| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-12页 |
| ·引言 | 第10-11页 |
| ·研究背景 | 第10页 |
| ·研究意义 | 第10-11页 |
| ·国内外研究现状 | 第11页 |
| ·本文组织结构与研究内容 | 第11-12页 |
| 第2章 Web文本聚类与分类相关概念 | 第12-23页 |
| ·数据挖掘 | 第12页 |
| ·Web数据挖掘 | 第12-13页 |
| ·Web挖掘的概念 | 第12页 |
| ·Web挖掘分类 | 第12-13页 |
| ·Web文本挖掘 | 第13-14页 |
| ·Web文本挖掘的定义 | 第13页 |
| ·Web文本挖掘的一般过程 | 第13-14页 |
| ·Web文本的表示 | 第14-15页 |
| ·布尔模型 | 第14-15页 |
| ·概率某型 | 第15页 |
| ·向量空间模型 | 第15页 |
| ·Web文本特征提取 | 第15-17页 |
| ·特征词频—文档频率权重(TF—IDF) | 第16页 |
| ·信息增益(IG) | 第16页 |
| ·互信息(MI) | 第16-17页 |
| ·χ~2(CHI)统计 | 第17页 |
| ·Web文本分类器 | 第17-20页 |
| ·朴素贝叶斯分类器 | 第17-18页 |
| ·K近邻分类法器(KNN) | 第18页 |
| ·支持向量机分类器 | 第18-19页 |
| ·评价标准 | 第19-20页 |
| ·Web文本聚类 | 第20-22页 |
| ·划分聚类方法 | 第20-21页 |
| ·层次聚类方法 | 第21-22页 |
| ·评价标准 | 第22页 |
| ·本章小结 | 第22-23页 |
| 第3章 基于相关性聚类的Web文本特征提取算法 | 第23-31页 |
| ·引言 | 第23页 |
| ·TF-IDF特征词提取算法问题分析 | 第23-24页 |
| ·特征词共现的相关性聚类思想 | 第24页 |
| ·相关性聚类思想 | 第24页 |
| ·相关性的描述 | 第24页 |
| ·k-means算法在文本特征提取中的局限性 | 第24-26页 |
| ·聚类中心点无意义 | 第25页 |
| ·初始聚类中心点依赖性 | 第25页 |
| ·最临近原则的影响 | 第25-26页 |
| ·基于改进k-means的特征提取算法 | 第26-29页 |
| ·基于特征词共现的相关性描述 | 第26-27页 |
| ·k-means算法的改进策略 | 第27-28页 |
| ·算法描述 | 第28-29页 |
| ·实验与结果分析 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第4章 基于PSO改进的k-means Web文本聚类算法 | 第31-43页 |
| ·引言 | 第31页 |
| ·问题描述 | 第31-33页 |
| ·粒子群算法简介 | 第33-38页 |
| ·基本粒子群算法 | 第33-34页 |
| ·标准粒子群算法 | 第34-35页 |
| ·基本流程 | 第35-37页 |
| ·优化聚类中的应用 | 第37-38页 |
| ·改进k-means Web文本聚类算法 | 第38-41页 |
| ·基于PSO的改进策略 | 第38-40页 |
| ·算法描述 | 第40-41页 |
| ·实验及结果分析 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第5章 一种改进的KNN Web文本分类器 | 第43-51页 |
| ·引言 | 第43页 |
| ·KNN算法问题分析 | 第43-45页 |
| ·影响KNN分类的因素 | 第44-45页 |
| ·现有的改进策略 | 第45页 |
| ·改进的KNN Web文本分类算法 | 第45-48页 |
| ·改进策略 | 第45-47页 |
| ·算法描述 | 第47-48页 |
| ·实验与结果分析 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第6章 总结与展望 | 第51-53页 |
| ·全文总结 | 第51页 |
| ·工作展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 读硕期间公开发表的论文 | 第56-57页 |
| 致谢 | 第57-58页 |