| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外发展现状 | 第9-10页 |
| 1.3 文本聚类现存问题 | 第10-11页 |
| 1.4 主要研究内容 | 第11页 |
| 1.5 论文组织 | 第11-13页 |
| 第二章 基于词频和语义的文本聚类概述 | 第13-23页 |
| 2.1 基于词频的文本聚类概述 | 第13-17页 |
| 2.1.1 基于划分的聚类算法 | 第14页 |
| 2.1.2 基于层次的聚类算法 | 第14-15页 |
| 2.1.3 基于密度的聚类算法 | 第15-16页 |
| 2.1.4 基于网格的聚类算法 | 第16-17页 |
| 2.2 文本相似度计算规则 | 第17-18页 |
| 2.2.1 欧氏距离 | 第17页 |
| 2.2.2 余弦距离 | 第17页 |
| 2.2.3 曼哈顿距离 | 第17-18页 |
| 2.2.4 切比雪夫距离 | 第18页 |
| 2.3 基于语义的文本聚类概述 | 第18-22页 |
| 2.3.1 基于隐性语义分析的聚类算法 | 第18-20页 |
| 2.3.2 基于概率主题模型的文本聚类算法 | 第20-21页 |
| 2.3.3 基于LDA模型的文本聚类算法 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于密度与最小距离的K-means文本聚类算法 | 第23-30页 |
| 3.1 基于统计的K-means聚类算法介绍 | 第23-24页 |
| 3.1.1 K-means算法描述 | 第23-24页 |
| 3.2 基于密度与最小距离的K-means聚类算法 | 第24-27页 |
| 3.2.1 基本定义 | 第24-25页 |
| 3.2.2 算法的详细描述 | 第25-27页 |
| 3.3 实验结果及分析 | 第27-29页 |
| 3.3.1 数据集描述 | 第27页 |
| 3.3.2 实验结果 | 第27-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第四章 基于潜在概率主题模型的KNN文本聚类算法 | 第30-38页 |
| 4.1 基于传统的TF-IDF空间向量模型的KNN文本聚类算法 | 第30-32页 |
| 4.1.1 传统的文本表示模型-空间向量模型 | 第30-31页 |
| 4.1.2 基于向量空间模型的KNN文本聚类算法介绍 | 第31-32页 |
| 4.2 基于概率主题模型的KNN文本聚类算法 | 第32-34页 |
| 4.2.1 PLSA文本生成和表示模型 | 第32-34页 |
| 4.2.2 基于概率主题模型的文本聚类算法描述 | 第34页 |
| 4.3 实验结果分析 | 第34-37页 |
| 4.3.1 性能评估指标 | 第34-35页 |
| 4.3.2 实验环境 | 第35页 |
| 4.3.3 实验结果 | 第35-37页 |
| 4.4 本章小结 | 第37-38页 |
| 第五章 基于概率主题模型LDA的KNN文本聚类算法 | 第38-43页 |
| 5.1 基于概率主题模型PLSA的文本聚类算法 | 第38-40页 |
| 5.1.1 PLSA-KNN文本表示和生成模型 | 第38-39页 |
| 5.1.2 基于概率主题模型PLSA-KNN的算法描述 | 第39-40页 |
| 5.2 基于概率主题模型LDA的文本聚类算法 | 第40-42页 |
| 5.2.1 LDA的文本生成和表示模型 | 第41页 |
| 5.2.2 基于LDA的KNN文本聚类算法描述 | 第41-42页 |
| 5.3 本章小结 | 第42-43页 |
| 第六章 总结与展望 | 第43-45页 |
| 6.1 论文工作总结 | 第43页 |
| 6.2 进一步工作展望 | 第43-45页 |
| 参考文献 | 第45-48页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第48-49页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第49-50页 |
| 致谢 | 第50页 |
