.png){kind=icon}
返回
Knowledge-Driven Hierarchical Concept Clustering for Interpretable Data Analysis
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.115511.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 通过整合基于核的方法的相似性学习与面向概念的知识表示，开发了一种知识驱动的聚类框架（KD-HCC）。
• 构建了层次概念结构以编码对象与语言术语属性之间的双向关系，实现了透明推理。
• 引入了一种概念对齐机制，用于识别层次结构内语义连贯且可解释的聚类层级。
• 在语言和医学数据集上的实验表明，该框架提升了聚类的紧凑性、结构一致性和语义可解释性。
• 所提出的框架为可解释的、基于知识的数据分析奠定了统一基础。
Keyword:
Knowledge-Driven Clustering
Hierarchical Concept Structures
Interpretable Data Analysis
Concept-Oriented Representation
Kernel-Based Similarity Learning
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
引用论文
Measuring Distances in High Dimensional Spaces Why Average Group Vector Comparisons Exhibit Bias, And What to Do about it高维空间中的距离测量：为何平均组向量比较会表现出偏差，以及如何应对这一问题.png)
POLITICAL ANALYSIS
POLITICAL ANALYSISIF5.4
PREAI
分享收藏Do all roads lead to Rome? Studying distance measures in the context of machine learningPATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏
查看更多内容