大型形式背景中的知识核

知识计算任务对于大型数据集通常是不可行的。在形式概念分析（FCA）中推导知识库时尤其如此。因此，提出应对该问题的技术至关重要。许多成功的方法基于随机过程来减小所研究数据集的规模。然而，这使得它们就所发现的知识而言难以解释。其他方法将自己限制于高支持度子集，而忽略了稀有且有趣的模式。网络科学中使用了一种本质不同的方法，称为 $k$-核。如果稀有模式在数据集中连接良好，它们能够反映这些模式。在这项工作中，我们通过利用与二部图的天然对应关系，研究 FCA 领域的 $k$-核。这种结构驱动的方法导致从大型形式背景数据集中可理解地提取知识核。