K-Means算法的改进及其在微博话题发现中的应用
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 第一节 研究背景和意义 | 第9-10页 |
| 第二节 国内外研究现状 | 第10-11页 |
| 一、K-Means算法研究现状 | 第10页 |
| 二、微博文本研究现状 | 第10-11页 |
| 第三节 论文的研究内容 | 第11-12页 |
| 第四节 论文的组织结构 | 第12-13页 |
| 第二章 聚类介绍及相关技术 | 第13-34页 |
| 第一节 聚类算法的定义和分类 | 第13-20页 |
| 一、聚类算法的定义 | 第13-14页 |
| 二、聚类算法的分类 | 第14-20页 |
| 第二节 微博信息预处理 | 第20-22页 |
| 第三节 微博文本表示 | 第22-30页 |
| 一、文本表示模型 | 第23-25页 |
| 二、特征选择方法 | 第25-28页 |
| 三、文本特征权重计算 | 第28-30页 |
| 第四节 文本相似度 | 第30-33页 |
| 本章小结 | 第33-34页 |
| 第三章 K-Means算法改进研究 | 第34-44页 |
| 第一节 K-Means算法介绍 | 第34-37页 |
| 一、K-Means算法的定义 | 第34-35页 |
| 二、K-Means算法的原理和流程 | 第35页 |
| 三、K-means算法面临的主要问题 | 第35-37页 |
| 第二节 算法改进 | 第37-43页 |
| 一、改进K-Means算法的思想 | 第37-38页 |
| 二、改进K-Means算法的相关定义 | 第38-41页 |
| 三、改进K-Means算法的流程 | 第41-43页 |
| 本章小结 | 第43-44页 |
| 第四章 微博文本预处理的实现 | 第44-50页 |
| 第一节 预处理实现 | 第44-46页 |
| 一、文本去噪 | 第44-45页 |
| 二、中文分词 | 第45-46页 |
| 三、停用词过滤 | 第46页 |
| 第二节 文本表示过程 | 第46-49页 |
| 一、文本建模的实现 | 第46-47页 |
| 二、特征选择的实现 | 第47-49页 |
| 三、TF-IDF权重计算 | 第49页 |
| 本章小结 | 第49-50页 |
| 第五章 实验与结果分析 | 第50-56页 |
| 第一节 实验环境 | 第50页 |
| 第二节 实验过程 | 第50-55页 |
| 本章小结 | 第55-56页 |
| 第六章 结论与展望 | 第56-58页 |
| 第一节 研究工作总结 | 第56页 |
| 第二节 未来工作的展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 作者简历 | 第62页 |
