基于划分的聚类算法及其在Web挖掘中的应用
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-11页 |
| ·课题背景及研究意义 | 第8-9页 |
| ·国内外研究现状和发展趋势 | 第9-10页 |
| ·本文主要内容 | 第10-11页 |
| 2 聚类分析算法 | 第11-23页 |
| ·数据挖掘相关知识 | 第11-16页 |
| ·数据挖掘概念 | 第11-14页 |
| ·Web挖掘的研究领域 | 第14-16页 |
| ·聚类分析应用 | 第16页 |
| ·聚类分析方法 | 第16-20页 |
| ·划分方法 | 第17-18页 |
| ·层次方法 | 第18页 |
| ·基于密度的方法 | 第18-19页 |
| ·基于模型的方法 | 第19页 |
| ·基于网格的方法 | 第19页 |
| ·聚类算法比较 | 第19-20页 |
| ·K-Means聚类算法详述 | 第20-23页 |
| ·K-Means聚类算法框架 | 第20-22页 |
| ·K-Means聚类算法步骤 | 第22-23页 |
| 3 文本预处理 | 第23-35页 |
| ·文本预处理模型 | 第23-27页 |
| ·文本的表示 | 第24页 |
| ·中文文本的分词和预处理 | 第24-26页 |
| ·文档相似度的定义 | 第26-27页 |
| ·特征词条权重计算方法 | 第27-28页 |
| ·特征项频率反文档频率的改进 | 第28-31页 |
| ·TFIDF详述 | 第28-30页 |
| ·适用于网页的TFIDF | 第30-31页 |
| ·特征集的缩减 | 第31-35页 |
| ·缩减特征集的意义 | 第31-32页 |
| ·特征数目对聚类结果的影响 | 第32-35页 |
| 4 改进的基于划分的文档聚类算法 | 第35-51页 |
| ·基于划分的聚类算法 | 第35-38页 |
| ·基于划分的聚类算法思想 | 第35页 |
| ·K-Means算法分析 | 第35-38页 |
| ·基于最大最小距离法的文档聚类算法 | 第38-51页 |
| ·最大最小距离聚类算法步骤 | 第38-41页 |
| ·最大最小距离聚类算法参数及缺点分析 | 第41页 |
| ·初始中心选取方法 | 第41-45页 |
| ·合并中心点的层次凝聚思想 | 第45-47页 |
| ·初始中心选取方法流程 | 第47-48页 |
| ·基于最大最小距离法的文档聚类算法 | 第48-51页 |
| 5 实验结果 | 第51-56页 |
| ·聚类结果评价 | 第51-52页 |
| ·实验分析 | 第52-54页 |
| ·对公安网页的聚类 | 第54-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 攻读硕士学位期间发表学术论文情况 | 第60-61页 |
| 致谢 | 第61-62页 |
