| 第一章 绪论 | 第9-30页 |
| 1.1 本文的选题背景与研究意义 | 第9-10页 |
| 1.2 知识管理概论 | 第10-17页 |
| 1.2.1 知识管理的概念 | 第10-11页 |
| 1.2.2 知识的分类和特点 | 第11-12页 |
| 1.2.3 知识管理的生命周期 | 第12-13页 |
| 1.2.4 知识管理的研究现状 | 第13-15页 |
| 1.2.5 知识管理存在的问题及其发展趋势 | 第15-17页 |
| 1.3 文本挖掘概论 | 第17-22页 |
| 1.3.1 文本挖掘的定义 | 第17-18页 |
| 1.3.2 文本的特征的建立 | 第18-19页 |
| 1.3.3 文本特征集的缩减 | 第19页 |
| 1.3.4 学习和知识模式的提取 | 第19-21页 |
| 1.3.5 模型质量的评价 | 第21-22页 |
| 1.4 文本分类、聚类和摘要 | 第22-23页 |
| 1.5 国内、外研究进展 | 第23-27页 |
| 1.5.1 国内的研究进展 | 第23-25页 |
| 1.5.2 国外的研究进展 | 第25-27页 |
| 1.6 本文的主要内容和创新点 | 第27-30页 |
| 第二章 几种主要的聚类、分类和文本特征降维方法 | 第30-41页 |
| 2.1 几种文本聚类方法 | 第30-35页 |
| 2.1.1 层次凝聚法 | 第30-31页 |
| 2.1.2 平面划分法 | 第31页 |
| 2.1.3 简单贝叶斯聚类算法 | 第31-32页 |
| 2.1.4 1-最近邻参照聚类算法 | 第32-33页 |
| 2.1.5 分级聚类 | 第33页 |
| 2.1.6 基于概念的文本聚类 | 第33页 |
| 2.1.7 基于模型的方法 | 第33-35页 |
| 2.2 几种文本分类方法 | 第35-37页 |
| 2.2.1 一般分类方法 | 第35-36页 |
| 2.2.2 基于关联的分类方法 | 第36页 |
| 2.2.3 K-NN分类算法 | 第36-37页 |
| 2.3 几种文本特征降维方法 | 第37-41页 |
| 2.3.1 信息增益 | 第38-39页 |
| 2.3.2 期望交叉熵 | 第39页 |
| 2.3.3 互信息 | 第39页 |
| 2.3.4 文本证据权 | 第39页 |
| 2.3.5 几率比 | 第39-40页 |
| 2.3.6 词频 | 第40-41页 |
| 第三章 知识链管理及其管理策略 | 第41-59页 |
| 3.1 引言 | 第41-42页 |
| 3.2 知识链的概念和特点 | 第42-43页 |
| 3.2.1 知识链的概念 | 第42-43页 |
| 3.2.2 知识链的特点 | 第43页 |
| 3.3 知识链模型 | 第43-47页 |
| 3.4 知识链管理的机制分析 | 第47-49页 |
| 3.4.1 知识链内部知识成长的机制分析 | 第47-48页 |
| 3.4.2 基于知识链的知识转移的影响因素分析 | 第48-49页 |
| 3.5 基于知识成长模式的管理策略研究 | 第49-57页 |
| 3.5.1 知识成长模式的改进 | 第49-51页 |
| 3.5.2 管理策略研究 | 第51-53页 |
| 3.5.3 管理策略的系统性评价分析 | 第53-57页 |
| 3.6 本章小结 | 第57-59页 |
| 第四章 基于神经网络的文本聚类研究 | 第59-68页 |
| 4.1 引言 | 第59-60页 |
| 4.2 文本聚类 | 第60-61页 |
| 4.2.1 文本聚类的概念 | 第60页 |
| 4.2.2 中文文本的数字化 | 第60-61页 |
| 4.3 TGSOM:树型动态增长模型 | 第61-63页 |
| 4.3.1 网络结构 | 第61-62页 |
| 4.3.2 基本概念 | 第62页 |
| 4.3.3 算法 | 第62-63页 |
| 4.4 用TGSOM实现文本聚类 | 第63-66页 |
| 4.4.1 SF的引入及其作用 | 第63-64页 |
| 4.4.2 实验验证及分析 | 第64-66页 |
| 4.5 结论 | 第66页 |
| 4.6 本章小结 | 第66-68页 |
| 第五章 基于隐含语义分析的文本聚类和分类研究 | 第68-80页 |
| 5.1 引言 | 第68-69页 |
| 5.2 LSA的理论基础 | 第69-70页 |
| 5.2.1 词条矩阵(Term Matrix) | 第69页 |
| 5.2.2 奇异值分解SVD(Singular value decomposition) | 第69-70页 |
| 5.3 应用LSA实现文本聚类 | 第70-74页 |
| 5.3.1 基于LSA的文本聚类方法(TCBLSA方法) | 第70-71页 |
| 5.3.2 简单算例分析 | 第71-72页 |
| 5.3.3 实验 | 第72-74页 |
| 5.3.4 结论 | 第74页 |
| 5.4 基于LSA和有监督Kohonen网络的分类算法 | 第74-78页 |
| 5.4.1 有监督Kohonen网络分类算法 | 第74-75页 |
| 5.4.2 1的选取 | 第75页 |
| 5.4.3 LSA理论中K秩近似矩阵的选取 | 第75-76页 |
| 5.4.4 实验 | 第76-78页 |
| 5.4.5 结论: | 第78页 |
| 5.5 本章小结 | 第78-80页 |
| 第六章 文本特征降维方法及其在文本分类中的应用研究 | 第80-90页 |
| 6.1 引言 | 第80-81页 |
| 6.2 基于评估函数的文本特征降维方法 | 第81页 |
| 6.3 模式聚合理论 | 第81-84页 |
| 6.3.1 CHI概率统计 | 第81-82页 |
| 6.3.2 模式聚合 | 第82-84页 |
| 6.4 基于模式聚合理论(PA)的文本分类 | 第84-86页 |
| 6.4.1 基于 PA和Kohonen网络的文本分类算法 | 第84页 |
| 6.4.2 实验 | 第84-86页 |
| 6.4.3 结论: | 第86页 |
| 6.5 基于PA和LSA的文本特征降维方法 | 第86-89页 |
| 6.5.1 基于PA和LSA的文本特征降维方法的步骤: | 第87页 |
| 6.5.2 基于PA和LSA的文本分类算法--TCBPL方法 | 第87页 |
| 6.5.3 实验: | 第87-88页 |
| 6.5.4 结论 | 第88-89页 |
| 6.6 本章小结 | 第89-90页 |
| 第七章 总结与展望 | 第90-93页 |
| 7.1 全文工作总结 | 第90-91页 |
| 7.2 存在的问题和研究前景展望 | 第91-93页 |
| 参考文献 | 第93-105页 |
| 发表论文和参加科研情况说明 | 第105-107页 |
| 致谢 | 第107页 |
