基于K-Means的文本聚类算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文研究内容 | 第14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第二章 相关理论与技术 | 第16-30页 |
| 2.1 文本预处理 | 第16-18页 |
| 2.1.1 中文分词 | 第16页 |
| 2.1.2 词性标注 | 第16-17页 |
| 2.1.3 停用词过滤 | 第17-18页 |
| 2.2 文本表示模型 | 第18-21页 |
| 2.2.1 布尔模型 | 第18页 |
| 2.2.2 向量模型 | 第18-19页 |
| 2.2.3 概率模型 | 第19-20页 |
| 2.2.4 语言模型 | 第20-21页 |
| 2.3 文本特征选择 | 第21-24页 |
| 2.3.1 信息增益 | 第22页 |
| 2.3.2 互信息 | 第22-23页 |
| 2.3.3 x^2统计量 | 第23页 |
| 2.3.4 文档频率 | 第23-24页 |
| 2.4 特征项权重计算 | 第24-25页 |
| 2.5 文本相似度计算 | 第25-27页 |
| 2.5.1 编辑距离 | 第25页 |
| 2.5.2 欧氏距离 | 第25-26页 |
| 2.5.3 内积距离 | 第26页 |
| 2.5.4 向量余弦距离 | 第26-27页 |
| 2.6 聚类算法概述 | 第27-29页 |
| 2.6.1 基于划分的聚类算法 | 第27-28页 |
| 2.6.2 基于层次的聚类算法 | 第28-29页 |
| 2.6.3 基于密度的聚类算法 | 第29页 |
| 2.6.4 基于网格的聚类算法 | 第29页 |
| 2.7 本章小结 | 第29-30页 |
| 第三章 网络口碑信息监测与管理系统概述 | 第30-34页 |
| 3.1 网络口碑简介 | 第30页 |
| 3.2 系统体系结构 | 第30-31页 |
| 3.3 口碑信息分析模块概述 | 第31-32页 |
| 3.4 关键问题分析 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 基于K-MEANS的文本聚类算法 | 第34-62页 |
| 4.1 文本聚类概述 | 第34页 |
| 4.2 K-MEANS算法 | 第34-38页 |
| 4.2.1 算法描述 | 第34-37页 |
| 4.2.2 算法分析 | 第37-38页 |
| 4.2.3 文本聚类的特点 | 第38页 |
| 4.3 实验环境与评价准则 | 第38-40页 |
| 4.3.1 实验环境 | 第38-39页 |
| 4.3.2 评价准则 | 第39-40页 |
| 4.4 初始聚类中心的选择 | 第40-46页 |
| 4.4.1 选取原则 | 第40-41页 |
| 4.4.2 极大极小值原则 | 第41页 |
| 4.4.3 初始聚类中心选择算法 | 第41-43页 |
| 4.4.4 实验与分析 | 第43-46页 |
| 4.5 最佳类别数求解 | 第46-58页 |
| 4.5.1 K值不确定性问题 | 第46-47页 |
| 4.5.2 聚类有效性评价指标 | 第47-48页 |
| 4.5.3 文本聚类中簇的评价 | 第48-49页 |
| 4.5.4 类别数探测算法 | 第49-51页 |
| 4.5.5 实验与分析 | 第51-58页 |
| 4.6 文本类簇特征词提取 | 第58-61页 |
| 4.6.1 特征词提取方法 | 第58-60页 |
| 4.6.2 实验与分析 | 第60-61页 |
| 4.7 本章小结 | 第61-62页 |
| 第五章 系统实现与分析 | 第62-72页 |
| 5.1 系统分析 | 第62页 |
| 5.2 模块设计 | 第62-67页 |
| 5.2.1 设计目标 | 第62页 |
| 5.2.2 预处理模块 | 第62-64页 |
| 5.2.3 向量构建模块 | 第64-66页 |
| 5.2.4 文本聚类模块 | 第66-67页 |
| 5.3 系统演示 | 第67-70页 |
| 5.4 本章小结 | 第70-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 本文工作总结 | 第72页 |
| 6.2 今后研究方向 | 第72-74页 |
| 致谢 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 附录A：攻读学位期间论文发表情况 | 第80-82页 |
| 附录B：攻读学位期间参与完成的科研成果 | 第82页 |
