基于主题的科技政策分析系统设计与实现
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 主题发现研究现状 | 第9-11页 |
| 1.2.2 文本聚类研究现状 | 第11-13页 |
| 1.3 研究内容及主要贡献 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第二章 相关理论与技术 | 第16-24页 |
| 2.1 概率主题模型 | 第16-18页 |
| 2.1.1 LDA主题模型简介 | 第16-17页 |
| 2.1.2 吉布斯抽样 | 第17-18页 |
| 2.2 文本聚类 | 第18-21页 |
| 2.2.1 文本预处理 | 第18-19页 |
| 2.2.2 特征降维 | 第19页 |
| 2.2.3 相似度计算 | 第19-20页 |
| 2.2.4 聚类算法 | 第20-21页 |
| 2.3 社区发现 | 第21-23页 |
| 2.4 小结 | 第23-24页 |
| 第三章 基于LDA模型的科技政策主题发现与分析 | 第24-37页 |
| 3.1 科技政策主题词库构建 | 第24-25页 |
| 3.2 科技政策主题发现与分析 | 第25-33页 |
| 3.2.1 文本预处理 | 第26-27页 |
| 3.2.2 科技政策主题发现 | 第27-29页 |
| 3.2.3 科技政策主题过滤 | 第29-31页 |
| 3.2.4 科技政策主题强度度量 | 第31-33页 |
| 3.3 实验与分析 | 第33-36页 |
| 3.3.1 实验数据 | 第33页 |
| 3.3.2 实验步骤 | 第33-34页 |
| 3.3.3 实验结果与分析 | 第34-36页 |
| 3.4 小结 | 第36-37页 |
| 第四章 基于社区发现的k-means算法改进研究 | 第37-47页 |
| 4.1 k-means算法简介 | 第37-38页 |
| 4.2 基于社区发现的k-means改进算法 | 第38-42页 |
| 4.2.1 构建邻居关系网络 | 第39-40页 |
| 4.2.2 聚类数量k的确定 | 第40-41页 |
| 4.2.3 初始聚类中心的确定 | 第41页 |
| 4.2.4 改进后的k-means算法描述 | 第41-42页 |
| 4.3 实验与分析 | 第42-45页 |
| 4.3.1 实验数据和评价标准 | 第42-43页 |
| 4.3.2 实验步骤 | 第43-44页 |
| 4.3.3 实验结果与分析 | 第44-45页 |
| 4.4 小结 | 第45-47页 |
| 第五章 科技政策分析系统设计与实现 | 第47-57页 |
| 5.1 河北省科技政策服务平台简介 | 第47-48页 |
| 5.2 科技政策分析系统设计 | 第48-50页 |
| 5.2.1 科技政策分析系统框架设计 | 第48-49页 |
| 5.2.2 功能模块 | 第49-50页 |
| 5.3 科技政策分析系统展示 | 第50-56页 |
| 5.3.1 系统数据表设计 | 第50-52页 |
| 5.3.2 主题发现功能展示 | 第52-53页 |
| 5.3.3 趋势分析功能展示 | 第53-55页 |
| 5.3.4 政策聚类功能展示 | 第55-56页 |
| 5.4 小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第64页 |
