| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景及选题意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 选题意义 | 第10-11页 |
| 1.2 文本聚类研究现状 | 第11-14页 |
| 1.3 论文研究内容及组织结构 | 第14-15页 |
| 1.3.1 研究内容 | 第14页 |
| 1.3.2 组织结构 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第2章 文本聚类相关技术 | 第16-28页 |
| 2.1 文本预处理 | 第16-17页 |
| 2.1.1 文本分词 | 第16页 |
| 2.1.2 特征词提取 | 第16-17页 |
| 2.2 常见的文本表示模型 | 第17-20页 |
| 2.2.1 VSM文本表示模型 | 第17-18页 |
| 2.2.2 LSA文本表示模型 | 第18-19页 |
| 2.2.3 PLSA文本表示模型 | 第19-20页 |
| 2.3 文本聚类中相似度计算 | 第20-21页 |
| 2.4 特征词汇加权 | 第21-23页 |
| 2.5 文本聚类效果的评估 | 第23-24页 |
| 2.6 常见的文本聚类算法 | 第24-27页 |
| 2.6.1 基于K-Means的文本聚类算法 | 第24-25页 |
| 2.6.2 基于AGNES的文本聚类算法 | 第25页 |
| 2.6.3 基于FCM的文本聚类算法 | 第25-27页 |
| 2.7 本章小结 | 第27-28页 |
| 第3章 基于RI方法的文本表示 | 第28-42页 |
| 3.1 RI方法介绍 | 第28-34页 |
| 3.1.1 RI方法简介 | 第28-31页 |
| 3.1.2 RI方法描述 | 第31-33页 |
| 3.1.3 使用RI方法进行文本聚类的优势和不足 | 第33-34页 |
| 3.2 面向文本聚类需要的RI方法 | 第34-37页 |
| 3.2.1 随机索引改进 | 第34-35页 |
| 3.2.2 混合加权改进 | 第35-37页 |
| 3.3 基于RI方法的文本表示示例 | 第37-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第4章 基于改进K-Means+AGNES聚类算法 | 第42-52页 |
| 4.1 文本聚类的总体流程 | 第42页 |
| 4.2 K-Means算法的改进 | 第42-50页 |
| 4.2.1 传统K-Means算法存在的两个主要问题 | 第42-43页 |
| 4.2.2 基于关联度的初始中心自动选取 | 第43-47页 |
| 4.2.3 基于紧密度和分散度的最佳初始聚类自动确定 | 第47-50页 |
| 4.3 改进K-Means的AGNES聚类算法 | 第50-51页 |
| 4.3.1 基于AGNES聚类方法中存在的问题 | 第50页 |
| 4.3.2 改进K-Means+AGNES聚类算法描述 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 基于RI的文本聚类模型测试及对比分析 | 第52-65页 |
| 5.1 测试数据及测试环境 | 第52页 |
| 5.1.1 测试语料选择 | 第52页 |
| 5.1.2 测试环境 | 第52页 |
| 5.2 聚类效果的评估指标 | 第52-53页 |
| 5.3 测试步骤 | 第53-54页 |
| 5.4 基于RI的聚类模型中有关参数值的获取 | 第54-56页 |
| 5.5 改进前后文本表示能力的对比分析 | 第56-58页 |
| 5.6 改进前后K-Means+AGNES聚类算法的对比分析 | 第58-61页 |
| 5.7 基于RI的聚类模型的测试及对比分析 | 第61-63页 |
| 5.7.1 对比文本聚类模型的选择 | 第61页 |
| 5.7.2 算法的测试及聚类效果的对比分析 | 第61-63页 |
| 5.8 本章小结 | 第63-65页 |
| 第6章 总结与展望 | 第65-67页 |
| 6.1 论文工作总结 | 第65页 |
| 6.2 进一步研究方向 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-70页 |
