| 学位论文主要创新点 | 第3-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-25页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.1.1 课题的研究背景 | 第9页 |
| 1.1.2 课题的研究意义 | 第9-10页 |
| 1.2 数据挖掘 | 第10-15页 |
| 1.3 国内外相关研究现状 | 第15-23页 |
| 1.3.1 微博特征研究现状 | 第15-16页 |
| 1.3.2 聚类算法研究现状 | 第16-19页 |
| 1.3.3 k-means算法研究现状 | 第19-23页 |
| 1.4 本课题研究的内容 | 第23-25页 |
| 第二章 数据挖掘技术基本理论 | 第25-35页 |
| 2.1 数据挖掘技术 | 第25-26页 |
| 2.1.1 数据挖掘的背景和概念 | 第25页 |
| 2.1.2 数据挖掘过程 | 第25-26页 |
| 2.2 数据挖掘的方法 | 第26-27页 |
| 2.3 聚类分析 | 第27-32页 |
| 2.3.1 聚类分析的概念 | 第27-28页 |
| 2.3.2 不同的聚类类型 | 第28-29页 |
| 2.3.3 主要的聚类算法 | 第29-32页 |
| 2.4 聚类评价的比较 | 第32-33页 |
| 2.4.1 聚类过程评价 | 第32-33页 |
| 2.4.2 聚类结果评价 | 第33页 |
| 2.5 本章小结 | 第33-35页 |
| 第三章 微博用户兴趣群体分类模型构建与实现 | 第35-53页 |
| 3.1 微博相关知识 | 第35-37页 |
| 3.1.1 微博的定义 | 第35-36页 |
| 3.1.2 微博用户特点 | 第36-37页 |
| 3.2 微博用户兴趣群发现与分类模型 | 第37-38页 |
| 3.3 微博文本聚类关键技术 | 第38-50页 |
| 3.3.1 分词 | 第38-40页 |
| 3.3.2 停用词处理 | 第40-41页 |
| 3.3.3 特征选择 | 第41-42页 |
| 3.3.4 文本表示方法 | 第42-44页 |
| 3.3.5 微博用户兴数据标注化 | 第44-50页 |
| 3.4 基于数据挖掘的微博用户兴趣发现的实现 | 第50-52页 |
| 3.4.1 样本数据特点与聚类算法选择 | 第50-52页 |
| 3.4.2 SPSS实现过程 | 第52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 基于粒子群的k-means聚类算法及应用 | 第53-75页 |
| 4.1 聚类算法基本概念 | 第53页 |
| 4.2 相关工作分析 | 第53-55页 |
| 4.3 K-means算法 | 第55-57页 |
| 4.3.1 算法思想 | 第55-57页 |
| 4.3.2 算法的特点 | 第57页 |
| 4.4 粒子群优化算法 | 第57-59页 |
| 4.4.1 算法的原理 | 第57-59页 |
| 4.4.2 算法的流程 | 第59页 |
| 4.5 基于改进粒子群优化的k-means算法 | 第59-67页 |
| 4.5.1 粒子群编码方案及适应度评价 | 第60-61页 |
| 4.5.2 粒子群算法的参数设置 | 第61-62页 |
| 4.5.3 粒子群优化算法与k-means算法的转换时机 | 第62-63页 |
| 4.5.4 粒子变异操作 | 第63-64页 |
| 4.5.5 改进算法的过程描述 | 第64-67页 |
| 4.6 实验 | 第67-73页 |
| 4.6.1 实验数据的采集 | 第67-68页 |
| 4.6.2 算法流程 | 第68页 |
| 4.6.3 实验数据预处理 | 第68-70页 |
| 4.6.4 实验结果分析 | 第70-73页 |
| 4.7 聚类挖掘结果比较 | 第73页 |
| 4.8 本章小结 | 第73-75页 |
| 第五章 结论与展望 | 第75-77页 |
| 5.1 课题工作总结 | 第75页 |
| 5.2 展望 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 发表论文和参加科研情况 | 第83-85页 |
| 致谢 | 第85页 |