| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 引言 | 第11-16页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.3 论文的主要内容 | 第14-16页 |
| 第二章 基于因素空间的知识表示理论分析 | 第16-34页 |
| 2.1 因素空间相关理论分析 | 第16-20页 |
| 2.1.1 因素与状态空间 | 第16-17页 |
| 2.1.2 因素的运算及关系 | 第17-19页 |
| 2.1.3 因素空间 | 第19-20页 |
| 2.2 因素特征提取 | 第20-24页 |
| 2.3 因素空间的因素分析法 | 第24-33页 |
| 2.3.1 因素分析法 | 第24-27页 |
| 2.3.2 改进的因素分析法 | 第27-29页 |
| 2.3.3 因素分析法的推理模型 | 第29-33页 |
| 2.4 小结 | 第33-34页 |
| 第三章 文本数据挖掘相关机制分析 | 第34-54页 |
| 3.1 文本数据挖掘机制概述 | 第34-35页 |
| 3.2 文本数据预处理机制分析 | 第35-39页 |
| 3.2.1 中文文本分词 | 第36页 |
| 3.2.2 文本表示 | 第36-38页 |
| 3.2.3 文本特征选择 | 第38-39页 |
| 3.3 文本分类机制分析 | 第39-50页 |
| 3.3.1 文本分类概述 | 第39-41页 |
| 3.3.2 KNN算法 | 第41-43页 |
| 3.3.3 朴素贝叶斯算法 | 第43-45页 |
| 3.3.4 决策树方法 | 第45-47页 |
| 3.3.5 支持向量机 | 第47-50页 |
| 3.4 文本聚类机制分析 | 第50-53页 |
| 3.4.1 文本聚类概述 | 第50-51页 |
| 3.4.2 层次聚类算法 | 第51-52页 |
| 3.4.3 K-均值聚类算法 | 第52-53页 |
| 3.5 小结 | 第53-54页 |
| 第四章 基于因素空间的文本分类算法应用与研究 | 第54-74页 |
| 4.1 基于因素分析表的文本表示 | 第54-58页 |
| 4.2 基于遗传算法的因素特征提取算法 | 第58-63页 |
| 4.2.1 遗传算法概述 | 第59-60页 |
| 4.2.2 基于遗传算法的因素特征提取算法 | 第60-62页 |
| 4.2.3 因素特征提取结果 | 第62-63页 |
| 4.3 基于因素空间的文本分类算法 | 第63-69页 |
| 4.3.1 因素分析法推理模型的改进 | 第64-67页 |
| 4.3.2 基于因素空间的文本分类算法流程 | 第67-69页 |
| 4.4 实验结果分析 | 第69-71页 |
| 4.4.1 实验说明 | 第69-70页 |
| 4.4.2 实验结果及分析 | 第70-71页 |
| 4.5 基于因素空间的文本分类算法在电商评论情感分析中的应用 | 第71-73页 |
| 4.6 小结 | 第73-74页 |
| 第五章 基于因素空间的文本聚类算法应用与研究 | 第74-90页 |
| 5.1 基于词向量文本特征聚类的初步因素集构建 | 第74-78页 |
| 5.1.1 词向量模型概述 | 第74-76页 |
| 5.1.2 基于词向量模型的文本特征聚类 | 第76-78页 |
| 5.2 基于因素空间的文本聚类算法 | 第78-84页 |
| 5.2.1 确定基本因素集 | 第78-79页 |
| 5.2.2 计算文本因素相似度 | 第79-82页 |
| 5.2.3 基于因素空间的文本聚类算法流程 | 第82-84页 |
| 5.3 实验结果分析 | 第84-89页 |
| 5.3.1 实验说明 | 第84-85页 |
| 5.3.2 实验结果及分析 | 第85-89页 |
| 5.4 小结 | 第89-90页 |
| 第六章 总结与展望 | 第90-92页 |
| 6.1 总结 | 第90-91页 |
| 6.2 应用展望 | 第91-92页 |
| 参考文献 | 第92-97页 |
| 攻读硕士学位期间发表的论文和参与的项目 | 第97-98页 |
| 致谢 | 第98页 |