wanfuchen@126.com）。