| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 DBSCAN算法研究现状 | 第10-11页 |
| 1.2.2 专利推荐研究现状 | 第11页 |
| 1.3 本文主要研究内容 | 第11-12页 |
| 1.4 本文主要组织结构 | 第12-13页 |
| 第二章 相关理论 | 第13-23页 |
| 2.1 聚类分析 | 第13-17页 |
| 2.1.1 聚类分析的概念 | 第13-14页 |
| 2.1.2 聚类算法的主要分类 | 第14-15页 |
| 2.1.3 相关数据类型和度量方法 | 第15-17页 |
| 2.1.4 聚类评价 | 第17页 |
| 2.2 DBSCAN算法 | 第17-19页 |
| 2.2.1 相关概念 | 第17-18页 |
| 2.2.2 DBSCAN算法描述 | 第18-19页 |
| 2.3 常见的专利文本聚类算法 | 第19-20页 |
| 2.4 潜在语义分析LSA | 第20-22页 |
| 2.4.1 相关概念 | 第20-21页 |
| 2.4.2 LSA数学基础 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 一种基于数据分区和网格的密度聚类算法PC-DBSCAN | 第23-36页 |
| 3.1 概念定义 | 第23页 |
| 3.2 网格划分与数据分区 | 第23-27页 |
| 3.2.1 网格划分 | 第23-24页 |
| 3.2.2 数据分区的目的及合理性 | 第24-25页 |
| 3.2.3 数据分区的方法 | 第25-26页 |
| 3.2.4 参数EPS的自动确定 | 第26-27页 |
| 3.3 PC-DBSCAN算法描述 | 第27-31页 |
| 3.3.1 算法描述 | 第27页 |
| 3.3.2 算法实现 | 第27-30页 |
| 3.3.3 算法时间复杂度分析 | 第30-31页 |
| 3.4 实验分析 | 第31-35页 |
| 3.4.1 实验设置 | 第31-32页 |
| 3.4.2 准确性分析 | 第32-33页 |
| 3.4.3 性能分析 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 面向问题的专利文本聚类及推荐 | 第36-46页 |
| 4.1 面向问题的专利知识定义 | 第36页 |
| 4.2 基于LSA的专利文本表达 | 第36-40页 |
| 4.3 面向问题的基于PC-DBSCAN的专利文本聚类 | 第40-43页 |
| 4.3.1 算法描述 | 第40-42页 |
| 4.3.2 面向问题的专利文本聚类分析 | 第42-43页 |
| 4.4 基于文本相似度的专利文本聚类结果推荐 | 第43-45页 |
| 4.4.1 文本间相似度的计算 | 第43-44页 |
| 4.4.2 专利文本推荐 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 面向问题的专利推荐系统实现 | 第46-50页 |
| 5.1 系统开发环境 | 第46页 |
| 5.2 实例应用 | 第46-49页 |
| 5.2.1 数据准备 | 第46-47页 |
| 5.2.2 实例应用分析 | 第47-49页 |
| 5.3 结果分析 | 第49页 |
| 5.4 本章小结 | 第49-50页 |
| 第六章 总结和展望 | 第50-52页 |
| 6.1 论文总结 | 第50页 |
| 6.2 论文展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 攻读学位期间所取得的相关科研成果 | 第55-56页 |
| 致谢 | 第56-57页 |