| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第1章 引言 | 第7-11页 |
| ·研究背景与意义 | 第7页 |
| ·国内外研究现状及相关技术发展 | 第7-9页 |
| ·本文的研究内容 | 第9-10页 |
| ·本文的组织结构 | 第10-11页 |
| 第2章 科技文献主题探测简介 | 第11-19页 |
| ·常用的文本分类方法 | 第11-15页 |
| ·基于简单向量距离的分类法 | 第11-12页 |
| ·K近邻法(K-Nearest Neighbor) | 第12-13页 |
| ·贝叶斯分类法 | 第13-14页 |
| ·支持向量机(SVM) | 第14-15页 |
| ·常用的文本聚类方法 | 第15-18页 |
| ·基于划分的方法 | 第16页 |
| ·基于层次的方法 | 第16-17页 |
| ·基于模型的方法 | 第17页 |
| ·基于网格的方法 | 第17页 |
| ·基于密度的方法 | 第17-18页 |
| ·基于主题模型的科技文献主题探测研究方法 | 第18-19页 |
| 第3章 科技文献主题探测系统使用的技术 | 第19-27页 |
| ·k-means聚类算法 | 第19-23页 |
| ·向量空间模型 | 第19页 |
| ·预处理 | 第19-20页 |
| ·TF-IDF权重 | 第20-22页 |
| ·文本相似度 | 第22页 |
| ·K-means算法 | 第22-23页 |
| ·LDA主题模型 | 第23-27页 |
| ·Beta/Dirichlet分布 | 第23-24页 |
| ·图形模型 | 第24-25页 |
| ·LDA模型 | 第25-26页 |
| ·LDA主题探测过程 | 第26-27页 |
| 第4章 基于K-means算法的科技文献主题探测方法 | 第27-35页 |
| ·文本聚类 | 第27-28页 |
| ·基于K-means算法的科技文献主题探测方法的实现 | 第28-30页 |
| ·基本思路 | 第28页 |
| ·算法设计 | 第28-30页 |
| ·测试及结果分析 | 第30-35页 |
| ·测试数据 | 第30-32页 |
| ·系统测试及分析 | 第32-35页 |
| 第5章 基于LDA模型的科技文献主题探测方法 | 第35-50页 |
| ·文本挖掘中的模型发展 | 第35-40页 |
| ·隐含语义分析(LSA) | 第35-37页 |
| ·概率隐含语义分析(PLSA) | 第37-39页 |
| ·隐含狄利克雷分布(LDA) | 第39-40页 |
| ·基于LDA模型的科技文献主题探测方法的实现 | 第40-46页 |
| ·狄利克雷分布 | 第40页 |
| ·MCMC方法 | 第40-41页 |
| ·基本思路 | 第41-44页 |
| ·算法设计 | 第44-46页 |
| ·测试及结果分析 | 第46-50页 |
| ·系统测试及分析 | 第46-47页 |
| ·热点分析 | 第47-50页 |
| 第6章 总结和展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
