| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 选题背景及研究意义 | 第8-9页 |
| 1.2 国内外的研究进展 | 第9-13页 |
| 1.2.1 聚类分析的发展现状 | 第9-10页 |
| 1.2.2 文本聚类的发展现状 | 第10-13页 |
| 1.3 本文的技术路线 | 第13页 |
| 1.4 本文的主要内容及章节安排 | 第13-14页 |
| 2 相关算法理论 | 第14-26页 |
| 2.1 聚类算法的相关理论 | 第14-21页 |
| 2.1.1 聚类分析的定义 | 第14页 |
| 2.1.2 聚类分析的常用相似性度量 | 第14-15页 |
| 2.1.3 聚类分析中常用的准则函数 | 第15-19页 |
| 2.1.4 聚类算法的分类 | 第19-21页 |
| 2.2 K-means算法相关内容 | 第21-23页 |
| 2.2.1 K-means算法的思想简介及具体步骤 | 第21-22页 |
| 2.2.2 K-means算法的优缺点分析 | 第22-23页 |
| 2.3 K-center算法相关内容 | 第23-25页 |
| 2.3.1 K-center算法的思想简介及具体步骤 | 第23-24页 |
| 2.3.2 K-center算法的优缺点分析 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 K-means算法的改进研究 | 第26-37页 |
| 3.1 K-means算法的优化思想 | 第26-31页 |
| 3.1.1 孤立点及噪声点的处理 | 第26-29页 |
| 3.1.2 初始聚类中心的优化选取 | 第29-30页 |
| 3.1.3 改进K-means算法的具体描述 | 第30-31页 |
| 3.2 改进K-means算法的数值模拟 | 第31-35页 |
| 3.2.1 实验数据及预处理 | 第31页 |
| 3.2.2 实验模拟 | 第31-35页 |
| 3.3 本章小结 | 第35-37页 |
| 4 改进的K-means算法在文本数据聚类中的应用 | 第37-48页 |
| 4.1 文本数据聚类的具体概念和文本数据的特点 | 第37页 |
| 4.1.1 文本聚类的概念 | 第37页 |
| 4.1.2 文本数据的特点 | 第37页 |
| 4.2 文本数据聚类的操作流程及技术手段 | 第37-43页 |
| 4.2.1 文本分词 | 第38-39页 |
| 4.2.2 无效词条过滤 | 第39-41页 |
| 4.2.3 建立模型 | 第41-42页 |
| 4.2.4 维度约简 | 第42页 |
| 4.2.5 文本聚类算法 | 第42-43页 |
| 4.2.6 文本的相似性度量 | 第43页 |
| 4.2.7 文本聚类效果评价 | 第43页 |
| 4.3 改进K-means的中文文本聚类实验 | 第43-47页 |
| 4.3.1 实验环境与开发语言 | 第43页 |
| 4.3.2 实验数据 | 第43-44页 |
| 4.3.3 实验设计本文 | 第44页 |
| 4.3.4 实验结果与分析 | 第44-47页 |
| 4.4 本章小结 | 第47-48页 |
| 5 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48页 |
| 5.2 展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-53页 |
