基于聚类分析的图模型文本分类

摘要	第1-6页
Abstract	第6-9页
1 引言	第9-14页
·研究背景和意义	第9页
·国内外研究状况	第9-11页
·基于统计的中文文本分类	第11-12页
·本文的主要工作和组织结构	第12-14页
2 文本分类的关键技术	第14-32页
·文本信息的预处理	第15-17页
·分词	第16-17页
·停用词过滤	第17页
·文本表示	第17-22页
·基于统计的文本表示方法	第17-19页
·基于语义的文本表示方法	第19-22页
·特征项单位的选择	第22-23页
·字特征	第22-23页
·词特征	第23页
·N-gram 特征	第23页
·空间降维	第23-29页
·特征选择	第23-26页
·特征抽取	第26-29页
·项的权重计算	第29-30页
·改进的权值计算公式	第30-32页
3 文本分类和聚类算法	第32-40页
·文本分类算法	第32-33页
·KNN 分类算法	第32页
·SVM 分类算法	第32页
·朴素贝叶斯分类方法	第32-33页
·决策树算法	第33页
·文本聚类的研究进展	第33-37页
·层次聚类算法	第33-34页
·划分式聚类算法	第34-35页
·基于密度的聚类算法	第35页
·基于模型的方法	第35页
·图聚类算法	第35页
·聚类有效性评价	第35-37页
·文本分类的性能评估	第37-40页
4 基于聚类分析的图模型分类系统的设计与实现	第40-51页
·方法的提出	第40页
·特征聚类技术	第40-42页
·方法的实现	第42-47页
·文本预处理	第42页
·基于 CHI 分布的特征抽取	第42-43页
·特征聚类算法	第43-46页
·图模型文本向量表示	第46-47页
·改进的 KNN 文本分类算法	第47页
·实验结果及分析	第47-51页
结论	第51-52页
参考文献	第52-56页
在学研究成果	第56-57页
致谢	第57页