| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第6-8页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文所做的工作 | 第10-11页 |
| 1.4 本文的主要内容及组织 | 第11-12页 |
| 2 文本预处理相关技术研究 | 第12-23页 |
| 2.1 文本预处理 | 第12-15页 |
| 2.1.1 中文分词 | 第13-14页 |
| 2.1.2 停用词处理 | 第14-15页 |
| 2.1.3 建立专业主词典、同义词归并 | 第15页 |
| 2.2 文本特征选择 | 第15-19页 |
| 2.2.1 信息增益(Information Gain,IG) | 第16-17页 |
| 2.2.2 互信息(Mutual Information,MI) | 第17页 |
| 2.2.3 期望交叉熵(Expected Cross Entropy,ECE) | 第17页 |
| 2.2.4 χ~2统计(CHI) | 第17-18页 |
| 2.2.5 文档频率(Document Frequency,DF) | 第18页 |
| 2.2.6 单词权(Term Strength,TS) | 第18页 |
| 2.2.7 单词熵(Entropy-based Feature Ranking,EN) | 第18-19页 |
| 2.3 文本表示模型 | 第19-21页 |
| 2.3.1 布尔模型 | 第19页 |
| 2.3.2 向量空间模型(Vector Space Model,VSM) | 第19-21页 |
| 2.3.3 概率检索模型 | 第21页 |
| 2.4 文本预处理流程 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 特征词权重计算方法 | 第23-31页 |
| 3.1 常用的特征权重计算方法 | 第23-24页 |
| 3.2 TFIDF方法的介绍 | 第24-26页 |
| 3.2.1 TFIDF算法的优缺点 | 第25-26页 |
| 3.2.2 特征分布的维度 | 第26页 |
| 3.3 TFIDF的改进 | 第26-30页 |
| 3.3.1 信息熵(Information Entropy,IE) | 第26-27页 |
| 3.3.2 类别区分能力的改进 | 第27-28页 |
| 3.3.3 文档区分能力的改进 | 第28-29页 |
| 3.3.4 改进的TFIDF函数公式 | 第29页 |
| 3.3.5 改进TFIDF相似度实验结果 | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 4 文本聚类算法 | 第31-40页 |
| 4.1 划分方法 | 第31-33页 |
| 4.2 层次聚类方法 | 第33-35页 |
| 4.3 基于密度的方法 | 第35-36页 |
| 4.4 基于网格的方法 | 第36-37页 |
| 4.5 基于模型的聚类方法 | 第37页 |
| 4.6 聚类算法性能的比较 | 第37-38页 |
| 4.7 文本聚类结果的评价 | 第38-39页 |
| 4.7.1 人工判定指标 | 第38-39页 |
| 4.7.2 目标函数判定指标 | 第39页 |
| 4.8 本章小结 | 第39-40页 |
| 5 K均值聚类算法的改进 | 第40-48页 |
| 5.1 K-means算法分析 | 第40页 |
| 5.2 K-means算法的局限性 | 第40页 |
| 5.3 孤立点研究 | 第40-41页 |
| 5.4 k-means算法的优化 | 第41-43页 |
| 5.4.1 优化思想 | 第41-42页 |
| 5.4.2 优化的算法描述 | 第42-43页 |
| 5.5 基于最远点聚类有效性函数 | 第43-45页 |
| 5.6 实验数据分析 | 第45-47页 |
| 5.7 本章小结 | 第47-48页 |
| 6 总结与展望 | 第48-50页 |
| 6.1 全文总结 | 第48页 |
| 6.2 下一步工作展望 | 第48-50页 |
| 参考文献 | 第50-53页 |
| 硕士期间发表的论文 | 第53-54页 |
| 致谢 | 第54页 |
