杨 志 林 峰 胡 牧 孟庆强 郑浩泉

（南京南瑞集团公司/国网电力科学研究院 南京 210003）

1 引言

随着数据应用的广度和深度的快速发展，能带来巨大价值的数据分析挖掘得到了越来越多的企业、政府和科研机构的认可和关注［1］。作为数据知识发现的关键步骤［2］，数据挖掘［3～5］成为了当前的研究热点之一。文本挖掘［6～7］是数据挖掘的一个重要分支。如今，许多算法已经被提出来解决文本场景中的数据分析。然而，在电力行业故障日志中，存在相关设备多，词典不统一，主题难以固定等问题。现有的通用的文本挖掘算法切词不准确，很难找故障主题相关因素。因此，如何实现精确的主题挖掘成为研究热点之一。

在文本挖掘中，文本数据以半结构化或非结构化的形式存储在数据库或文件中。由于隐含的语义信息难以挖掘其价值。目前，许多科研机构和团队提出了一些有价值的挖掘算法。主要有两种类型。第一类是文本聚类［8～13］。其中聚类分析［8］是实现文本挖掘的重要方法之一。文献［9～10］提出了两种基于加权特征的模糊聚类方法，利用特征权重向量反映内部结构，在监督或无监督学习过程中使用加权特征的距离函数实现数据挖掘。另一种是自动加权特征技术［11～12］。利用k-均值或FCM，特征权重向量对整个数据集显示各个特征的重要性。此外，文献［13］提出了结合特征加权度量为软子空间学习框架的模糊聚类算法。在这些算法中，在特定的场景中效果较好，但由于不同关键词的主题描述能力差异度较大，很难找到通用的特征向量。……