| 中文摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-20页 |
| ·本文的选题背景与研究意义 | 第8-9页 |
| ·数据挖掘概论 | 第9-12页 |
| ·数据挖掘定义 | 第9-10页 |
| ·数据挖掘系统的分类 | 第10-11页 |
| ·数据挖掘系统的功能 | 第11-12页 |
| ·聚类分析 | 第12-15页 |
| ·聚类的定义 | 第12页 |
| ·数据对象间的相异度 | 第12-14页 |
| ·数据挖掘对聚类分析的要求 | 第14-15页 |
| ·文本挖掘 | 第15-18页 |
| ·文本挖掘概述 | 第15-16页 |
| ·文本数据的特点 | 第16-17页 |
| ·文本挖掘的主要任务 | 第17页 |
| ·文本聚类 | 第17-18页 |
| ·下一步的研究方向 | 第18页 |
| ·本文的主要任务和创新点 | 第18-20页 |
| 第二章 聚类方法的评述及几种主要聚类方法简介 | 第20-38页 |
| ·主要聚类方法及其研究进展评述 | 第20-25页 |
| ·划分方法 | 第20-21页 |
| ·层次方法 | 第21-23页 |
| ·基于密度的方法 | 第23页 |
| ·基于网格的方法 | 第23-24页 |
| ·基于模型的方法 | 第24-25页 |
| ·划分方法 | 第25-28页 |
| ·基于质心的技术：k-平均方法 | 第25-26页 |
| ·基于有代表性的对象的技术：k-中心点方法 | 第26-28页 |
| ·层次方法 | 第28-29页 |
| ·凝聚的和分裂的层次聚类 | 第28-29页 |
| ·CURE：利用代表点聚类 | 第29页 |
| ·基于密度的方法 | 第29-33页 |
| ·DBSCAN：一个基于高密度连接区域的密度聚类方法 | 第30页 |
| ·OPTICS：通过对象排序识别聚类结构 | 第30-31页 |
| ·DENCLUE：基于密度分布函数的聚类 | 第31-33页 |
| ·基于网格的方法 | 第33-35页 |
| ·STING：统计信息网格 | 第33页 |
| ·WaveCluster：采用小波变换聚类 | 第33-34页 |
| ·CLIQUE：聚类高维空间 | 第34-35页 |
| ·基于模型的聚类方法 | 第35-38页 |
| ·统计学方法 | 第35-37页 |
| ·神经网络方法 | 第37-38页 |
| 第三章 基于代表点和密度的聚类方法 | 第38-46页 |
| ·引言 | 第38-39页 |
| ·R-D 方法 | 第39-41页 |
| ·定义 | 第39页 |
| ·算法描述 | 第39-41页 |
| ·寻找代表点 | 第40页 |
| ·计算代表点密度 | 第40-41页 |
| ·计算代表点之间的距离 | 第41页 |
| ·对代表点进行聚类 | 第41页 |
| ·算法分析 | 第41-42页 |
| ·参数设置 | 第41-42页 |
| ·算法效率分析 | 第42页 |
| ·聚类质量分析 | 第42页 |
| ·仿真试验 | 第42-44页 |
| ·本章小结 | 第44页 |
| 附录 | 第44-46页 |
| 第四章 基于代表点的文本层次聚类方法 | 第46-53页 |
| ·引言 | 第46-47页 |
| ·基于代表点的层次聚类算法 | 第47-50页 |
| ·几个相关的概念 | 第47页 |
| ·基于代表点的文本层次聚类方法 | 第47-50页 |
| ·原子簇聚类 | 第48-49页 |
| ·原子簇合并算法 | 第49页 |
| ·组间子簇合并算法 | 第49-50页 |
| ·算法分析 | 第50-51页 |
| ·参数设置 | 第50页 |
| ·聚类质量分析 | 第50页 |
| ·噪声点处理 | 第50-51页 |
| ·仿真试验 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-54页 |
| ·全文总结 | 第53页 |
| ·存在的问题和研究前景展望 | 第53-54页 |
| 参考文献 | 第54-65页 |
| 发表论文和科研情况说明 | 第65-66页 |
| 发表的论文: | 第65页 |
| 参与的科研项目: | 第65-66页 |
| 致谢 | 第66页 |