为了提高在电网信息知识图谱上的信息检索速度,提出一种基于逻辑知识图谱的信息快速检索方法(Fast Information Retrieval Method of logical Graph Model,FRM-LG)。通过将实例图谱中的Label和Relationship进行映射,作为实体节点构建逻...为了提高在电网信息知识图谱上的信息检索速度,提出一种基于逻辑知识图谱的信息快速检索方法(Fast Information Retrieval Method of logical Graph Model,FRM-LG)。通过将实例图谱中的Label和Relationship进行映射,作为实体节点构建逻辑图谱模型,然后根据检索信息在逻辑图谱上运行Dijkstra图算法找出实体之间所存在的关系去加速Cypher在实例图谱中的搜索速度。以6个实际检索场景作为实验对象验证FRM-LG方法的有效性,结果表明基于逻辑图谱模型的搜索方法大幅缩短了搜索时间,提高了检索成功率。展开更多
为了提高Stacking集成算法的分类性能,充分利用Stacking学习机制产生的先验信息和贝叶斯网络丰富的概率表达能力,提出一种基于属性值加权朴素贝叶斯算法的Stacking集成分类算法AVWNB-Stacking(Stacking based Attribute Value Weight Na...为了提高Stacking集成算法的分类性能,充分利用Stacking学习机制产生的先验信息和贝叶斯网络丰富的概率表达能力,提出一种基于属性值加权朴素贝叶斯算法的Stacking集成分类算法AVWNB-Stacking(Stacking based Attribute Value Weight Naive Bayes)。通过考虑属性值这个深层次的因素,以互信息(Mutual Information,MI)作为权值度量的基础,对属性权值向量横向扩展为每个属性值分配一个权值,避免不同的属性值共享相同的权值,从而解决朴素贝叶斯算法作为Stacking元分类器由于属性独立性假设带来的分类精度损失。实验结果表明,相比于传统算法及其他元分类器的Stacking分类算法,AVWNB-Stacking算法有效提高了模型的分类性能,在两个测试集上AUC值分别达到了0.8007和0.8607。展开更多
文摘为了提高在电网信息知识图谱上的信息检索速度,提出一种基于逻辑知识图谱的信息快速检索方法(Fast Information Retrieval Method of logical Graph Model,FRM-LG)。通过将实例图谱中的Label和Relationship进行映射,作为实体节点构建逻辑图谱模型,然后根据检索信息在逻辑图谱上运行Dijkstra图算法找出实体之间所存在的关系去加速Cypher在实例图谱中的搜索速度。以6个实际检索场景作为实验对象验证FRM-LG方法的有效性,结果表明基于逻辑图谱模型的搜索方法大幅缩短了搜索时间,提高了检索成功率。
文摘为了提高Stacking集成算法的分类性能,充分利用Stacking学习机制产生的先验信息和贝叶斯网络丰富的概率表达能力,提出一种基于属性值加权朴素贝叶斯算法的Stacking集成分类算法AVWNB-Stacking(Stacking based Attribute Value Weight Naive Bayes)。通过考虑属性值这个深层次的因素,以互信息(Mutual Information,MI)作为权值度量的基础,对属性权值向量横向扩展为每个属性值分配一个权值,避免不同的属性值共享相同的权值,从而解决朴素贝叶斯算法作为Stacking元分类器由于属性独立性假设带来的分类精度损失。实验结果表明,相比于传统算法及其他元分类器的Stacking分类算法,AVWNB-Stacking算法有效提高了模型的分类性能,在两个测试集上AUC值分别达到了0.8007和0.8607。