| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-18页 |
| ·课题研究的目的和意义 | 第9-12页 |
| ·用户对网络信息的需求 | 第9-10页 |
| ·文本分类和聚类对信息获取的作用 | 第10-12页 |
| ·国内外研究现状 | 第12-13页 |
| ·文本分类和聚类存在的问题 | 第13-15页 |
| ·本文研究内容和目标 | 第15-17页 |
| ·本文内容组织 | 第17-18页 |
| 第2章 文本分类和聚类的基本理论及方法 | 第18-29页 |
| ·文本分类和聚类的概念 | 第18-19页 |
| ·文本分类 | 第18页 |
| ·文本聚类 | 第18-19页 |
| ·文本的表示 | 第19-21页 |
| ·向量空间模型 | 第19页 |
| ·特征项的权值计算 | 第19-20页 |
| ·文本相似度计算 | 第20-21页 |
| ·文本特征选择和抽取 | 第21-22页 |
| ·文本预处理 | 第21-22页 |
| ·文本特征选择和抽取 | 第22页 |
| ·文本分类和聚类方法 | 第22-28页 |
| ·常用的文本分类方法 | 第23-26页 |
| ·常用的文本聚类方法 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 遗传算法基础知识 | 第29-41页 |
| ·遗传算法概述 | 第29-30页 |
| ·标准遗传算法 | 第30-31页 |
| ·遗传算法染色体编码 | 第31-33页 |
| ·编码原则 | 第31-32页 |
| ·编码方法 | 第32-33页 |
| ·适应度函数 | 第33-35页 |
| ·适应度函数的构造 | 第33-34页 |
| ·适应度函数的调整 | 第34-35页 |
| ·遗传算子 | 第35-38页 |
| ·选择算子 | 第35-36页 |
| ·交叉算子 | 第36-37页 |
| ·变异算子 | 第37-38页 |
| ·并行遗传算法 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第4章 混合并行遗传算法及其在文本聚类中的应用 | 第41-66页 |
| ·K-Means算法初始聚类中心的选择 | 第41-42页 |
| ·混合并行遗传算法 | 第42-56页 |
| ·K值确定的定长染色体编码的混合并行遗传聚类算法 | 第43-51页 |
| ·K值动态变化的可变长染色体编码的混合并行遗传聚类算法 | 第51-56页 |
| ·基于并行遗传算法的文本特征词提取 | 第56-59页 |
| ·染色体编码 | 第57页 |
| ·交叉算子、变异算子及算法停止标准 | 第57页 |
| ·适应度函数 | 第57-58页 |
| ·种群初始化 | 第58-59页 |
| ·基于混合并行遗传算法的文本聚类 | 第59页 |
| ·实验设置及结果分析 | 第59-65页 |
| ·染色体编码方案比较 | 第60-62页 |
| ·特征词提取算法性能测试 | 第62-63页 |
| ·文本聚类算法性能测试 | 第63-65页 |
| ·本章小结 | 第65-66页 |
| 第5章 混合并行遗传算法在文本分类中的应用 | 第66-79页 |
| ·基于混合并行遗传算法的潜在语义挖掘 | 第66-70页 |
| ·贝叶斯语义模型 | 第67页 |
| ·特征词相似性度量 | 第67-68页 |
| ·特征词的粗聚类 | 第68-69页 |
| ·特征词的精聚类 | 第69页 |
| ·特征重构 | 第69-70页 |
| ·基于混合并行遗传聚类的KNN改进算法(HPGA-KNN) | 第70-72页 |
| ·SMO-SVM算法 | 第72-73页 |
| ·SMO-SVM算法核函数参数优化 | 第73-74页 |
| ·改进的KNN+SVM文本分类方法 | 第74-75页 |
| ·实验设置及分析 | 第75-78页 |
| ·基于混合并行遗传算法的潜在语义挖掘性能测试 | 第75-76页 |
| ·混合并行遗传聚类对KNN算法的改进效果测试 | 第76-77页 |
| ·参数优化对SMO-SVM算法的性能影响 | 第77页 |
| ·文本分类算法对比实验 | 第77-78页 |
| ·本章小结 | 第78-79页 |
| 第6章 全文总结和研究展望 | 第79-81页 |
| ·全文总结 | 第79页 |
| ·后续研究工作展望 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 攻读硕士学位期间发表的论文和参与的科研项目 | 第85-86页 |
| 致谢 | 第86页 |