中文摘要：

分类是数据挖掘这一新兴交叉学科的核心领域，并应用于商务智能等众多重要领域。研究表明，传统分类算法由于只返回单次分类结果往往容易得到劣解。集成学习方法通过组合多分类结果在一定程度上解决了这个问题，但没有从效用最优上进行考虑；同时还无法解决大数据中诸如样本不一致等问题。有鉴于此，本项目研究应用于大数据的多分类结果效用最优整合问题即"一致性分类"问题，其核心在于从模式空间中找到一个与多个基础分类分量最为相似的分类结果，其优点在于结果的鲁棒性、准确性以及对大数据的适应性，其难点在于问题本身是一个NP完全的组合优化问题。具体而言，本项目首先建立一致性分类的理论基础，然后系统地研究一致性分类的效用函数选择问题和基础分类分量的生成策略，接着构建一致性分类算法框架，最后开发可用于并行计算的系统原型，在商务实践领域的大数据上做深入的应用研究。本项目有望对一致性分类的理论和应用实践提供重要的补充和推动作用。