| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 主要符号索引 | 第12-14页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 课题研究背景和意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-20页 |
| 1.2.1 全覆盖粒计算模型的研究现状 | 第16-17页 |
| 1.2.2 文本特征选择的研究现状 | 第17-18页 |
| 1.2.3 文本聚类的研究现状 | 第18-20页 |
| 1.3 本文的研究内容 | 第20页 |
| 1.4 论文组织框架 | 第20-24页 |
| 第二章 相关理论基础 | 第24-36页 |
| 2.1 文本预处理 | 第24-25页 |
| 2.1.1 数据收集 | 第24页 |
| 2.1.2 去除非文本数据 | 第24页 |
| 2.1.3 编码问题 | 第24页 |
| 2.1.4 分词与去停用词 | 第24-25页 |
| 2.1.5 特征处理 | 第25页 |
| 2.2 全覆盖粒计算模型 | 第25-28页 |
| 2.2.1 全覆盖粒计算模型相关概念 | 第25-28页 |
| 2.2.2 全覆盖粒计算模型的知识约简 | 第28页 |
| 2.3 文本特征选择算法 | 第28-32页 |
| 2.3.1 文档频率 | 第29页 |
| 2.3.2 信息增益 | 第29页 |
| 2.3.3 互信息 | 第29-30页 |
| 2.3.4 CHI统计 | 第30页 |
| 2.3.5 期望交叉熵 | 第30-31页 |
| 2.3.6 文本证据权 | 第31页 |
| 2.3.7 几率比 | 第31-32页 |
| 2.4 文本聚类算法 | 第32-35页 |
| 2.4.1 基于划分的文本聚类 | 第32-33页 |
| 2.4.2 基于层次的文本聚类 | 第33-34页 |
| 2.4.3 基于密度的文本聚类 | 第34-35页 |
| 2.4.4 基于网格的文本聚类 | 第35页 |
| 2.4.5 基于模型的文本聚类 | 第35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 基于全覆盖粒计算的特征选择算法 | 第36-50页 |
| 3.1 改进IFIDF算法 | 第36-38页 |
| 3.1.1 传统TFIDF算法 | 第36-37页 |
| 3.1.2 TFIDF_SP算法 | 第37-38页 |
| 3.2 b LDA主题模型 | 第38-40页 |
| 3.3 基于全覆盖粒计算的特征选择算法研究 | 第40-43页 |
| 3.3.1 文本特征粒化 | 第40-41页 |
| 3.3.2 TFIDF_SP和b LDA的加权 | 第41-42页 |
| 3.3.3 基于全覆盖粒计算的特征选择算法的具体步骤 | 第42-43页 |
| 3.4 基于全覆盖粒计算的特征选择算法的实验及结果分析 | 第43-48页 |
| 3.4.1 实验语料 | 第43页 |
| 3.4.2 实验评价指标 | 第43页 |
| 3.4.3 主题数k和g 参数的实验设置 | 第43-45页 |
| 3.4.4 与传统方法的比较 | 第45-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第四章 基于全覆盖粒计算的K-medoids文本聚类算法 | 第50-66页 |
| 4.1 K-medoids聚类算法 | 第50-51页 |
| 4.2 Single-Pass聚类算法 | 第51页 |
| 4.3 密度和最大最小距离法 | 第51-53页 |
| 4.4 基于全覆盖粒计算的K-medoids文本聚类算法研究 | 第53-57页 |
| 4.4.1 文本粒化 | 第53-54页 |
| 4.4.2 基于全覆盖粒计算的K-medoids文本聚类的具体步骤 | 第54-57页 |
| 4.5 基于全覆盖粒计算的K-medoids文本聚类研究的实验及结果分析 | 第57-64页 |
| 4.5.1 实验语料 | 第57-58页 |
| 4.5.2 与改进K-medoids方法的比较 | 第58-62页 |
| 4.5.3 与经典聚类算法的对比 | 第62-64页 |
| 4.6 本章小结 | 第64-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 全文总结 | 第66页 |
| 5.2 研究展望 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 致谢 | 第74-76页 |
| 攻读硕士学位期间发表的论文 | 第76页 |
