Inlärning av strukturer i konceptuella scheman från databaser

• Denna rapport beskriver ett sätt att automatiskt hitta beroenden i ett konceptuellt schema från en databas. En speciell form av induktiv inlärning, clustering, används. Två inlärnings-algoritmer som använder clustering-teknik beskrivs. Den ena, CLUSTER/2, använder en teknik som gör en uttömmande sökning för att hitta ett optimalt clustering, eller klassificering. Den andra algoritmen, A, använder en agglomerativ teknik. En algoritm har implementerats, som använder clustering-algoritmerna för att hitta beroenden mellan attribut i ett konceptuellt schema från en databas. De olika beroendena har olika sannolikheter och kan då betraktas som partiellt funktionella beroenden. Med hjälp av parametrar kan algoritmen konfigureras. Man kan t.ex välja vilken av de båda algoritmerna som skall väljas, vilka attribut som skall betraktas vid generering av beroendena samt vilken minsta sannolikhet ett beroende måste ha. Ett antal exempelkörningar samt förslag på utvidgningar presenteras också.

Subject headings

NATURVETENSKAP  -- Data- och informationsvetenskap (hsv//swe)

NATURAL SCIENCES  -- Computer and Information Sciences (hsv//eng)

Publication and Content Type

vet (subject category)

rap (subject category)