基于密度峰值优化的K-means文本聚类算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 本文研究内容及结构安排 | 第15-17页 |
| 第二章 文本聚类相关理论及技术 | 第17-33页 |
| 2.1 引言 | 第17-18页 |
| 2.2 文本预处理 | 第18-20页 |
| 2.2.1 分词 | 第18-20页 |
| 2.2.2 去除停用词 | 第20页 |
| 2.3 文本表示模型 | 第20-23页 |
| 2.3.1 向量空间模型 | 第21-22页 |
| 2.3.2 布尔模型 | 第22页 |
| 2.3.3 概率模型 | 第22-23页 |
| 2.4 文本表示模型的构建 | 第23-27页 |
| 2.4.1 文本特征选择方法 | 第23-26页 |
| 2.4.2 特征项权重计算方法 | 第26-27页 |
| 2.5 文本相似性度量方法 | 第27-29页 |
| 2.6 聚类算法 | 第29-31页 |
| 2.6.1 基于划分的聚类算法 | 第29-30页 |
| 2.6.2 基于层次的聚类算法 | 第30页 |
| 2.6.3 基于密度的聚类算法 | 第30-31页 |
| 2.7 聚类评价标准 | 第31-32页 |
| 2.8 本章小结 | 第32-33页 |
| 第三章K近邻优化的密度峰值发现聚类算法 | 第33-50页 |
| 3.1 引言 | 第33-34页 |
| 3.2 密度峰值发现聚类算法 | 第34-41页 |
| 3.2.1 算法思想 | 第34-38页 |
| 3.2.2 算法优缺点分析 | 第38-41页 |
| 3.3 改进的密度峰值发现聚类算法 | 第41-44页 |
| 3.3.1 K近邻算法 | 第42-43页 |
| 3.3.2 KDPC算法 | 第43-44页 |
| 3.4 实验分析 | 第44-49页 |
| 3.4.1 人工虚拟数据集的实验结果及分析 | 第45-48页 |
| 3.4.2 真实数据集的实验结果及分析 | 第48-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 优化初始聚类中心的K-means聚类算法 | 第50-60页 |
| 4.1 引言 | 第50-51页 |
| 4.2 K-means算法 | 第51-54页 |
| 4.2.1 算法思想 | 第51-52页 |
| 4.2.2 优缺点分析 | 第52-54页 |
| 4.3 基于密度峰值优化的K-means算法 | 第54-56页 |
| 4.4 实验分析 | 第56-59页 |
| 4.4.1 实验描述 | 第56页 |
| 4.4.2 实验结果分析 | 第56-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 KDP-means算法在文本聚类中的应用 | 第60-67页 |
| 5.1 引言 | 第60页 |
| 5.2 中文文本聚类系统设计与实现 | 第60-64页 |
| 5.2.1 系统框架 | 第60-61页 |
| 5.2.2 文本处理 | 第61-63页 |
| 5.2.3 KDP-means算法聚类 | 第63-64页 |
| 5.2.4 聚类评估标准 | 第64页 |
| 5.3 实验测评与结果分析 | 第64-66页 |
| 5.3.1 实验设置 | 第64页 |
| 5.3.2 数据集 | 第64-65页 |
| 5.3.3 结果分析 | 第65-66页 |
| 5.4 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 本文工作总结 | 第67-68页 |
| 6.2 未来工作展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 攻读硕士学位期间论文发表情况 | 第73页 |
