| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 文本挖掘相关技术概述及研究现状 | 第9-13页 |
| 1.2.1 文本聚类概述及研究现状 | 第9-10页 |
| 1.2.2 摘要抽取概述及研究现状 | 第10-11页 |
| 1.2.3 文本推荐概述及研究现状 | 第11-13页 |
| 1.3 本文主要研究内容 | 第13页 |
| 1.4 论文结构 | 第13-15页 |
| 第二章 基于特征过滤的K-means聚类算法 | 第15-26页 |
| 2.1 引言 | 第15页 |
| 2.2 基于中心估算和特征值过滤的改进K-means算法 | 第15-21页 |
| 2.2.1 K-means算法与EKM算法 | 第15-16页 |
| 2.2.2 基于中心估算和特征值过滤的K-means算法 | 第16-18页 |
| 2.2.3 实验结果与分析 | 第18-21页 |
| 2.3 基于半监督K-means的主动学习聚类算法 | 第21-25页 |
| 2.3.1 主动学习聚类算法 | 第21-23页 |
| 2.3.2 实验结果与分析 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于关键词过滤和聚类结合的文本摘要方法 | 第26-33页 |
| 3.1 引言 | 第26页 |
| 3.2 基于关键词过滤和聚类结合的文本摘要方法 | 第26-28页 |
| 3.2.1 特征选择 | 第26-27页 |
| 3.2.2 特征权重 | 第27页 |
| 3.2.3 基于EM分类的语句选择 | 第27-28页 |
| 3.3 实验结果与分析 | 第28-32页 |
| 3.3.1 基于不同加权的EM聚类提取比较 | 第29-30页 |
| 3.3.2 与其他方法的比较 | 第30-31页 |
| 3.3.3 与人工提取摘要结果的对比 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于内容推荐与规则融合的新闻推荐方法 | 第33-38页 |
| 4.1 引言 | 第33页 |
| 4.2 规则挖掘模块和推荐方法 | 第33-35页 |
| 4.2.1 FP-Growth规则挖掘算法 | 第33页 |
| 4.2.2 基于内容推荐与规则融合的新闻推荐方法 | 第33-35页 |
| 4.3 实验结果与分析 | 第35-37页 |
| 4.3.1 实验环境及评价指标 | 第35页 |
| 4.3.2 实验与分析 | 第35-36页 |
| 4.3.3 与其他方法的比较 | 第36-37页 |
| 4.4 本章小结 | 第37-38页 |
| 第五章 基于关联规则和文本分类的推荐算法 | 第38-44页 |
| 5.1 引言 | 第38页 |
| 5.2 挖掘模块和推荐算法 | 第38-41页 |
| 5.2.1 TF-IDF关键词加权技术 | 第39页 |
| 5.2.2 聚类算法 | 第39-40页 |
| 5.2.3 规则挖掘算法 | 第40页 |
| 5.2.4 基于关联规则和文本分类的推荐算法 | 第40-41页 |
| 5.3 实验结果与分析 | 第41-43页 |
| 5.3.1 实验环境及评价指标 | 第41-42页 |
| 5.3.2 实验与分析 | 第42-43页 |
| 5.3.3 与其他算法的比较 | 第43页 |
| 5.4 结论 | 第43-44页 |
| 第六章 总结与展望 | 第44-47页 |
| 6.1 工作总结 | 第44-45页 |
| 6.2 未来工作展望 | 第45-47页 |
| 参考文献 | 第47-52页 |
| 致谢 | 第52-53页 |
| 攻读学位期间发表的学术论文 | 第53页 |
