| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文研究内容 | 第12-14页 |
| 第2章 文本聚类相关技术综述 | 第14-23页 |
| 2.1 文本表示方法 | 第14-17页 |
| 2.1.1 基于代数论的模型 | 第14-16页 |
| 2.1.2 基于集合论的模型 | 第16-17页 |
| 2.2 特征降维方法 | 第17-18页 |
| 2.2.1 特征选择方法 | 第17页 |
| 2.2.2 特征提取方法 | 第17-18页 |
| 2.3 文本相似度与聚类质量评价 | 第18-20页 |
| 2.3.1 文本相似度度量 | 第18-19页 |
| 2.3.2 聚类质量的评估 | 第19-20页 |
| 2.4 几种主要的聚类算法 | 第20-22页 |
| 2.4.1 基于划分的聚类方法 | 第21页 |
| 2.4.2 基于层次的聚类方法 | 第21页 |
| 2.4.3 基于密度的聚类方法 | 第21-22页 |
| 2.4.4 基于网格的聚类方法 | 第22页 |
| 2.4.5 基于模型的聚类方法 | 第22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 基于混合文本集的K-means文本聚类算法 | 第23-30页 |
| 3.1 K-means算法 | 第23-24页 |
| 3.1.1 K-means算法描述 | 第23-24页 |
| 3.1.2 K-means算法缺点分析 | 第24页 |
| 3.2 基于混合文本集的K-means文本聚类改进算法 | 第24-29页 |
| 3.2.1 文本指纹的生成 | 第25-26页 |
| 3.2.2 基于混合文本集的K-means文本聚类算法描述 | 第26-28页 |
| 3.2.3 基于混合文本集的K-means文本聚类算法分析 | 第28-29页 |
| 3.3 本章小结 | 第29-30页 |
| 第4章 基于混合文本集的文本聚类优化算法 | 第30-35页 |
| 4.1 基于距离的孤立点检测改进算法 | 第30-32页 |
| 4.1.1 基于距离的孤立点检测方法 | 第30-31页 |
| 4.1.2 孤立点检测改进算法描述 | 第31-32页 |
| 4.1.3 孤立点检测改进算法分析 | 第32页 |
| 4.2 基于距离的初始点选择改进算法 | 第32-33页 |
| 4.2.1 初始点选择改进算法描述 | 第32-33页 |
| 4.2.2 初始点选择改进算法分析 | 第33页 |
| 4.3 基于混合文本集的文本聚类优化算法 | 第33-34页 |
| 4.3.1 基于混合文本集的文本聚类优化算法描述 | 第33-34页 |
| 4.3.2 基于混合文本集的文本聚类优化算法分析 | 第34页 |
| 4.4 本章小结 | 第34-35页 |
| 第5章 实验结果与分析 | 第35-45页 |
| 5.1 实验说明 | 第35页 |
| 5.2 基于混合文本集的K-means文本聚类算法实验 | 第35-40页 |
| 5.2.1 文本指纹生成 | 第36-37页 |
| 5.2.2 对比实验结果及分析 | 第37-40页 |
| 5.3 基于距离的孤立点检测改进算法实验 | 第40-41页 |
| 5.4 基于距离的初始点选择改进算法实验 | 第41-43页 |
| 5.5 基于混合文本集的文本聚类优化算法实验 | 第43-44页 |
| 5.6 本章小结 | 第44-45页 |
| 第6章 总结与展望 | 第45-47页 |
| 6.1 工作总结 | 第45页 |
| 6.2 工作展望 | 第45-47页 |
| 致谢 | 第47-48页 |
| 参考文献 | 第48-54页 |
| 附录 | 第54-55页 |
| 详细摘要 | 第55-57页 |
