文本聚类算法的研究与实现
| 提要 | 第1-8页 |
| 第一章 绪论 | 第8-14页 |
| ·文本挖掘的概念和意义 | 第8页 |
| ·文本聚类和文本分类 | 第8-9页 |
| ·文本聚类的概念 | 第8-9页 |
| ·文本分类的概念 | 第9页 |
| ·文本聚类和文本分类的区别 | 第9页 |
| ·文本聚类的过程 | 第9-10页 |
| ·文本聚类的研究现状 | 第10-11页 |
| ·文本聚类的特点与难点 | 第11页 |
| ·本文的组织结构 | 第11-13页 |
| ·本章小结 | 第13-14页 |
| 第二章 相关概念介绍 | 第14-21页 |
| ·文本的特征向量 | 第14页 |
| ·文本之间的距离 | 第14-15页 |
| ·权值表示 | 第15页 |
| ·文本之间的相似系数 | 第15-16页 |
| ·文本类之间的距离 | 第16-17页 |
| ·数据的标准化 | 第17-18页 |
| ·文本的表示 | 第18-20页 |
| ·空间向量模型 | 第19页 |
| ·特征的抽取 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 第三章 主要聚类算法的分析 | 第21-29页 |
| ·划分的方法 | 第22-24页 |
| ·算法概述 | 第22页 |
| ·基本思想 | 第22页 |
| ·典型代表算法 K－means | 第22-24页 |
| ·基于密度的方法 | 第24-25页 |
| ·算法概述 | 第24页 |
| ·基本思想 | 第24页 |
| ·典型代表算法DBSCAN | 第24-25页 |
| ·基于模型的方法 | 第25-27页 |
| ·算法概述 | 第25页 |
| ·典型代表算法SOM神经网络 | 第25-27页 |
| ·层次聚类方法 | 第27-28页 |
| ·基本思想 | 第27页 |
| ·算法描述 | 第27-28页 |
| ·基于网格的方法 | 第28页 |
| ·主要思想 | 第28页 |
| ·本章小结 | 第28-29页 |
| 第四章 聚类算法的改进 | 第29-40页 |
| ·聚类过程 | 第29页 |
| ·传统聚类算法缺点分析 | 第29-32页 |
| ·传统聚类算法的缺点 | 第29-30页 |
| ·一个说明传统聚类的缺点的例子 | 第30-31页 |
| ·上例的启示 | 第31页 |
| ·SOM神经网络的拓扑结构和学习规则 | 第31-32页 |
| ·对传统聚类算法的改进 | 第32-39页 |
| ·方法概述 | 第32-33页 |
| ·对竞争层进行训练的算法 | 第33-36页 |
| ·用训练后竞争层的向量优化文本的特征向量 | 第36-37页 |
| ·算法流程图 | 第37-38页 |
| ·使用优化后的文本特征向量集聚类 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第五章 用改进后的算法进行文本聚类实验 | 第40-48页 |
| ·文本聚类的前期工作 | 第40-43页 |
| ·文本的预处理 | 第40-42页 |
| ·文本的表示—文本向量模型 | 第42-43页 |
| ·改进的文本聚类过程 | 第43-44页 |
| ·实验结果分析 | 第44-47页 |
| ·项目概述 | 第44页 |
| ·算法的平均准确率 | 第44-45页 |
| ·用DBSCAN算法进行聚类的实验结果 | 第45-46页 |
| ·用改进的算法进行聚类的实验结果 | 第46页 |
| ·实验结果得出的结论 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第六章 文本聚类的总结和展望 | 第48-50页 |
| ·总结 | 第48页 |
| ·展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 摘要 | 第54-57页 |
| Abstract | 第57-60页 |
| 致谢 | 第60-61页 |
| 导师及作者简介 | 第61页 |
