基于聚类的串并案分析研究与实现
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 串并案分析 | 第9-10页 |
| 1.2.2 信息抽取 | 第10页 |
| 1.2.3 模糊C-均值聚类算法 | 第10-11页 |
| 1.3 主要研究内容与章节安排 | 第11-12页 |
| 第二章 相关技术 | 第12-21页 |
| 2.1 大数据技术 | 第12-13页 |
| 2.1.1 Spark | 第12-13页 |
| 2.1.2 HBase | 第13页 |
| 2.2 文本内容分析及信息抽取 | 第13-17页 |
| 2.2.1 中文分词 | 第14-15页 |
| 2.2.2 基于CRF条件随机场信息抽取 | 第15-16页 |
| 2.2.3 基于模式匹配的关系信息抽取 | 第16-17页 |
| 2.3 模糊C-均值聚类 | 第17-19页 |
| 2.4 ECharts图表库 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第三章 需求分析 | 第21-23页 |
| 3.1 现状分析与系统目标 | 第21页 |
| 3.2 系统需求分析 | 第21-22页 |
| 3.3 本章小结 | 第22-23页 |
| 第四章 案件特征分析 | 第23-32页 |
| 4.1 案件数据介绍 | 第23-25页 |
| 4.2 数据准备 | 第25-31页 |
| 4.2.1 词库文件 | 第26-27页 |
| 4.2.2 CRF训练语料及学习模板 | 第27-28页 |
| 4.2.3 模式库 | 第28-31页 |
| 4.3 本章总结 | 第31-32页 |
| 第五章 案件数据聚类 | 第32-36页 |
| 5.1 数据预处理 | 第32页 |
| 5.2 模糊C-均值（FCM）算法 | 第32-35页 |
| 5.2.1 聚类数C的自适应 | 第33-34页 |
| 5.2.2 优选加权指数m的研究 | 第34-35页 |
| 5.3 本章小结 | 第35-36页 |
| 第六章 系统设计与实现 | 第36-56页 |
| 6.1 系统架构设计 | 第36-37页 |
| 6.2 功能模块设计 | 第37-39页 |
| 6.2.1 案件特征抽取模块 | 第37-38页 |
| 6.2.2 聚类分析模块 | 第38页 |
| 6.2.3 辅助展示模块 | 第38-39页 |
| 6.3 系统详细设计 | 第39-42页 |
| 6.3.1 案件特征抽取模块 | 第39-41页 |
| 6.3.2 聚类分析模块 | 第41-42页 |
| 6.3.3 展示模块 | 第42页 |
| 6.4 系统运行环境 | 第42页 |
| 6.5 系统实现 | 第42-48页 |
| 6.5.1 CRF命名实体识别功能实现 | 第42页 |
| 6.5.2 模式匹配功能实现 | 第42-43页 |
| 6.5.3 聚类算法的优化实现 | 第43-44页 |
| 6.5.4 展示页面的实现 | 第44-48页 |
| 6.6 测试与分析 | 第48-54页 |
| 6.6.1 CRF模型测试与分析 | 第48-50页 |
| 6.6.2 模式匹配测试与分析 | 第50-52页 |
| 6.6.3 模糊聚类测试与分析 | 第52-53页 |
| 6.6.4 系统测试与分析 | 第53-54页 |
| 6.7 本章小结 | 第54-56页 |
| 第七章 总结和展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61页 |
