基于k-means的自适应聚类算法研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-16页 |
| ·课题研究背景和意义 | 第10-13页 |
| ·聚类算法的定义 | 第10页 |
| ·自适应聚类算法的产生 | 第10-11页 |
| ·自适应聚类算法的研究意义 | 第11-13页 |
| ·国内外相关研究 | 第13-14页 |
| ·论文目标和创新点 | 第14页 |
| ·论文内容和章节安排 | 第14-16页 |
| 第二章 文本聚类相关基础算法 | 第16-27页 |
| ·文本的形式化表示 | 第16-18页 |
| ·文本预处理 | 第16-17页 |
| ·向量空间模型 | 第17-18页 |
| ·文本特征选择和抽取 | 第18-23页 |
| ·文本特征选择 | 第19-21页 |
| ·文本特征抽取 | 第21-23页 |
| ·文本相似度计算方法 | 第23-25页 |
| ·基于向量空间模型的相似度计算 | 第23页 |
| ·基于知网的语义相似度计算 | 第23-25页 |
| ·命名实体识别 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 文本聚类算法及算法介绍 | 第27-36页 |
| ·聚类算法的基本概念 | 第27-29页 |
| ·聚类距离和相似性度量 | 第27-28页 |
| ·类间的测度距离 | 第28-29页 |
| ·主要的聚类算法 | 第29-33页 |
| ·基于划分的聚类算法 | 第30页 |
| ·基于层次的聚类算法 | 第30-31页 |
| ·基于密度的聚类算法 | 第31页 |
| ·基于网格的聚类算法 | 第31-32页 |
| ·基于模型的聚类算法 | 第32-33页 |
| ·聚类算法的比较 | 第33-34页 |
| ·聚类算法的评价 | 第34-35页 |
| ·聚类的准确度 | 第34页 |
| ·聚类的同构度和异构度 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 自适应聚类算法的设计与实现 | 第36-53页 |
| ·传统K-means算法 | 第36-38页 |
| ·算法的基本思想及步骤 | 第36-37页 |
| ·算法的性能分析 | 第37-38页 |
| ·自适应聚类算法设计 | 第38-39页 |
| ·算法的基本思想 | 第38页 |
| ·算法流程 | 第38-39页 |
| ·算法框图 | 第39页 |
| ·自适应聚类算法实现 | 第39-42页 |
| ·文本预处理 | 第40-41页 |
| ·特征降维 | 第41页 |
| ·聚类相似度度量及类间测度距离 | 第41-42页 |
| ·文本聚类 | 第42页 |
| ·算法中的关键问题 | 第42-45页 |
| ·聚类性能对输入参数的弱依赖性 | 第42-43页 |
| ·聚类子主题划分 | 第43-45页 |
| ·聚类类别描述 | 第45页 |
| ·算法分析及实验 | 第45-51页 |
| ·实验评价指标 | 第46页 |
| ·实验结果举例 | 第46-47页 |
| ·算法性能分析 | 第47-51页 |
| ·本章小结 | 第51-53页 |
| 第五章 基于自适应聚类的新主题发现系统设计与实现 | 第53-62页 |
| ·新主题发现系统背景介绍 | 第53-55页 |
| ·新主题发现的定义及发展 | 第53-54页 |
| ·新主题发现的研究意义 | 第54-55页 |
| ·系统整体结构 | 第55页 |
| ·系统流程 | 第55页 |
| ·系统结构图 | 第55页 |
| ·系统性能测试 | 第55-57页 |
| ·评测语料 | 第56页 |
| ·评测指标 | 第56页 |
| ·评测结果 | 第56-57页 |
| ·系统性能分析 | 第57-60页 |
| ·主题划分性能 | 第57-59页 |
| ·最佳K值确定 | 第59-60页 |
| ·主题描述 | 第60页 |
| ·开发平台及相关工具介绍 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-63页 |
| ·本文工作总结 | 第62页 |
| ·下一步工作展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-66页 |
| 攻读硕士学位期间发表的论文 | 第66-67页 |
| 附录一：本文主要代码 | 第67-85页 |
