随着知识与信息数量的快速增长以及信息获取便利性的增加,企事业组织所面临的内外部环境更加复杂,业务问题呈现非线性、不确定性、多维化和实时交互性等特点。业务环境的高度不确定性和面临问题的开放性,人工智能与问题处理的深入研究迫切需要有一种自觉地为信息科学与智能科学服务的定性定量相结合的智能数学模型。经典数学适于描述物质世界的数量与空间关系,智能数学必须能描述信息拓展与智能机理。整体观强调功能与结构二者之间的统一,机制主义人工智能理论强调:智能活动的目的决定效用,效用选择形式,形式信息与效用信息相结合产生全面的语义信息[1]。全面兼顾形式、效用、语义实现信息向知识的转换以至智能生成机制的研究需要新的数学理论支撑。1982年,直接以认知为描述对象的三个数学理论诞生:形式概念分析(formal concept analysis)[2]、粗糙集(rough sets)[3]和因素空间(factor space)[4]。1983年,蔡文提出可拓集合[5],后来发展成为可拓学(Extenics)[6-7]。因素空间和可拓学所研究的主要内容都与模糊数学和问题处理有关。
在大数据与人工智能环境下,因素空间与可拓学迎来了新的发展机遇,在数据科学领域取得了一系列进展[8-11]。但两者的交叉研究还比较缺乏,本文拟通过两者的互补性分析,讨论其在问题处理方面交叉研究的可行性,并尝试构