| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 研究综述 | 第8-9页 |
| 1.3 研究内容及其特点 | 第9-10页 |
| 1.4 研究框架及结构安排 | 第10-12页 |
| 第二章 获取数据方法介绍 | 第12-16页 |
| 2.1 网络爬虫概述 | 第12页 |
| 2.2 爬虫框架简介 | 第12-13页 |
| 2.3 爬虫工具的使用 | 第13-16页 |
| 2.3.1 python爬虫工具 | 第13-14页 |
| 2.3.2 爬虫协议的限制 | 第14页 |
| 2.3.3 非关系型数据库MongoDB | 第14页 |
| 2.3.4 Selenium框架在爬虫中的作用 | 第14-16页 |
| 第三章 网页数据处理方法 | 第16-20页 |
| 3.1 多元回归分析 | 第16-17页 |
| 3.2 中文文本聚类分析概述 | 第17-20页 |
| 3.2.1 聚类分析的思想 | 第17-18页 |
| 3.2.2 文本聚类的过程 | 第18-19页 |
| 3.2.3 聚类分析在电商网页信息分析中的作用 | 第19-20页 |
| 第四章 基于K-Means算法的文本聚类 | 第20-27页 |
| 4.1 K-Means算法概述 | 第20-21页 |
| 4.1.1 K-Means 算法(K 均值聚类算法) | 第20页 |
| 4.1.2 K-Means算法流程 | 第20-21页 |
| 4.2 文本数据预处理 | 第21-23页 |
| 4.2.1 中文文本分词 | 第21-22页 |
| 4.2.2 停用词过滤 | 第22-23页 |
| 4.3 文本相似度计算 | 第23-25页 |
| 4.3.1 TF-IDF算法 | 第23-24页 |
| 4.3.2 VSM算法 | 第24-25页 |
| 4.4 K-Means算法评价 | 第25-27页 |
| 第五章 电商网页信息的聚类实现过程 | 第27-39页 |
| 5.1 环境配置 | 第27页 |
| 5.2 数据来源及信息选择 | 第27-29页 |
| 5.2.1 数据获取 | 第27-28页 |
| 5.2.2 数据存储与提取 | 第28-29页 |
| 5.3 描述性分析 | 第29-32页 |
| 5.4 多元回归分析 | 第32-34页 |
| 5.5 文本聚类分析 | 第34-36页 |
| 5.5.1 数据预处理 | 第34-35页 |
| 5.5.2 文本相似度计算 | 第35-36页 |
| 5.5.3 K-Means聚类 | 第36页 |
| 5.6 结果分析与评价 | 第36-39页 |
| 第六章 总结与展望 | 第39-40页 |
| 6.1 总结 | 第39页 |
| 6.2 研究展望 | 第39-40页 |
| 参考文献 | 第40-43页 |
| 致谢 | 第43页 |