典型文献
联合知识图谱与改进高斯混合模型的电力用户聚类方法
文献摘要：
随着电力用户数据复杂程度不断增大,为了改善人工处理海量复杂文本数据的低效方式,以及解决现有聚类方法存在的寻优能力差、紧凑性不足的问题,提出一种联合知识图谱(knowledge graph,KG)与改进高斯混合模型的聚类方法,利用KG将复杂的文本拆解成相关的知识元结构,并利用知识库对所需内容进行提取,规范高斯混合聚类模型所需要的输入数据,通过期望最大化(expectation-maximization,EM)迭代出良好的聚类结果,进而挖掘大量用户数据中的潜在信息.案例分析表明:与K-Means和层次聚类等典型聚类方法相比,所提方法具有更好的聚类结果、分类效果和全局寻优性能,验证了所提方法的可行性和有效性.
文献关键词：
智能电网;电力用户;知识图谱;期望最大化;高斯混合聚类
中图分类号：
作者姓名：
吉涛;何轶;朱韵攸;王迥源;申强;廖勇
作者机构：
国网重庆市电力公司信息通信分公司, 重庆 401120;国网重庆市电力公司, 重庆 400014;重庆大学 微电子与通信工程学院, 重庆 400044
文献出处：
引用格式：
[1]吉涛;何轶;朱韵攸;王迥源;申强;廖勇-.联合知识图谱与改进高斯混合模型的电力用户聚类方法)[J].重庆理工大学学报,2022(12):92-101
A类：
B类：
高斯混合模型,电力用户,用户聚类,聚类方法,用户数据,复杂程度,杂文,文本数据,寻优能力,紧凑性,knowledge,graph,KG,拆解,知识元,元结构,知识库,高斯混合聚类,聚类模型,输入数据,过期,期望最大化,expectation,maximization,EM,代出,Means,层次聚类,分类效果,全局寻优,寻优性能,智能电网
AB值：
0.386282
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
