文本聚类关键技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状及发展趋势 | 第10-13页 |
| 1.3 本文章节安排和课题来源 | 第13-15页 |
| 第2章 相关技术介绍 | 第15-25页 |
| 2.1 文本建模 | 第15-19页 |
| 2.1.1 向量空间模型 | 第15-16页 |
| 2.1.2 基于向量空间模型的相似度 | 第16页 |
| 2.1.3 主题概率模型 | 第16-18页 |
| 2.1.4 基于主题概率模型的相似度 | 第18-19页 |
| 2.2 文本向量降维技术 | 第19-21页 |
| 2.2.1 特征选择 | 第19-20页 |
| 2.2.2 特征抽取 | 第20-21页 |
| 2.3 文本聚类算法 | 第21-24页 |
| 2.3.1 K-means聚类算法 | 第22-23页 |
| 2.3.2 Canopy聚类算法 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 文本聚类系统框架 | 第25-35页 |
| 3.1 文本聚类系统框架总体模型 | 第25页 |
| 3.2 系统具体流程 | 第25-34页 |
| 3.2.1 文本预处理层 | 第25-27页 |
| 3.2.2 文本建模层 | 第27-28页 |
| 3.2.3 文本向量降维层 | 第28-32页 |
| 3.2.4 主题向量抽取层 | 第32-33页 |
| 3.2.5 文本聚类层 | 第33-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第4章 基于LDA的K-means文本聚类算法 | 第35-42页 |
| 4.1 确定主题数目 | 第36页 |
| 4.2 初始聚类中心生成 | 第36-38页 |
| 4.2.1 面向聚类的LDA候选主题选取 | 第36-38页 |
| 4.2.2 获取初始聚类中心 | 第38页 |
| 4.3 可确定性证明 | 第38-40页 |
| 4.4 改进后算法时间复杂度分析 | 第40页 |
| 4.5 本章小结 | 第40-42页 |
| 第5章 实验及结果分析 | 第42-46页 |
| 5.1 数据集简介及结果评估指标 | 第42-43页 |
| 5.2 实验结果分析 | 第43-45页 |
| 5.3 本章小结 | 第45-46页 |
| 第6章 工作总结与展望 | 第46-48页 |
| 6.1 研究总结 | 第46页 |
| 6.2 展望 | 第46-48页 |
| 参考文献 | 第48-52页 |
| 在学期间发表的学术论文 | 第52-53页 |
| 攻读硕士学位期间参加的科研工作 | 第53-54页 |
| 致谢 | 第54页 |
