| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 卷积神经网络研究现状 | 第10-11页 |
| 1.2.2 文本聚类研究现状 | 第11-12页 |
| 1.3 本文主要工作 | 第12-13页 |
| 1.4 本文的结构 | 第13-14页 |
| 第2章 相关理论研究 | 第14-24页 |
| 2.1 文本聚类 | 第14-17页 |
| 2.1.1 基于划分的聚类算法 | 第15页 |
| 2.1.2 基于层次的聚类算法 | 第15-16页 |
| 2.1.3 基于密度的聚类算法 | 第16页 |
| 2.1.4 基于网格的聚类算法 | 第16页 |
| 2.1.5 基于模型的聚类算法 | 第16-17页 |
| 2.2 卷积神经网络的基本原理 | 第17-19页 |
| 2.2.1 卷积神经网络结构 | 第17页 |
| 2.2.2 局部感受野与权值共享 | 第17-18页 |
| 2.2.3 窄卷积卷积神经网络和宽卷积卷积神经网络 | 第18页 |
| 2.2.4 步长 | 第18-19页 |
| 2.3 词向量与Word2vec | 第19-22页 |
| 2.3.1 词向量 | 第19页 |
| 2.3.2 n-gram语言模型 | 第19-20页 |
| 2.3.3 神经网络语言模型 | 第20-21页 |
| 2.3.4 Word2vec | 第21-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第3章 基于卷积神经网络的文本特征提取 | 第24-34页 |
| 3.1 基于卷积神经网络的文本特征提取 | 第24-25页 |
| 3.2 卷积神经网络的构建 | 第25-29页 |
| 3.2.1 模型结构 | 第25-27页 |
| 3.2.2 激活函数 | 第27-28页 |
| 3.2.3 Dropout | 第28页 |
| 3.2.4 参数优化 | 第28-29页 |
| 3.3 网络训练 | 第29-30页 |
| 3.4 实验描述与分析 | 第30-33页 |
| 3.4.1 实验描述 | 第30-31页 |
| 3.4.2 实验分析 | 第31-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于k-means改进的KSDM聚类算法 | 第34-46页 |
| 4.1 K-means算法 | 第34-36页 |
| 4.1.1 算法描述 | 第34-36页 |
| 4.1.2 算法分析 | 第36页 |
| 4.2 孤立点检测算法 | 第36-39页 |
| 4.2.1 相关理论定义 | 第37-38页 |
| 4.2.2 基本思想 | 第38页 |
| 4.2.3 算法描述 | 第38-39页 |
| 4.3 初始聚类中心选取算法 | 第39-41页 |
| 4.3.1 基本思想 | 第39-40页 |
| 4.3.2 算法描述 | 第40-41页 |
| 4.4 KSDM算法 | 第41-42页 |
| 4.5 实验与分析 | 第42-45页 |
| 4.5.1 实验描述 | 第42页 |
| 4.5.2 实验结果与分析 | 第42-45页 |
| 4.6 本章小结 | 第45-46页 |
| 第5章 基于卷积神经网络的文献分析框架 | 第46-54页 |
| 5.1 基于卷积神经网络的文献分析框架 | 第46页 |
| 5.2 数据预处理 | 第46-48页 |
| 5.2.1 分词 | 第47页 |
| 5.2.2 停用词过滤 | 第47-48页 |
| 5.3 实验描述 | 第48页 |
| 5.4 实验结果分析 | 第48-53页 |
| 5.4.1 本章方法与人工分类对比 | 第49-50页 |
| 5.4.2 本章方法与其他文本聚类算法比较 | 第50-53页 |
| 5.5 本章小结 | 第53-54页 |
| 第6章 总结与展望 | 第54-56页 |
| 6.1 本文工作总结 | 第54页 |
| 6.2 下一步研究工作 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 作者简介 | 第60页 |
| 攻读硕士学位期间研究成果 | 第60页 |