| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 问题和难点 | 第11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.4 本文主要工作 | 第13页 |
| 1.5 本文的组织结构 | 第13-15页 |
| 第二章 基于海量科技文献自动聚类的研究 | 第15-30页 |
| 2.1 文本聚类知识架构介绍 | 第15-16页 |
| 2.2 聚类特征的选取 | 第16-20页 |
| 2.2.1 科技文献特征分析 | 第16-17页 |
| 2.2.2 中文文本词性分析 | 第17-18页 |
| 2.2.3 文本特征提取方法 | 第18-20页 |
| 2.3 聚类技术分析 | 第20-24页 |
| 2.3.1 文本在计算机中的表示模型 | 第20-21页 |
| 2.3.2 文本间相似度的度量 | 第21-22页 |
| 2.3.3 聚类算法研究 | 第22-24页 |
| 2.4 大数据技术分析 | 第24-27页 |
| 2.5 科技文献聚类后处理 | 第27-29页 |
| 2.6 本章结论 | 第29-30页 |
| 第三章 基于海量科技文献的自动聚类设计 | 第30-42页 |
| 3.1 海量科技文献的聚类算法流程设计 | 第30-31页 |
| 3.2 科技文献的爬取和存储 | 第31-32页 |
| 3.3 文本预处理 | 第32-34页 |
| 3.4 文本聚类特征选取 | 第34-36页 |
| 3.4.1 名词提取 | 第34-35页 |
| 3.4.2 TF-IDF特征加权 | 第35-36页 |
| 3.5 聚类过程设计 | 第36-40页 |
| 3.5.1 canopy改进后的k-means算法 | 第36-38页 |
| 3.5.2 聚类算法的分布式聚类设计 | 第38-40页 |
| 3.6 对聚类结果的信息抽取 | 第40-41页 |
| 3.7 本章结论 | 第41-42页 |
| 第四章 基于海量科技文献自动聚类实现 | 第42-57页 |
| 4.1 系统模块介绍 | 第42-43页 |
| 4.2 模块功能的实现 | 第43-49页 |
| 4.2.1 聚类样本模块 | 第43-45页 |
| 4.2.2 聚类预处理模块 | 第45-46页 |
| 4.2.3 聚类特征生成模块 | 第46-47页 |
| 4.2.4 聚类模块 | 第47-48页 |
| 4.2.5 聚类后处理模块 | 第48-49页 |
| 4.3 系统环境的搭建 | 第49-51页 |
| 4.4 聚类评估 | 第51-56页 |
| 4.4.1 运算效率评估 | 第51-53页 |
| 4.4.2 算法效果评估 | 第53-56页 |
| 4.5 本章结论 | 第56-57页 |
| 第五章 结语 | 第57-59页 |
| 5.1 论文工作总结 | 第57-58页 |
| 5.2 进一步的研究工作 | 第58-59页 |
| 参考文献 | 第59-61页 |
| 致谢 | 第61页 |