Attributt–verdi-system

Et attributt–verdi-system er et grunnleggende rammeverk for kunnskapsrepresentasjon som består av en tabell med:

• Kolonner som angir "attributter" (også kjent som "egenskaper", "predikater", "trekk", "dimensjoner", "karakteristikker", "felter" eller "uavhengige variabler" avhengig av kontekst), og
• Rader som designerer objekter (også kjent som "entiteter", "instanser", "forekomster", "eksemplarer", "elementer", "oppføringer" eller "avhengige variabler")

Hver tabellcelle betegner derfor verdien (også kjent som "tilstanden") til en bestemt attributt til et bestemt objekt.

Nedenfor er et eksempel på attributt–verdisystem. Den representerer 10 objekter (rader) og 5 funksjoner/attributter (kolonner). I dette eksemplet inneholder tabellen bare heltallverdier. Generelt kan et attributt–verdisystem inneholde alle slags data, inkludert numerisk, tekst eller annet. Et attributt–verdisystem skilles fra en enkel "funksjonsliste"-representasjon ved at hver funksjon i et attributt–verdisystem kan ha en rekke verdier (for eksempel kan P₁ nedenfor ha et domene på {0,1,2}) i stedet for bare å være til stede eller fraværende Barsalou & Hale 1993.

Eksempel på attributt–verdisystem (objekter og attributter)

Objekt	P1	P2	P3	P4	P5
O1	1	2	0	1	1
O2	1	2	0	1	1
O3	2	0	0	1	0
O4	0	0	1	2	1
O5	2	1	0	2	1
O6	0	0	1	2	2
O7	2	0	0	1	0
O8	0	1	2	2	1
O9	2	1	0	2	2
O10	2	0	0	1	0

Attributt-verdisystemer går igjen mye i litteraturen, og har blitt diskutert under mange forskjellige navn:

• Flat data
• Spreadsheet
• Information system (Pawlak 1981)
• Knowledge representation system (Wong & Ziarko 1986)
• Attribute–value system (Ziarko & Shan 1996)
• Classification system (Ziarko 1998)
• Information table (Yao & Yao 2002)

• Bayesiansk nettverk eller rettet asyklisk graf, en modell for sannsynlighet
• Entitet–attributt–verdi-modell, en type plasseffektiv datamodell
• Formell begrepsanalyse, en stringent metode for å utlede et konsepthierarki eller formell ontologi fra en samling av objekter og deres egenskaper
• Simultan sannsynlighetsfordeling, sannsynlighetsfordeling av mer enn én tilfeldig variabel
• Kunnskapsrepresentasjon og slutning, felt innen kunstig intelligens dedikert til å representere informasjon på en form som et datasystem kan bruke til å løse komplekse oppgaver
• Optimal classification (på Wikibooks)
• Røff mengde, formell tilnærming av en skarp (altså konvensjonell) matematisk mengde
• Triplettlager, en database for lagring og henting av tripletter ved hjelp av semantiske spørringer

• Barsalou, Lawrence W.; Hale, Christopher R. (1993). «Components of conceptual representation: From feature lists to recursive frames». I Iven Van Mechelen. Categories and Concepts: Theoretical Views and Inductive Data Analysis. London: Academic Press. s. 97–144. ISBN 9780127141756. 
• Pawlak, Zdzisław (1991). Rough sets: Theoretical Aspects of Reasoning about Data. Dordrecht: Kluwer. 
• Ziarko, Wojciech; Shan, Ning (1996). «A method for computing all maximally general rules in attribute–value systems». Computational Intelligence. 12 (2): 223–234. doi:10.1111/j.1467-8640.1996.tb00260.x. 
• Pawlak, Zdzisław; Shan, Ning (1981). «Information systems: Theoretical foundations». Information Systems. 6 (3): 205–218. doi:10.1016/0306-4379(81)90023-5. 
• Wong, S. K. M.; Ziarko, Wojciech; Ye, R. Li (1986). «Comparison of rough-set and statistical methods in inductive learning». International Journal of Man-Machine Studies. 24: 53–72. doi:10.1016/S0020-7373(86)80033-5. 
• J. T., Yao (2002). Induction of classification rules by granular computing. London, UK: Springer-Verlag. 
• Watanabe, Satosi (1985). Pattern Recognition: Human and Mechanical. New York: John Wiley & Sons. 
• Ziarko, Wojciech (1998). Polkowski, Lech, red. Rough sets as a methodology for data mining. Heidelberg: Physica-Verlag.